隨著市場競爭日趨激烈，全球工業領域正面臨前所未有的轉型壓力。企業必須通過持續創新搶占先機。此外，工業產品中軟件占比持續攀升，功能實現愈發依賴軟件。而跨領域優秀工程師的短缺進一步加劇了轉型難度。在此背景下，越來越多的企業采用數字工程的方式增強競爭力，以應對市場變化帶來的挑戰。

那么，企業如何通過數字工程切實提升競爭力？MathWorks全球行業經理Philipp Wallner 在接受工控網等多家媒體采訪時，將其總結為四大關鍵方向：模塊化產品架構、數字工程平臺、工業元宇宙與數字孿生，以及AI賦能工程。

 MathWorks全球行業經理Philipp Wallner

模塊化產品架構：在產品架構設計階段，將系統拆解為標準化、可復用的模塊，后續產品迭代或組合開發時，無需從零構建，而是通過已有模塊的靈活組裝快速實現目標。這一模式的核心價值，在于將研發知識與技術沉淀于模塊之中，使企業能在現有基礎上快速開展創新，更敏捷地響應市場需求變化。

數字工程平臺：從產品設計、功能實現，到測試驗證、部署運維，全流程均以數字化方式推進。這一過程的核心是“模型驅動”，將設計知識、業務邏輯沉淀為標準化模型，以模型貫穿研發全環節，驅動開發流程高效運轉。

工業元宇宙與數字孿生：除了研發階段的建模與仿真，企業開始將數字設計資產應用于運維優化，例如設備健康監測、故障預測、產品迭代等場景，大幅拓展了數字資產的價值邊界。這些技術與應用，共同構成了數字工程體系下的關鍵支撐力量。

AI賦能工程：生成式AI技術可以輔助解決人才缺口問題，幫助工程師快速吸收新技術、掌握新知識，在設計過程中提供智能化輔助，從而提升研發效率，降低人才培養與能力提升的周期成本。

軟件定義時代，以模型為核心破解開發難題

隨著數字化技術的快速發展，軟件定義的理念在工業自動化行業中的重要性日益凸顯。但這一趨勢也為傳統開發團隊帶來了新的挑戰，以往適用于小型軟件的開發環境與模式，如今已難以滿足大規模軟件的開發需求。在確保功能質量的前提下，如何實現敏捷開發、快速響應市場變化，成為裝備行業亟待解決的關鍵問題。

針對這一難題，Philipp Wallner給出了切實可行的解答。首先，我們需要以模型為中心，將由模型得出的數字表達作為整個產品開發生命周期中數據的可信來源。所有知識的積累與沉淀，所有開發的變更，都應圍繞該模型展開。其次，工業現場的嵌入式軟件開發可借鑒IT行業的敏捷開發理念，其關鍵在于實現軟件功能的快速迭代與更新。再者，基于模型的系統工程也是不可或缺的一環。通過分層解決復雜問題，每一層面所面對的都是相對簡單且易于攻克的問題，從而將復雜問題逐步拆解、化繁為簡。

這一方法已在多個企業的實踐中得到驗證。比如，在能源轉型領域，西門子能源面對電網復雜性激增的挑戰，通過搭建統一平臺，實現了設計環境的標準化與設計資產的模塊化。所有研發團隊均在同一環境下開展設計，統一模型不僅打破了知識壁壘，讓各團隊的設計資產與技術經驗實現高效共享，更催生出“碰撞式創新”的可能。

同樣，全球領先的風機制造商金風科技，通過基于模型的設計，已建立起一套完整的生態系統，用于風力發電機組及風電場控制系統的設計、開發和驗證，包括自動化持續集成流水線以及面向多個PLC平臺的代碼生成。從而顯著縮短了控制軟件的設計、開發與測試周期，并實現了更高水平的部署靈活性。

數字工程平臺，貫穿產品全生命周期的主線

要推動模塊化架構真正落地實施，構建一個數字化工程的研發平臺是關鍵所在。這個平臺需要將模型貫穿于從需求提出、架構設計、實現開發到運營維護的整個流程之中。

Philipp Wallner著重強調了“Shift-Left”（驗證左移）和“Stretch-Right”（向右延伸）這兩個關鍵概念。“Shift Left”，即讓集成與驗證環節向左移動，也就是將整個設計周期提前。在需求開發與架構設計階段，就基于模型開展產品集成工作，提前進行測試與分析。這樣做的好處在于，能夠盡早發現并減少需求設計與架構設計中潛藏的錯誤和故障，從而提升整個設計的質量與可靠性。“Stretch Right”則打破了傳統“交付即終止”的固有模式，將模型的應用延續到運營階段。在運營過程中，模型可用于設備的狀態監測、預測性維護，甚至通過OTA進行功能更新。

數字工程平臺也為新技術與新場景的落地提供了有力支持，例如虛擬交付、數字孿生等。模型的應用不再局限于開發階段，在交付階段和運營階段同樣能大顯身手。借助虛擬場景技術，交付設備的所有運行狀態都能在虛擬環境中被精準模擬呈現，為設備的穩定運行提供有力保障。

AI賦能，破解人才瓶頸與數據挑戰

在數字化轉型的浪潮中，AI等創新技術正逐步滲透至工業的各個環節。Philipp Wallner將工業領域的AI應用總結為三大核心方向：讓設備本身更智能、輔助建模過程、提升工程師效率。

在AI賦能設備本身方面，以可口可樂項目為例，該公司利用AI技術，將物理傳感器上的信息通過計算和數據分析的方式得出，依托MATLAB?開展模型訓練工作，并將生成的算法模型應用到嵌入式系統中，從而替代傳統的物理傳感器。在罐裝生產設備的供應商克朗斯的案例中，則借助強化學習技術，讓罐裝生產設備能夠根據回收PET瓶的品質差異自動調整工藝參數。

在AI技術輔助建模方面，針對已有的CAE模型，采用統一的方式將其轉化為動態系統模型。借助模型降階，以數據為驅動，從動態系統視角對目標對象進行建模。其數據來源十分靈活，既可以是其他領域已有的專業模型，也可以是現場觀測采集的數據，基于這些數據完成模型訓練。

以上我們談論的所有轉型目標的落地都離不開工程師團隊的支撐。在工程師賦能層面，生成式AI正發揮重要作用。它能夠幫助工程師快速理解既有設計代碼、自動化設計檢查流程、輔助創建模型原型，將工程師從重復性工作中解放出來，專注于創新設計。

目前，MathWorks正積極開發標準化接口，實現與各類生成式大模型的互聯互通；中國本地團隊也持續推進國產大模型與MATLAB的深度融合，力求為本土用戶提供更貼合需求的AI賦能方案。“我們期望在生成式AI的支持下，基于模型的設計能夠充分發揮優勢，進一步提升工程師的設計能力，使整個項目能夠在新的方法論和工具鏈的支撐下，實現快速開發與更多創新。”

針對工程師人才缺口，尤其是具備跨領域能力的優秀工程師短缺問題，MathWorks 也從兩方面著手應對：一方面，通過教育領域的合作與投入，提前為企業培養具備工程實踐能力的儲備人才；另一方面，在工具鏈體系中強化知識沉淀能力，將行業經驗、開發規范與最佳實踐融入工具流程，減少對個體經驗的依賴，從而在一定程度上緩解人才短缺帶來的研發壓力。

如今，數字工程與AI、人才的深度協同將持續引領工業領域創新方向。我們期待MathWorks通過工具迭代與生態共建，助力企業在快速變化的市場環境中構建持久競爭力，同時將全球先進技術與中國本土實踐相結合，為能源轉型與工業自動化升級注入更強動力。