桌面
添加运营动脉到电脑桌面
安装后将用独立窗口打开,并可在电脑桌面快捷访问
足迹
浏览记录
加载中...
查看更多

生成式AI怎么缩短工程开发?五个步骤与77%的提效

作者:橙心橙意 2026-11-22 11:31 2
广告

本文解读:《AI驱动工程开发和预测功能协同》 · 共 29 页 · 原文

这份材料的价值在于把生成式AI在汽车工程里的落点讲得具体:不是泛泛谈提效,而是指出哪几个步骤能交给智能体,各自的投入产出比是多少。

《生成式AI驱动的工程开发 数字孪生与预测功能》共29页,是FEV中国总监啜韦伟2026年7月9日在南通TMC年会上的演讲材料,分三块:GenAI Hub支持的工程开发、AI数字孪生与GenAISys、数据驱动与预测性功能。

它先给背景:FEV在AI领域有20多年开发经验,自2022年起专门投入生成式AI,内部评估的使用场景超过100个,覆盖完整产品开发流程。

再看两组投入产出:需求评审节省时间约77%,约30个工作日实现,首个约10万条需求规格即达盈亏平衡;测试用例生成节省时间与成本约80%,同样约30个工作日,约850份测试规格后平衡。

它真正的主张是:AI不是加在流程外面的一层工具,而是要把工程步骤拆细到每个智能体都能接手。

65405 报告封面

图源:《AI驱动工程开发和预测功能协同》(第1页)

三块议程

图源:《AI驱动工程开发和预测功能协同》(第2页)

一、这份29页讲了什么:三块版图

三块内容层层递进,从工具到平台再到数据。第一块是GenAI Hub支持的工程开发,重点落在需求工程与测试验证这些具体步骤上。

第二块是AI数字孪生与GenAISys,讲怎么用生成式AI加快概念设计,把系统设计与控制策略一起优化。第三块是数据驱动与预测性功能,讲网联车辆数据怎么变成电池寿命预测、续航预测这类能力。

三块的共同前提是同一个云端平台。它不是给某个部门做的工具,而是要把AI嵌进既有工作流。

三块内容其实是同一条链:需求进得准,系统才设计得快,数据才预测得稳。

先看清版图,再看细节,不容易被单个案例的数字带走。

AI四层定义与案例

图源:《AI驱动工程开发和预测功能协同》(第3页)

二、20年积累:生成式AI站在哪一层

材料用一张图把AI、机器学习、深度学习、生成式AI四层关系摆清楚了。人工智能是机器模仿人类逻辑思维、学习、规划和创造等能力的总称。机器学习是主流构建方法,靠统计或数值方法从经验数据里学。

深度学习是机器学习的分支,用多层神经网络建模;生成式AI则是能生成文本或代码等新内容的分支。机器学习层面的案例是预测性维护、控制单元中复杂系统建模、测试与仿真数据分析。

生成式AI层面是支持系统工程、需求工程与软件开发的智能体网络。分层的意思是:不同问题该用不同方法,不是一律上大模型。

把方法选对,比把模型换大更省钱。

工程运营转型对照

图源:《AI驱动工程开发和预测功能协同》(第4页)

三、V模型转型:从手工工作流到人机协同

传统模式是手工工作流加重复性工程任务,比如一轮轮的优化循环,系统工程方法本身还可能带来额外工作量。新模式有三条特征:工程师聚焦价值创造与问题解决;自动化工作流带人工监督;系统工程实现可追溯性。

智能体AI工作流贯穿开发周期七个环节:需求、系统设计、详细设计、实现、验证、集成、确认,也就是V模型两侧。转型目标被归成三条:质量上做出更高品质的最终产品,速度上用更短时间交付,匹配度上覆盖更多设计变体。

最容易被低估的是最后一条。优化循环一旦能自动化,可探索的设计变体数量就会成倍增加。

人机协同的分界线很清楚:判断和取舍留给人,重复的生成、比对与验证交给机器。

分界线划清了,转型才不会变成把责任也一起交出去。

AI框架与100+场景

图源:《AI驱动工程开发和预测功能协同》(第5页)

四、100+场景的前提:八个要素与一个平台

材料强调必须以整体视角考虑AI,否则单点工具发挥不出潜力。它给了一个AI框架,八个要素:战略对齐、人才与技能、组织文化、用例识别、数据基础、风险管理与信息安全、技术基础设施、法律考量。

用例那头有三条落点:AI辅助生成、优化和分析需求,覆盖各层级;AI支持加速设计迭代;AI辅助自动化测试与标定流程。平台侧是GenAI Hub,部署在FEV云中,核心承担四件事:中央网络安全、数据管理、用户与访问管理、成本管理。

外部能力通过云服务接入:大语言模型、Web搜索引擎、向量数据库、仿真软件API、文档智能、OCR与图像识别。

八个要素里六个是组织和制度问题,这也是同类项目失败率高的真实原因。

外部模型换得快,平台把这层隔开,工程侧就不用跟着一起换。

GenAI Hub 结构

图源:《AI驱动工程开发和预测功能协同》(第6页)

五、Hub怎么用:五类用户与五个工程领域

这个平台不是只给工程师用的,它按用户群和工程领域切了两层。用户群有五类:通用、工程、项目管理、销售与市场、财务与资金。同一套底座,不同入口。

工程领域有五块:方法与流程工具、功能开发、需求工程、测试与验证、项目工具。方法与流程工具做知识库与培训生成,功能开发做软件文档与代码评审,测试与验证支持智能生成用例,项目工具对接既有系统。

这套切法的好处是把AI能力挂在既有流程上,而不是另起一套让人去适应。接口贴着流程走,落地的阻力才小。

需求工程四步与AI功能

图源:《AI驱动工程开发和预测功能协同》(第7页)

六、需求工程:拆到智能体能接手的粒度

需求工程被拆成四步:需求生成、需求分析、需求评审、变更管理。需求生成是从不同来源生成需求,需求分析是分析需求库并提取信息,需求评审是评审并自动修正需求库。

材料把需求评审单独点出来:它只是可使用基于大模型的智能体自动化的多个步骤之一。底下还有一层更细的AI功能:从法规和标准生成需求、从已有系统生成需求、可追溯性检查、与需求进行AI对话。

也有AI需求对比、系统模型创建、术语表创建、需求集评审、多层影响分析与自动修正,合计二十来个。它也承认一个挑战是颗粒化:必须把流程拆成各智能体能接管的细粒度步骤。

这份报告的原文件,连同可对照的原始图表,都放在运营动脉(www.yydm.cn)上,随时能翻。

对着原文的图表再过一遍,比只看二手转述踏实,也不容易被断章取义的说法带偏。

二是信息输入:必须给每个智能体提供正确且必要的信息。

拆不细、喂不准,智能体就只能给回一些正确但没法用的建议。

这两条挑战,任何行业做智能体落地都会撞上。

法规分析流程

图源:《AI驱动工程开发和预测功能协同》(第8页)

七、法规分析:文件怎么变成需求库

法规分析是这条线上最实用的功能:把法规文件自动转成结构化需求。第一步是文档分解。文档被拆成章节、段落、图表和表格,以及这些内容的自然语言描述与引用元素。

第二步是上下文组成。利用每个段落及其相关参考的层级结构,为段落创建特定上下文。第三步是需求生成与分类。最终需求按兴趣系统、适用性等属性分类,用来丰富需求数据库。

整套流程的价值在于可追溯:每条需求都能回到原文的章节和段落,评审时不必再翻原始文件。对做合规的人来说,省下的不只是时间,还有解释成本。

两个用例的回报

图源:《AI驱动工程开发和预测功能协同》(第9页)

八、两组回报:77%与80%,平衡点在哪

材料给的投入产出是全文最硬的部分,两个用例都来自概念验证。需求评审对应V模型左侧,节省时间约77%,这是概念验证估算值。它可自动检查遗留需求的一致性并提出改进建议。

投资回报是约30个工作日完成实现,首个约10万条需求规格即可达到盈亏平衡。测试用例生成对应V模型右侧,节省时间与成本约80%,这是概念验证对比计划的数字。

它基于规范化需求自动生成测试用例规格,价值是释放工程时间去寻找测试协同、降低整体测试工作量。投资回报同样约30个工作日,约850份测试规格后平衡。规格量越大,回收越快。

另有两个项目级数字:亚洲一级供应商的概念阶段周期缩短40%、工程成本最高降低25%。

77%和80%是单步任务的效率,40%和25%才是项目层面的结果,两类数字不能混着看。

看清口径,比记住数字更重要。

封面:出行与能源系统

图源:《AI驱动工程开发和预测功能协同》(第1页)

九、数字孪生与GenAISys:五步与两个项目

第三块讲系统级能力。数字孪生按范围分四级:部件孪生、资产孪生、流程孪生、系统孪生。部件孪生是单个部件的数字副本,资产孪生扩展到完整资产的全尺度表示,流程孪生建模完整运营流程。

对象覆盖车辆、动力总成、发动机、燃料电池、电池和电机,方法上是详细物理模型加数据驱动模型,再用AI预测性能。材料给的理由很直接:系统复杂度已经超过人工工程能力,特征组合与参数集一多,传统流程保证不了真正的优化。

GenAISys把多智能体生成式AI与嵌套贝叶斯优化、模型预测控制结合,走五步:用例与优化目标定义、生成式AI架构建议、数字孪生识别、嵌套协同优化、结果分析。

内循环优化控制策略,外循环优化系统与部件的尺寸参数,同步收敛。收益写的是全局最优、速度、复用企业IP与孪生仿真有效性。

项目侧,欧洲OEM的重型纯电项目覆盖12.5到40吨,做出双电机两挡电驱桥,8种驱动与回收状态。结果:56,150 Nm峰值轮端扭矩(+2%)、381 kW持续功率、536 kW峰值功率,能耗约109.7 kWh/100km(40吨,-9%);预测巡航控制再降约2.6%到3.4%;磁体质量6.2降到4.98 kg。

数据侧它引了麦肯锡2021年的判断:网联新车占比从2020年约50%升到2030年预测95%,每车每天产生1到2 TB原始数据。预测功能框架三步:多源数据融合、定义边界的预测模型、优化与实现,落到信号灯与车速曲线预测等用例。

需要提醒材料性质:这是供应商自己的演讲,77%与80%都标注了概念验证,40%与25%来自单个客户项目,样本与口径都没公开。

这些数字适合判断方向与量级,不适合直接搬进自己的投资测算。

先挑一条自己流程里最痛的步骤,做一次小规模验证再谈推广。

2026-FEV-AI驱动工程开发和预测功能协同-27页
© b y F E V – a l l r i g h t s r e s e r v e d . C o n f i d e n t i a lA致T MC啜韦伟,F E V 中国南通, 2 0 2 6 年7 月9 日生成式A I 驱动的工程开发数字孪生与预测功能© b y F E V – a l l r i g h t s r e s e r v e d . C o n f i d e n t...
29 页 10 次下载 5.99 MB
广告

声明:除非特别标注,否则均为本站原创文章,转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益,可联系本站删除。

确认删除?
会员
教程
联系
  • 站长微信
顶部