Американская компания MathWorks представила инструментарий Agentic AI R2026a на Китайской автомобильной конференции 2026 года

Репортаж от Wedoany，Компания BorgWarner на Китайской автомобильной конференции MathWorks, прошедшей в июне 2026 года, представила метод онлайн-оценки температуры электродвигателя на основе машинного обучения. Этот метод использует сети глубокого обучения для прогнозирования температуры ротора и статора двигателя в реальном времени. В настоящее время метод прошел стендовую верификацию, и в дальнейшем планируется проведение испытаний на автомобиле.

Использование ИИ для прогнозирования рабочих режимов уже не является новой технологией, однако существует реальная проблема: как надежно развернуть модель ИИ, обученную в среде Python, на встраиваемой платформе? От интеграции модели до генерации кода, от имитационной верификации до финального развертывания — на каждом этапе могут возникать неопределенности. Это и есть ключевая задача для масштабного внедрения встраиваемого ИИ в современной автомобильной промышленности.

Шучэн Дун, главный эксперт и руководитель команды китайского автомобильного технического отдела MathWorks, отметил, что MATLAB включает более 130 продуктовых наборов инструментов, но пользователи, ограниченные сроками разработки, используют их не в полной мере. Большинство редко используемых наборов инструментов имеют высокий профессиональный порог: модули, связанные с теорией управления и оптимизацией, требуют определенной теоретической базы от пользователя. Версия R2026a призвана изменить эту ситуацию.

В апреле 2026 года MathWorks выпустила версию 2026a (R2026a) линейки продуктов MATLAB и Simulink, ключевой особенностью которой стал рабочий процесс на основе Agentic AI. Благодаря серверу MATLAB MCP Core, ИИ-агент может взаимодействовать с MATLAB/Simulink, не только выдавая рекомендации по оптимизации, но и выполняя такие операции, как генерация кода, анализ кода, создание и редактирование моделей, формируя замкнутый цикл генеративного ИИ для проектирования и верифицируемых вычислений. Роль Agentic AI заключается в том, что инженерам больше не нужно глубоко изучать междисциплинарные теории — они могут вызывать расширенные наборы инструментов с помощью естественного языка, используя функции, которые ранее были недоступны или непонятны.

Наборы инструментов MATLAB Agentic Toolkit и Simulink Agentic Toolkit предоставляют Coding Agent экспертные знания о рабочих процессах и стандартах использования MATLAB и Simulink. В сочетании они позволяют генеративной системе ИИ писать код в стиле MATLAB/Simulink, автоматически создавать и запускать тесты, диагностировать и исправлять ошибки, более эффективно использовать встроенные возможности MATLAB и Simulink, а также сокращать ненужные затраты токенов, повышая качество разработки.

Решение, предлагаемое MathWorks, охватывает полностью прослеживаемый и верифицируемый процесс от обучения до развертывания. Возможности инструментария R2026a можно рассматривать на трех уровнях: уровень разработки и обучения алгоритмов предоставляет полную среду для моделирования и обучения, поддерживая проектирование таких сетевых архитектур, как LSTM, оптимизацию гиперпараметров и управление процессом обучения; на уровне интеграции моделей и имитационной верификации Simulink предлагает блоки для прямого импорта обученных моделей нейронных сетей, позволяя имитировать процесс вывода внутри Simulink. Версия R2026a также поддерживает имитацию кода на C и C++ в моделях без языковых ограничений и без необходимости в дополнительных обертках; на уровне генерации кода и встраиваемого развертывания модели, прошедшие имитационную верификацию, могут нативно генерировать код на C для развертывания на автомобильных MCU.

Эти три уровня образуют полный замкнутый цикл: от данных к модели, от модели к имитационной верификации, от верификации к генерации кода и развертыванию — каждый шаг прослеживаем и воспроизводим. Однако замкнутый цикл не означает автоматизацию. Развертывание на MCU по-прежнему сталкивается с реальными ограничениями, такими как скорость вывода и объем памяти. Сжатие сети, обрезка и потеря точности — это компромиссы, с которыми необходимо считаться в процессе инженерии.

Тихуань Чжан, руководитель отдела системной архитектуры подразделения PDS компании BorgWarner (Китай) R&D Co., Ltd., отметил, что на ротор электродвигателя, вращающийся на высокой скорости, невозможно установить датчик температуры. Традиционный метод магнитного потока имеет большую погрешность в зоне низких скоростей и малых крутящих моментов, а метод тепловых сетей требует от инженеров глубоких знаний в области конструкции двигателей и теплопередачи.

Тихуань Чжан отметил, что ценность ИИ заключается в замене сложного физического моделирования на подход, основанный на данных, что снижает порог входа в разработку. Данный проект следует группе процессов MLE стандарта ASPICE 4.0. Через MLE и SUP.11 процесс машинного обучения превращается в оцениваемую, верифицируемую и прослеживаемую инженерную деятельность, основная цель которой — снижение неопределенности управления процессом, а не отрицание неопределенности. От определения задачи, требований к производительности и эксплуатационных ограничений до подготовки набора данных, оптимизации гиперпараметров, а затем до компонентного тестирования, тестирования на робастность и финальной стендовой и автомобильной верификации — каждый шаг имеет четкие процессные требования. Рабочий процесс MBD обеспечивает полную прослеживаемость всего процесса: от подготовки данных, проектирования и обучения сети, верификации в среде Simulink до генерации кода на C и развертывания.

По мнению Тихуаня Чжана, ключевое значение имеет ценность повторного использования технологии: машинное обучение на основе ИИ позволяет осуществлять перенос знаний, применимый не только в области температуры, но и в будущем, например, в области датчиков положения и других сферах. Методы ИИ также позволяют сократить использование ресурсов для стендовых испытаний и калибровки. Сочетание имитации и ИИ в параллельном режиме разработки двигателя и системы управления позволяет проводить предварительную верификацию алгоритмов, не дожидаясь появления физического двигателя.

Для китайской автомобильной промышленной цепочки, работающей в условиях конкуренции, ценность инструментария MathWorks заключается в том, чтобы помочь Tier 1 в быстром темпе разработки добиться однократных вложений и многократного повторного использования технологий, постоянно снижая затраты на разработку.

С точки зрения отраслевых тенденций, 2026 год называют годом агентов. Периферийный ИИ переходит из облака в физический мир. Миссия MathWorks — ускорять темпы развития инженерии и науки, и Китайская автомобильная конференция MathWorks 2026 года превращает эту миссию в реальную инженерную практику.