未来几年，人工智能与无线通信技术的持续演进，正推动工程领域多个关键环节发生深刻变化。从工程工作流到网络架构，再到嵌入式系统与仿真方法，相关技术正在重塑工程师设计、连接和管理复杂系统的方式。

其中，Agentic AI与标准化协议的结合，正推动工程工作流走向自动化；非地面网络（NTN）与地面网络（TN）融合的混合架构开始加快落地；而面向嵌入式系统和建模仿真的新一代AI技术，也在持续提升开发效率与系统性能。

Agentic AI与MCP重塑工程工作流

在工程领域，AI的下一阶段正被概括为Agentic AI。与主要依赖内部知识进行回答的大语言模型（LLM）不同，Agentic AI不仅能补充获取外部信息，还能调用工具执行自动化任务。系统可根据用户需求选择合适工具，整理输入输出数据并处理执行结果，从而完成文件创建与修改、代码运行、故障排查等操作，进一步拓展AI在工程场景中的应用边界。

随着开发者推动Agentic AI更安全地进入生产环境，其能力也在不断增强。目前，这类系统在工具数量相对有限的情况下表现更稳定，但相关研究正在持续提升其工具选择与调用能力。与此同时，当系统被赋予文件系统、数据库及代码执行等权限后，如何保障其在软件开发任务中的安全性，已成为更重要的议题。尽管LLM仍可能出现误判或错误，但业界正围绕风险控制、可控性和可信度展开研究，为Agentic AI更广泛的产业应用打基础。

要让AI代理稳定运行，关键在于建立可靠的信息理解与交换机制。模型上下文协议（MCP，Model Context Protocol）正是在这一背景下受到关注。MCP通过统一工具、数据和提示词在各组件之间的共享方式，实现通信和上下文的标准化，从而降低误解风险，提升工具之间以及团队之间的协同效率。借助MCP，工程师可以在多个已集成的工具之间灵活组合，针对不同问题搭建更合适的工具链。

当AI代理与MCP结合后，工程模型将能够跨越软件边界乃至组织边界被解释、调用和操作。这意味着工程师可以更高效地提出设计备选方案、组织仿真流程，并根据项目目标和行业标准动态调整工作流。随着相关技术逐步成熟，工程人员有望把更多时间从工具切换和数据管理中释放出来，转向更具创造性的复杂问题求解。

混合NTN-TN网络将在2026年加速推进

随着NTN进入更大规模部署阶段，其对TN基础设施的补充作用正逐步在实际场景中显现。3GPP Release 17围绕可靠性、时延等关键指标建立了基础规范，为NTN与TN互操作提供了标准依据；Release 18则进一步支持NTN-IoT和高频段应用，为可扩展的高吞吐网络架构奠定基础。对无线工程师而言，这也带来了卫星直连蜂窝网络以及网络协同设计方面的新挑战。

从定位来看，NTN并不是要取代TN，而是与后者形成互补，共同构建下一代全球无线连接的混合生态。当前无线工程的一大核心难点，在于如何保障卫星链路与地面链路之间的稳定切换。切换管理与资源调度将直接影响整体系统表现，因此，NTN与TN之间的互操作能力被视为关键。对于射频行业来说，混合网络的兴起也意味着市场对能够适应复杂无线环境的灵活多频段收发器，以及更强信道建模能力的需求正在上升。

AI推动复杂嵌入式系统升级

AI对嵌入式软件的影响正在明显加速。过去，复杂嵌入式系统更多依赖基于规则的逻辑和人工调参算法；如今，行业正逐步转向将更高级的AI模型直接部署到微控制器、FPGA、GPU和NPU之上。这一趋势将帮助边缘设备在本地做出更快、更智能的决策，减少对云端连接的依赖，同时提升系统韧性。

支撑嵌入式AI落地的关键技术，主要包括模型压缩、自动代码生成和系统级模型测试。结构化压缩方法，如剪枝（pruning）和投影（projection），以及量化（quantization）等数据类型压缩方法，都有助于提升复杂模型在边缘设备上的运行效率。自动代码生成工具则可将压缩后的AI模型转换为针对具体平台优化的C/C++代码。系统级模型测试的作用，在于验证模型在完成压缩并部署到完整嵌入式系统后，是否仍能保持稳定运行、功能正确以及符合真实运行要求，从而帮助工程师更快完成从概念验证到实际部署的过渡。

虚拟传感（virtual sensing）已成为嵌入式AI的重要应用方向之一。借助AI模型，工程师可以根据其他传感器数据推断那些难以直接测量、或测量成本较高的物理量，在兼顾准确性和可靠性的同时，提高监测效率并减少额外硬件传感器的需求。以Mercedes-Benz为例，该公司已引入嵌入式AI，开发基于深度学习的实时质量流量估算虚拟传感器，并将其直接部署到ECU中。随着虚拟传感技术继续演进，更多嵌入式应用有望在降低成本和系统复杂度的同时，获得更智能、更快速的响应能力。

AI ROM推动仿真与设计流程升级

随着工程问题的规模和复杂度持续上升，AI驱动的降阶建模（ROM，Reduced Order Modeling）预计将得到更广泛应用。AI ROM正在帮助工程师缩小高精度第一性原理仿真与快速设计探索、优化以及实时仿真之间的差距，让模型同时兼顾计算效率和预测能力。

其核心思路是利用计算成本更低的神经网络或其他AI架构，捕捉复杂物理系统中的关键动力学特征，从而简化高复杂度模型，加快仿真和优化速度，并支持复杂系统的实时分析。当前，AI ROM大致可分为两类：一类是完全基于高精度仿真模型输入输出数据训练得到的纯黑箱模型；另一类则是融入工程物理知识的混合物理信息机器学习模型。后者通常对训练数据需求更低，能够减少昂贵的全阶模型（full-order model）仿真次数，并具备更强的泛化能力，可在不同输入信号和参数条件下给出更可靠的预测结果。

AI ROM的应用前景正在向多个行业扩展。在汽车工程领域，ROM可用于优化充电策略、延长电池寿命，并增强电动汽车和混合动力汽车的安全功能。通过捕捉电化学动力学，AI模型还可提升电池管理系统（BMS）性能，并帮助控制系统工程师开展更快速的系统级仿真，以验证BMS逻辑。

在航空航天领域，AI ROM可用于预测飞行过程中的气动力和结构响应，在降低计算需求的同时支持实时仿真，进而服务于更轻、更高效的飞机设计，并在减少风洞试验的情况下加快材料性能测试。能源领域同样是重要应用场景。ROM可用于预测设备性能和系统行为，服务于电网稳定和预测性维护，并进一步用于识别变压器、涡轮等关键部件的潜在故障风险。

生成式AI推动无线信道建模升级

在无线工程领域，工程师正尝试将LLM引入工作流和设计环节，以获得更强的情境感知决策能力，并简化复杂无线环境下的管理流程。

无线信道建模被视为LLM与无线系统融合的重要切入点之一。过去，信道建模往往被视为扩展性有限的辅助能力；但随着多用户MIMO（Multiple Input Multiple Output）和波束成形系统的重要性上升，准确的信道建模已成为系统设计不可或缺的一环。生成式AI有望帮助工程师构建过去难以实现的复杂场景，并生成更贴近真实环境、更具实用价值的信道模型。

不过，LLM目前仍难以直接控制波束转向（beam steering）等物理层功能，但可为射频动作提供更高层级的决策支持。短期来看，相关部署仍会受到功耗和算力限制；但随着轻量化生成式AI模型以及AI原生架构研究不断推进，其在边缘侧落地的可行性有望持续提升。对于无线系统设计者而言，这意味着未来需要进一步打通物理层性能与AI驱动编排、决策之间的协同关系。