系统工程是一种跨学科的方法，它集成了多个领域的知识和技能，以确保系统的高效设计和开拓。
个中，基于自然措辞文档系统工程活动，例如用户的需求、设计方案等，称之为DBSE（Document-Based Systems Engineering）。
随着系统变得日益弘大和繁芜，研发节奏日益加快、任务日益艰巨，同时伴随信息技能的发展，MBSE方法逐渐发展起来。
有学者将MBSE定义为“利用模型来支持系统全体生命周期，也即从需求剖析、观点设计到验证和确认，直至系统退役的全体流程”。
相较于DBSE，MBSE利用数字建模和仿真来设计系统，并供应一种可视化的交互办法来表示系统组件及其之间的连接，可以以更直不雅观、全面的办法理解繁芜系统。

在过去十几年，MBSE发展迅速。
这是由于产品技能翻天覆地的变革使人们对产品性能的期待不断提升。
市场哀求企业以更快速、经济的办法推出更智能、安全、耐用、适应性强且可持续发展的产品。
特殊是在机电产品领域，如运输设备、航空航天、国防和汽车行业领域，由于产品的跨学科和繁芜性不断提高，企业、政府等机构在产品开拓与优化方面常常面临重大寻衅。
因此，许多机构加大投入，开拓MBSE。
例如美国NASA就利用MBSE处理不同系统间错综繁芜的交互，以仿照太空任务场景，从而降落太空探索风险；美国国防部利用MBSE来开拓防御系统；电信企业利用MBSE设计和管理繁芜的网络系统，帮助优化网络布局。

随着对MBSE利用率的增加，更多的人开始探索如何利用MBSE进行规模化、集成化的模型开拓，如何提升MBSE模型的适用范围，提升其利用效率和投资回报率。
针对这些问题人工智能技能的发展能够供应一个全新的办理方案。

随着MBSE的实践不断深入，越来越多的问题也暴露出来，阻碍了MBSE的发展。

一是前期投资困境。
MBSE须要大量的前期投资，但由于无法准确估计其投资回报率，导致资金召募困难。
二是缺少良好的工具方法帮助机构选择系统支配及投资策略。
三是实践中频繁变动的用户需求使清晰定义系统目标与范围（为什么做和做什么）变得困难。
四是机构职员缺少利用MBSE方法交付事情的能力。
五是在面临短期、低本钱或长期、高质量地开拓MBSE的选择中，管理者的决策偏差将降落MBSE效能。
六是建模方法对付MBSE至关主要，但是支撑这种方法须要的建模规则、指南、工具定制和培训材料难以得到。
七是短缺MBSE的培训工具、系统建模工具和其他工具（如，仿真）之间的集成方案。
八是短缺适当的模块化观点来定义模型，导致模型在不同场景的复用变得困难。
九是系统繁芜性会使MBSE现有的方法和工具达到极限。
十是现有的工具不能对软件的元素布局和图表视图进行建模，导致工程师对大模型理解变得更加繁芜，并且须要额外的事情来天生视图或报告。

AI4MBSE（AI for MBSE）也即人工智能和MBSE的结合。
其目的是通过整合人工智能技能来增强MBSE的能力，从而提高系统设计和开拓的效率和质量。
AI4MBSE框架旨在通过自动化和智能化的工具来支持系统工程师，使他们能有效应对MBSE的寻衅。
AI4MBSE的能力紧张包括以下几个关键领域：

能力一：赋能MBSE培训。
MBSE是跨学科的，并且广泛运用于各工业领域，这种跨学科的特性使得建立一个统一的MBSE教诲体系变得困难。
将人工智能技能融入MBSE教诲不仅可以提升培训效率，还可以为整合人工智能与MBSE的能力打下坚实根本。

能力二：自动化处理部分任务。
系统工程师的事情相对繁芜，须要多种技能、专业知识、直觉和灵感，以是将这些任务自动化并交给人工智能处理，可以使工程师专注于更主要的任务，例如涉及决策能力和创造力的任务。

能力三：人工智能风险处理。
AI4MBSE工具必须具有管理和掌握人工智能实行任务的能力，以便在涌现意外结果时立即做出反应。
尤其在初期学习阶段，人工智能犯错的概率会更大，以是须要人的辅导来帮助它们精确学习。

能力四：模型可视化。
现有MBSE工具仍旧过多地关注于建模措辞语法，例如SysML。
根据特定用户需求来调度模型视图的功能还非常有限。
尤其当模型非常大，须要展示成千上万的需求时，可视化就更加困难。
人工智能插件则可以用于赞助模型的可视化。

能力五：扩展MBSE建模方法。
在MBSE中，仅有工具和建模措辞并不敷以担保成功运用，还须要定义一个清晰的建模方法。
这须要在建模措辞、人工智能算法和图形可视化元素之间建立元模型的映射，在MBSE的建模方法中加入干系的人工智能开拓和支配步骤。

能力六：赞助数据查询。
AI4MBSE应供应有效的语义查询技能，以回答系统工程师关于模型内容的常见问题。
系统工程师的一个紧张任务是对数据进行查询，以便解答与数据完全性、质量、追踪性、变更剖析和验证干系的问题。
人工智能谈天机器人则可以很好地赞助工程师完成这项任务。

能力七：搭建通用的框架。
系统建模措辞本来是通用的，但目前机构仍方向于利用自己的定制系统建模措辞。
AI4MBSE该当有一个通用框架、术语以及基本关系帮助建模措辞与人工智能之间的映射，助力在各种工业运用中开拓通用的人工智能办理方案。

能力八：知识获取与整合。
AI4MBSE系统须要从领域专家那里提取知识，并整合到系统模型中。
传统方法依赖人工文档化专家知识，但这种方法每每无法完备捕捉所有知识。
人工智能可以通过向专家提出问题并网络答案来演习模型，模拟专家行为，还可以结合多位专家的决策，提高效率。

未来AI4MBSE紧张的研究方向紧张包括三个方面：一是适用性研究，这涉及与采取AI4MBSE的系统工程师等干系的人为成分。
目的是根据用户的实际体验和期望的反馈，改进和优化各种功能的履行方案。
二是可扩展性研究，虽然最初的实践是在轨道交通系统上进行的，但对付AI4MBSE来说，非常主要的一步是在其他工业领也进行测试和评估。
这样做可以帮助扩大其运用范围，并确保这种方法在不同行业中都能有效利用。
三是有效性研究，人们可能会关注采取AI4MBSE带来的详细成果和好处是什么。
因此，须要明确并评估投入的努力和所需资源的数量以及这些投入相对付得到的好处有多少。