在前不久举办的2026中国汽车论坛人才专场上，中国人才研究会汽车人才专业委员会秘书长李喆乐透露了一组关键数据：国内汽车研发人员达93.8万人，东部地区智能网联研发岗位中软件工程师占比已达七成。

与此同时，我国节能与新能源汽车人才缺口达百万，智驾工程师供需比仅0.38。李喆乐直言：“AI已全面融入汽车全产业链，重复机械的工作内容将逐步被工具承接。汽车行业不会淘汰某一专业，但将淘汰停止进化的人才。”

AI建模、自动生成代码的能力持续迭代，已深度嵌入整车研发、仿真测试、系统开发的完整工作流。行业开始频繁讨论，AI是否会逐步替代汽车工程师？AI浪潮之下，汽车工程师的真正价值是什么，行业到底需要什么样的工程人才？

必须守住决策与责任边界

随着电动化、智能化不断演进，“软件定义汽车”已落地产业，AI不再只是普通辅助工具，而是正在重构研发全链条作业模式。

MathWorks中国区汽车行业经理周斌认为，AI正在从工具辅助走向流程重构，对汽车整车研发的影响主要体现在三个层面：第一，在概念设计和系统架构阶段，AI可以帮助工程师快速分析需求、生成候选方案、识别设计约束，并与模型化需求、系统架构和仿真模型联动，提升早期方案评估效率；第二，在仿真测试阶段，AI可用于自动生成测试场景、优化仿真组合、分析试验数据和发现边界工况，使虚拟验证覆盖更多复杂交通、环境和失效场景；第三，在系统开发阶段，AI能够辅助建模、代码生成、模型解释、缺陷定位和文档生成，但其价值必须与模型化设计、需求追踪、验证确认和安全合规流程深度结合起来。

AI显著提升了研发效率，但汽车行业需要的是“AI+可信的工程工具”，把AI嵌入从需求、架构、模型、仿真、代码到测试闭环的工程工作流中，让研发更快、更可追溯、更可信，而不是单纯依赖大模型直接生成最终结果。

不少从业者的焦虑，源于将AI与工程师看作零和替代关系。现实中，AI擅长承接模式化、重复性劳动，生成初始模型、补齐代码片段、整理测试用例、梳理项目文档都可以交由AI完成。但汽车工程属于高度复杂的系统工程，牵扯行车安全、法规、成本、供应链等多重现实约束，绝非单纯的代码生成工作。

“AI不会简单替代汽车工程师，但会显著改变工作方式和能力边界。汽车工程不是单一的文本生成或代码生成问题，而是涉及安全、实时性、可靠性、法规、成本、供应链和用户体验的复杂系统工程。”周斌这样定义二者的边界，“AI可以承担大量重复性、模式化和知识检索类工作，但是否满足需求、是否符合物理规律、是否能够通过安全验证、是否可以量产交付，仍需工程师作判断。”

在周斌看来，AI与工程师的边界在于：AI擅长提高生成和探索效率，工程师负责定义问题、建立约束、验证结果、承担责任。未来被替代的不是工程师这个角色，而是不具备系统理解、工程判断和验证意识的低效工作方式。

教育体系遭遇现实错位

当建模、编程、文档撰写等传统基本功可以被AI高效完成，高校人才培养的核心目标需要重新校准。产业用人需求已经迭代，但不少高校教学体系仍沿用旧有能力框架，人才供给与产业需求的错位愈发突出。

MathWorks中国区教育行业经理李庆节表示：“AI降低的是实现成本，但它并没有回答要解决什么问题，为什么这样设计，如何验证结果，怎样承担责任，以及最终创造什么价值？这些问题依然属于工程，工程师对此有不可替代的能力。所以，高校人才培养的核心目标依然应围绕工程的核心能力，并持续加强。”

李庆节介绍称，有五类核心能力很难被AI消解。一是科学与工程基础，数学、物理、控制理论、动力学等是理解工程问题的底层语言，AI可以输出答案，却无法甄别结果是否符合客观物理规律；二是系统思维，现代汽车融合机械、电气、软件、能源多领域，工程师不能只聚焦局部零部件，要理解模块耦合关系，看清局部优化带来的整车连锁影响；三是建模能力，工程本质是对现实世界做抽象，学生要明白模型背后的假设、适用范围与局限，不能直接照搬AI产出模型；四是验证能力，AI擅长生成方案，工程师面临的将是“验证负债”，而工程师的核心价值就落在验证环节上，需要设计试验、挖掘边界工况，证明系统满足安全性能指标；五是工程判断与责任意识，在多套技术方案之间权衡取舍，对工程结果承担责任。驾驭AI只是附加能力，重点不在于提示词技巧，而是借助AI拓展方案空间，守住独立工程判断。

未来的工程师需要面对的是在其指令下干活的Agent，必须将自己的知识、经验、期待清晰地“编码”给Agent。

产业诉求与现有培养模式形成了一些错位。在李庆节看来，首先是知识导向与系统导向的错位。企业越来越需要能够理解整车系统架构、跨域协同和复杂系统集成的工程师，而高校培养往往仍以课程和专业边界为中心，学生擅长解决局部问题，却缺少从需求到验证的整体视角。

其次是编程能力与工程能力的错位。过去企业更多关注学生是否会编程、会使用工具，而AI正在快速降低代码生成门槛。企业更看重的是学生是否理解物理规律、控制原理和系统行为，是否能够判断生成的结果是否正确、可靠、安全。

第三是知识学习与工程实践的错位。很多学生完成了大量课程实验，却缺少真实工程项目训练，对于需求分解、架构设计、模型构建、测试验证和版本管理等工业流程缺乏理解。

第四是结果导向与验证导向的错位。在考试评价体系下，学生习惯关注答案是否正确；而在汽车产业中，更重要的问题是：结果为什么可信、边界条件是什么、风险在哪里、如何证明系统满足安全要求。

专业改革不能只是简单叠加几门AI课程，核心在于将培养目标从知识掌握转向能力形成，课程打破传统学科壁垒，围绕整车工程场景组织教学；教学模式从单向知识讲授，转向引导学生搭建完整系统；AI从学习对象转变为学习工具，辅助理解理论，而不是替代思考。评价体系也要革新，不只看最终结果，更要考察设计依据、风险识别及AI发挥的作用。

“驾驭AI是一种能力载体，而系统思维和工程判断才是能力本身。”李庆节直言，真正优秀的学生不是AI使用最熟练的人，而是清楚AI何时可信、何时需要质疑的人。

培养驾驭AI的系统工程师

高校学生接触的多是碎片化试验，企业工程师面对的是从需求定义、系统设计、建模仿真、测试验证到部署交付的完整工程闭环。产教融合的关键，不是简单搬运企业案例进课堂，而是把产业真实工程工作流引入人才培养体系。

一个可落地的方向是建设项目驱动式课程体系，例如围绕电驱系统、热管理、ADAS、自动驾驶感知与控制、整车能耗优化等主题，由车企提供工程背景和需求，高校组织学生使用MATLAB、Simulink、Stateflow、Simscape等平台完成模型构建、控制设计、仿真分析和验证。

第二个方向是建设虚拟仿真实验和数字工程实践平台，让学生通过虚拟车辆、动力总成、电池、热管理、自动驾驶场景等仿真平台，在数字世界中反复试错、优化和验证。

第三个方向是探索AI+工程实践的新模式，学生可以用AI做需求分析和方案探索，用MATLAB/Simulink建模与仿真，用Agentic Toolkit辅助代码、模型和测试，再用Simulink Test或MATLAB测试框架验证结果。

第四个方向是产学联合实验室和挑战项目，让学生更早理解产业工具链、开发规范和工程质量要求。

第五个方向是推动工程教育评价体系改革。评价方式应从传统考试逐步转向工程证据评价，重点审核模型合理性、假设清晰度、验证充分度、风险识别以及AI使用透明度。

“工程为体，AI为用”是李庆节与周斌共同提出的培养理念。AI改变工程实现手段，但工程的本质没有改变。夯实工程基础，强化模型化与系统思维，将AI嵌入完整工程闭环，在校园建立“验证优先”的工程文化，认清AI生成方案只是起点，验证、风险研判、工程决策才是工程师的核心价值。

展望未来，周斌描绘了AI时代卓越汽车工程师的画像——能够驾驭AI的系统工程师。他们需要具备四类核心特征：第一，问题定义能力，能够把复杂产业问题转化为清晰需求、系统边界和可验证目标；第二，系统建模能力，理解车辆不是单一算法或代码，而是机械、电气、软件、控制、传感、能源和用户体验共同作用的复杂系统；第三，AI组织能力，能够通过AI智能体、专业工具链和自动化流程组织工程活动；第四，验证与责任能力，知道结果为什么可信、风险在哪里、边界在哪里，并愿意对最终工程结果负责。

未来的卓越汽车工程师不是被AI替代的人，而是能够把AI转化为工程生产力，并对最终工程结果负责的人。源源不断的复合型人才供给，才能化解行业人才结构性缺口，支撑智能汽车产业持续向前。