AI 时代为何更需要系统思维：IEEE 谈工程师角色的扩展

文章从现代工程项目人机协作的实际流程切入：工程师定义问题后，可让 AI 工具检索相关研究与技术标准、生成设计方案、在仿真中测试并比较结果，再把结果交给能判断 AI 无法判断之处的专家，例如设计能否安全建造、在特定场景是否合理、对用户有何影响。是否推进以及如何推进的最终决定仍由人承担。 文章强调，AI 并未削弱工程学科分工的必要性。电气、机械、土木、软件等领域仍需多年积累的深度知识，AI 只是让工程师更容易探索本专业之外的部分。以医疗设备为例，软件工程师可借 AI 查阅生物医学研究、理解陌生术语、分析数据并搭建早期模型，但这不使其成为医生或生物医学专家，只是让其在与专家合作前能提出更好的问题。能源、交通、制造等领域同理：工程师不必精通每个领域，而要识别问题需要哪些专业能力，并把合适的人与工具聚到一起。 由此，系统思维变得尤为关键——看清各部分如何相互影响、识别约束与失效点、做出权衡。AI 还带来新的分工问题：哪些工作交给 AI、哪些必须由人核查、何时应由专家决策、何时需要重新定义问题。文章提醒，AI 在假设薄弱时也能给出有说服力的答案，可能生成在一个测试中可用、在另一个测试中失败的代码，或在不理解哪些证据最强的情况下总结研究，这些局限反而抬高了人类专业判断的重要性。 文章认为 IEEE 可在两方面发挥作用：一是围绕需要多领域协作的问题建立社区，如可信临床 AI、韧性基础设施、能源可靠性、科学发现、安全自主系统；二是为人机协作制定实用标准，明确 AI 生成工作何时必须核查、不确定性如何记录、何时须由专家决策、人机混合系统的责任归属。文章最后提出“unbound”工程师的概念：边界更易跨越、机器承担更多技术工作，但工程的核心仍是人——决定什么问题值得解决、什么证据足够、各部分如何拼合，以及答案不确定时该怎么做。