维度网讯，博格华纳在2026年6月举办的MathWorks中国汽车年会上分享了一套基于机器学习的电机温度在线估算方法。该方法利用深度学习网络实时预测电机转子和定子的温度，目前已完成台架验证，后续将推进整车搭载测试。

借助AI进行工况预测已不是新技术，但一个现实问题始终存在：在Python环境完成训练的AI模型，如何可靠地部署到嵌入式平台？从模型集成到代码生成，从仿真验证到最终部署，每个环节都可能存在不确定性。这正是当前汽车行业嵌入式AI规模化落地的关键命题。

MathWorks中国汽车技术团队首席专家兼团队经理董淑成提到，MATLAB有130多个产品工具箱，用户受开发周期影响，实际利用并不充分。多数未被充分使用的工具箱存在专业门槛较高的问题，控制理论、最优化相关模块对使用者理论基础有一定要求。R2026a版本正在改变这一点。

2026年4月，MathWorks推出MATLAB与Simulink产品系列的2026a版本（R2026a），核心之一是Agentic AI驱动的工作流。依托MATLAB MCP Core Server，AI智能体可与MATLAB/Simulink完成交互，除输出优化建议外，还可执行代码生成、代码分析、模型创建与编辑等操作，形成生成式AI辅助设计与可验证计算的闭环链路。Agentic AI的作用在于工程师无需深入学习跨学科理论，即可通过自然语言调用高级工具箱，从而用起以前不敢用或不会用的功能。

MATLAB Agentic Toolkit和Simulink Agentic Toolkit向Coding Agent提供MATLAB与Simulink工作流及使用规范的专家级知识。二者结合后，生成式AI系统能够编写符合MATLAB/Simulink风格的代码、自动生成并运行测试、诊断和修复错误、更高效地利用MATLAB和Simulink的内置能力，还能在提升工程质量的基础上，减少不必要的Token开销。

MathWorks提供的方案覆盖从训练到部署的全链路可追溯、可验证流程。R2026a的工具链能力可以从三个层次来理解：算法开发与训练层提供完整的建模与训练环境，支持LSTM等网络结构的设计、超参数优化和训练过程管理；模型集成与仿真验证层中，Simulink提供直接导入训练好的神经网络模型的模块，允许在Simulink内仿真推理过程，R2026a版本还支持在模型中仿真C与C++代码，无语言限制也无需额外包装器；代码生成与嵌入式部署层中，仿真验证通过后的模型可原生生成C代码，部署到车规MCU。

三个层次形成完整闭环：从数据到模型，从模型到仿真验证，从验证到代码生成和部署，每一步都可追溯、可重复。但闭环不等于自动化。部署到MCU仍面临推理速度、内存占用等现实约束，网络压缩、剪枝、精度损失都是工程化过程中必须面对的权衡。

博格华纳（中国）研发有限公司PDS事业部系统架构经理张体环指出，电机转子在高速旋转状态下无法安装温度传感器，传统磁链法在低速小扭矩区域误差较大，热网络法则要求工程师具备深厚的电机结构和传热学等理论知识。

张体环表示，AI的价值在于用数据驱动替代复杂的物理建模，降低开发门槛。该项目遵循ASPICE 4.0的MLE过程组，通过MLE与SUP.11，将机器学习过程变成可评估、可验证、可追溯的工程活动，核心是降低过程控制不确定性，而非否认不确定性。从问题定义、性能要求、运行约束，到数据集准备、超参数优化，再到组件级测试、鲁棒性测试和最终台架及整车验证，每一步都有明确过程要求。MBD的工作流保证了从数据准备、网络设计和训练、Simulink环境下验证到C代码实现和部署全流程的可追溯性。

在张体环看来，技术复用价值更为关键：AI机器学习可实现知识迁移，不仅用于温度方面，未来还可迁移到位置传感器等更多领域。AI方法还能减少台架测试标定资源的使用，通过仿真和AI结合，在电机和电控平行开发模式下，不必等实体电机出来即可提前进行算法验证。

对处于竞争环境中的中国汽车产业链而言，MathWorks工具链的价值在于帮助Tier 1在快节奏开发中实现一次投入、多次复用的技术积累，持续摊薄开发成本。

从产业趋势看，2026年被业界称为智能体之年，端侧AI正在从云端走向物理世界。MathWorks的使命是加速工程和科学的步伐，而2026年的MathWorks中国汽车年会让这一使命成为正在发生的工程实践。