现代工程项目越来越多地将人类判断与机器能力相结合。工程师可以定义一个问题，然后让人工智能工具搜索相关研究和技术标准、生成设计方案、在仿真中测试这些方案并比较结果。随后，工程师可以将结果提交给专家，由他们判断AI无法自行判断的部分，例如某项设计能否安全建造、在特定场景中是否合理，或者可能对用户产生何种影响。关于是否推进以及如何推进的最终决定，仍然由人类负责。

AI可以帮助工程师完成早期项目步骤，而这些步骤过去需要多名具备不同技术技能的人员共同完成。因此，工程师的角色正从执行每一个技术步骤，扩展为决定人员、机器和专家知识应如何在项目中协同工作。

问题本身，而非头衔

工程学一直按学科划分，而且有充分理由。电气、机械、土木、软件及其他工程领域都需要多年积累的深厚知识。AI并不能取代这种需求，它只是改变了工程师探索自身专业之外问题部分的难易程度。

设想一位从事医疗设备工作的软件工程师。AI可以帮助该工程师查阅相关生物医学研究、理解陌生术语、分析数据并构建早期模型。

这并不会使该工程师成为医生或生物医学专家，但能让他/她在与专家合作之前提出更好的问题。

能源、交通、制造以及许多其他领域也是如此。一个问题可能起初是软件问题，随后很快涉及硬件、安全措施、经济性、人类行为和法规。

工程师不需要精通每个领域；他们需要识别问题需要哪些专业知识，并将合适的人员和工具汇聚在一起。

系统思维的重要性

因此，系统思维变得尤为重要。它要求审视整个问题：理解各部分如何相互影响，识别约束条件和故障点，并做出权衡。

AI为这一过程增添了新要素。工程师不仅必须决定技术部分如何组合，还必须决定将哪些工作交给AI、哪些必须由人检查、何时应由专家做出决定，以及何时需要重新定义问题。

工程师的价值不在于无所不知，而在于知道如何界定问题、如何提出正确的问题、如何检验答案，以及何时必须由另一位专家来主导项目。

这一点至关重要，因为工程中的技术挑战很少是静态的。随着新见解的出现，目标可能会发生变化，未被察觉的限制可能会浮现，最初的假设也可能被证明存在缺陷。有效的工程师不会僵化地遵循初始规格，而是随着对系统的理解不断深入，调整并细化范围。

因此，工程不仅仅是掌握技术概念；它是一种适应性强、结构化的方法，用于应对不断变化的挑战。

新的证据可以改变目标、揭示隐藏的约束，或表明最初的假设是错误的。有效的工程师不会仅仅依据最初的问题陈述行事。随着对系统的理解不断加深，他们会更新问题陈述。

从这个意义上说，工程不仅是一套技术知识体系，也是一种对项目进行思考的严谨方式。

人类判断很重要

即使假设薄弱，AI 也能给出令人信服的答案。它可以生成在一个测试中有效但在另一个测试中失败的代码。它可以总结研究，却不理解哪些证据最强，或者为错误的目标优化设计。这些局限使人类专业知识更加重要，而非更不重要。

机器在速度、规模、搜索、模式识别和数据生成重要的地方有用。人在背景、价值观、责任和判断重要的地方不可或缺。挑战在于决定各自适用于何处。

例如，AI 系统可以为医疗传感器生成多种设计，并预测每种设计的性能。工程师可以测试这些预测，并拒绝违反技术要求的设计。临床医生可以判断该传感器是否能够实际使用。患者和从业者可能会揭示工程师和开发者都未曾考虑的问题。最终解决方案来自综合各方视角。

工程师仍然是建设者和专家，但越来越多地也是知识的协调者。

工程师的价值不在于无所不知。而在于知道如何界定问题、如何提出正确的问题、如何检验答案，以及何时必须由另一位专家来领导项目。

IEEE 的重要作用

更广泛的工程形式为 IEEE 创造了重要角色。其协会已经汇集了各种技术、工程教育、技术标准及其他领域的专业知识。这使 IEEE 处于有利位置，能够帮助工程师跨专业协作，同时不削弱专业化的价值。

IEEE 可以围绕需要多个领域专业知识的问题，创建更多社区。示例包括可信临床 AI、韧性基础设施、能源可靠性、科学发现和安全自主系统。工程师可以从一个本学科领域开始，然后根据项目需要，与来自其他 IEEE 社区的专家合作。

IEEE 还可以帮助制定人机协作的实用标准。工程师需要明确的指导，了解何时必须检查 AI 生成的工作、应如何记录不确定性、何时必须由专家做出决策，以及当系统同时使用人类判断和机器输出时由谁负责。

这些问题正成为日常工程工作的一部分。它们不应留给每家公司或项目经理独立回答。专业组织可以提供共同的期望，这些期望会伴随工程师在岗位、行业和技术领域之间流动。

工程师的更广泛定义

AI 并不会让工程学科变得不那么重要；它让学科之间的联系更容易利用。深厚的专业知识为工程师判断什么是可靠的提供了基础。系统思维帮助他们理解问题的不同部分如何相互配合。AI 可以扩展工程师跨领域探索、测试和沟通的能力。人类判断为工作提供方向和责任。

工程师不仅仅由职位名称或一组固定任务来定义。工程师是受过训练的人，能够理解复杂系统、定义和重新定义问题、汇集解决问题所需的知识和工具、测试解决方案是否有效，并对结果负责。

这就是成为“无界”工程师的含义。

专业之间的边界变得更容易跨越，机器可能承担更多技术工作，但工程的核心仍然是人：决定哪个问题值得解决、什么证据足够充分、各部分如何组合在一起，以及在答案不确定时该怎么做。

转载声明：本文为转载整理，原文版权归原作者及原站点所有。

原文来源：IEEE Spectrum

原创地址：https://spectrum.ieee.org/systems-thinking-vital-in-ai