近年来,关于软件定义汽车(Software-defined Vehicles)的讨论非常多。但事实上,其他电子产品也早已越来越多地依赖软件。这对制造商而言意味着:他们必须掌控全新的开发流程,以确保透明度、可追溯性与合规性。
在灵活的敏捷方法(Agile)与 V 模型的严格规范之间取得平衡,是专注于自动驾驶系统开发的 Navya 面临的最大挑战。该公司推出过首款可商业化的自动驾驶接驳车。其软件团队采用敏捷方法,与许多其他企业一样使用多种工具组合。然而团队之间的同步不足,没有必须遵守的流程,也缺乏对开发过程的可视性。这与移动出行行业在功能安全方面严格的监管要求相冲突。
Medtronic 医疗科技公司神经调节部门面临着类似的状况。开发团队虽然对功能性满意,但孤立的、手动整合的工具削弱了透明度,使得从需求到源代码的可追溯性,以及向 FDA 提交合规审计所需文档的导出变得困难。
他们需要的,是一个应用生命周期管理(Application Lifecycle Management,ALM)解决方案。ALM 是软件生命周期的组织支柱,从最初的需求收集,到设计、测试,再到部署和维护。通过整合各个阶段,ALM 能帮助企业优化流程,支持参与开发的所有部门协作,并显著提升产品质量。
ALM 系统的关键功能
要满足当前制造标准的要求,一个 ALM 系统应具备若干核心功能。最关键的是全面的文档管理和细粒度的可追溯性,以确保符合所有相关监管要求。
此外,与现有 IT 系统的集成也十分重要。ALM 系统必须能够在无人工干预的情况下同步来自不同来源的数据。只有这样,才能确保所有相关数据在一个集中平台上被一致、准确地管理,并让所有参与者访问最新、正确的信息。
强大的 ALM 还应支持 Scrum 或 Kanban 等敏捷开发方法,使团队能够以短迭代方式工作、快速整合反馈并实时进行调整。
Medtronic 神经调节部门在评估 ALM 软件时确定了以下标准:
此外,ALM 软件还必须具备完整集成、稳健、灵活、云端化等特点。Navya 的要求也几乎完全一致——最终,两家公司都选择了 PTC 的 Codebeamer。
Medtronic 神经调节部门的患者护理软件总监 Sarb Singh-Kaur 说道:“我们必须从客户需求一直追溯到产品需求、设计、测试和源代码。Codebeamer 是唯一能让我们顺畅实现这一点的工具。” 对于 Navya 来说,环境配置与动态对象的灵活性是其做出选择的主要原因。
成功实施 ALM
引入 ALM 系统往往不可能没有挑战。其中最常见的就是员工的抵触情绪。要缓解这种状况,需要全面的变革管理(Change Management),将所有相关人员积极纳入变革过程,并提升他们对新系统益处的认知。
此外,将流程调整为适应 ALM 系统的要求至关重要。企业越愿意批判性地审视现有工作流、必要时重新设计并打破既有结构,成功程度就越高。
在 Medtronic 神经调节团队那里,流程变革与 ALM 软件的导入同步进行。为了构建新的内部流程,公司配置了追踪器、项目、角色与工作流。Sarb Singh-Kaur 表示:“我们彻底重塑了流程,并将 Codebeamer 作为推动变革的工具。不到 30 天我们就准备就绪了。”
另一个重要方面是数据迁移:必须谨慎迁移现有数据,并将系统与现有 IT 基础设施集成。只有这样才能确保所有重要信息保持集中、一致、随时可访问,ALM 系统才能成为规划、开发与管理的可靠基础。
打通软件与硬件
因为软件定义的电子产品仍然离不开硬件,因此必须尽可能无缝地连接软件、电子和机械三个开发团队。如果他们各自孤立工作,工程师和开发人员就需要花大量时间寻找所需信息——而且往往无法确认数据是否最新。当相关数据发生变更却无法及时查看时,错误与不一致会被延迟发现,从而导致延期与成本上升。
许多企业在硬件开发中已采用 PLM(产品生命周期管理)系统。通过整合 ALM 与 PLM,他们能够解决上述所有问题,使产品的数字与物理组件在全生命周期中保持一致。他们拥有一条“数字主线”(Digital Thread),有助于保障产品质量、以更高效的流程实现创新,并缩短上市时间。数字主线实现了可追溯性,从而支持需求、变更、配置与测试的管理,并确保符合法规要求。
嵌入式软件仍然是重要的创新驱动力。能够让团队高效协作的企业,将在创新竞赛中领先。
好文章,需要你的鼓励
尽管全球企业AI投资在2024年达到2523亿美元,但MIT研究显示95%的企业仍未从生成式AI投资中获得回报。专家预测2026年将成为转折点,企业将从试点阶段转向实际部署。关键在于CEO精准识别高影响领域,推进AI代理技术应用,并加强员工AI能力培训。Forrester预测30%大型企业将实施强制AI培训,而Gartner预计到2028年15%日常工作决策将由AI自主完成。
这项由北京大学等机构联合完成的研究,开发了名为GraphLocator的智能软件问题诊断系统,通过构建代码依赖图和因果问题图,能够像医生诊断疾病一样精确定位软件问题的根源。在三个大型数据集的测试中,该系统比现有方法平均提高了19.49%的召回率和11.89%的精确率,特别在处理复杂的跨模块问题时表现优异,为软件维护效率的提升开辟了新路径。
2026年软件行业将迎来定价模式的根本性变革,从传统按席位收费转向基于结果的付费模式。AI正在重塑整个软件经济学,企业IT预算的12-15%已投入AI领域。这一转变要求建立明确的成功衡量指标,如Zendesk以"自动化解决方案"为标准。未来将出现更精简的工程团队,80%的工程师需要为AI驱动的角色提升技能,同时需要重新设计软件开发和部署流程以适应AI优先的工作流程。
这项由德国达姆施塔特工业大学领导的国际研究团队首次发现,当前最先进的专家混合模型AI系统存在严重安全漏洞。通过开发GateBreaker攻击框架,研究人员证明仅需关闭约3%的特定神经元,就能让AI的攻击成功率从7.4%暴增至64.9%。该研究揭示了专家混合模型安全机制过度集中的根本缺陷,为AI安全领域敲响了警钟。