AI新纪元:砥砺开疆・智火燎原|第三章:人工智能应用发展趋势及

3.2.6 AI+教育发展情况及技术趋势

3.2.6.1 为什么我们认为AI变革教育到了临界点？

教育具有 “不可能三角”（个性化、高质量、大规模/低成本）的特征，每一轮技术进步中，教育都是靠后被改造的应用场景，“替代主讲老师”这一命题仍较难实现。教育是获取、吸收及运用知识的过程，学历教育要满足成绩提高需求、非学历教育则是要满足考证通过需求，传统教育面临“不可能三角”的挑战，即无法同时做到个性化、高质量和大规模/低成本。1984年Benjamin Bloom在其教育实验中提出“two sigma”理论，强调“传统教育和真正因材施教的教育，是有巨大的鸿沟”。

科技进步终究将带来教育行业的革命，回顾移动互联网时代，培训类涌现出在线大班网课（名师放大优质师资），工具类涌现出拍题搜答案APP。随着互联网的发展与AI技术的进步，我国AI教育逐步迈向3.0阶段。

1）1.0阶段（1994-2012）：此阶段主要对应的是互联网的产生和发展。此阶段的教育以单向机械式传递为主，具体形式为音频、视频、图文等以网络为媒介传递到用户面前。互联网的发展极大丰富了教育资源，教育的公平化和规模化水平有一定改善，但仍然难以直接快速地满足教育个性化的需求。

2）2.0阶段（2012-2022）：此阶段我国4G技术实现商用，可以支持高质量的视频、音频和图像的在线传输，在线直播课程得到了井喷式的发展。同时，AI经过进一步发展，语音识别、图像识别等技术开始落地教育领域，学习者可以通过拍照搜题等在一定范围内满足个性化的教育需求。

3）3.0阶段（2022年至今）：伴随ChatGpt发布，人工智能正式进入认知智能阶段（生成式人工智能），AIGC发展使得教育兼顾高质量、普惠性和个性化成为可能。

DeepSeek具备低成本、开源和推理能力，将改善AI教育的精准度、带动深度思考并节约训练成本，AI实现启发式教学将成为可能。DeepSeek-R1凭借完善的计算基础设施、高效的DualPipe训练框架、低精度训练的创新应用，以及稀疏连接、合理分层设计等架构优化，实现了模型性能的大幅提升与成本的有效控制。DeepSeek-R1采用的“强化学习”技术，直接以结果为导向进行奖励，促使AI学会更高效地思考，并展现出初步的反思能力。其中DeepSeek-R1在有道K12测试集上的准确率高达88%。DeepSeek-R1的强大推理能力将使教育产品的答疑功能得到进一步的提升和优化；深度思考模式下，并非简单生成答案，而是为学生提供精准的学习路径规划和实时反馈，启发式教学、因材施教将成为可能。

依托国内大模型的发展，2023年以来教育垂直大模型陆续发布，教育类智能硬件、应用不断上线，我们认为伴随DeepSeek的接入，新一轮蝶变在即。教育大模型的厂商可分为：1）大模型厂商和科技公司，如百度“文心一言”大模型（23年8月）被接入旗下学习机产品，科大讯飞推出星火大模型及学习机产品（23年8月），汉王的天地大模型配置在AI电纸学习本（23年10月）；2）教育类公司，如网易有道打造“子曰”大模型（23年7月），作业帮自研银河大模型（23年9月），可汗学院、多邻国、Coursera、猿辅导等将产品与大模型结合，推出了AI助手型口语教练。

3.2.6.2 AI教育商业化场景

AI赋能教育场景可分为教、学/练/测评、管、考，校内toB、校外toC，产品端包括软件、硬件，我们认为未来应用潜力最大的是校外学习中的学/练/测评环节。

分场景：目前人工智能在教育领域的赋能已经从教育辅助-价值创造-因材施教，AI技术正向教与学的核心环节延伸，但越靠近教学和学习、技术难度越大

智能教育当前已经从教育辅助向价值创造阶段过渡，未来有望在自适应学习、自适应互动课等应用上有所突破。1）教育辅助阶段关注于简单教育场景的大规模基础应用的单-点数据收集，主要提高辅导老师、家长的效率，代表性应用包括：智能测评、智能批改、拍照搜题等；2）价值创造期不再局限于辅助类工作，开始参与教学流程中的如教学、学情分析与管理、问题诊断等核心环节，推动实现“备-教-练-考-评-管”全流程，代表性包括：学习过程评价、全流程学情分析与管理等。3）因材施教期基于上一阶段人工智能对个体学生掌握知识类型、学习进展等相关数据的收集与评价，针对性进行教学辅导，实现真正的自适应因材施教。在学习环节中，越是靠近教学和学习，技术难度越大，该阶段距当下仍有一段距离，尚未大规模出现成熟化的商业应用，未来有望在自适应学习、自适应互动课等应用上逐渐成熟。

AI教育场景一：智能硬件在AI和大模型助力下持续功能迭代升级，提升个性化辅导和学习效果，如：学习机、学练机、答疑词典笔等产品

AI助力下智能硬件也呈现出不同的产品形态，如学习机从“电子教辅”平板阶段→“网课学习”平板阶段→“AI学习机”（注重视频内容）→“AI学练机”（侧重工具练习）。AI技术的赋能主要体现在通过技术为学生提供更具互动性的学习工具、生成丰富多样的学习资源和创新的教学评估方法，再加上AI视觉、AI语音的配合，能够提升学习效果。大模型能够根据学生的学习进度、理解能力和知识掌握情况，为学生规划个性化学习路径，真正意义上实现学习辅助工具的高效性和实用性。其中chatgpt上线后各家主要方向是个性化精准学习；DeepSeek的深度思考模式可展示出思考步骤，在教育场景中有助于培养学生的思维方式。

AI教育场景二：个性化答疑是重要落地场景，DeepSeek具备的深度思考和联网能力可引导学生从“学工具”到“练思维”，加速“问答”类产品诞生

个性化答疑是推理模型在教育领域应用的关键场景。过去与模型沟通对提示词工程要求高，需精心撰写提示词才能得到较好答案，但AI技术的不断更迭下：

1）如早期chatgpt的数据搜索汇总、现在DeepSeek具备深度思考和联网能力，借助DeepSeek的强大推理能力，有利于将原有教育公司的丰富垂直数据储备结合，有助于教育场景下深入逻辑推理和知识拆解，提升在搜题、答疑、批改上的效率和准确率。

2）且低成本的DS模型正在消解拍照解题产品的题库门槛。如：高途高中数学测评准确率从此前最佳情况的74%提升至90%左右；DeepSeek-R1在有道K12测试集上的准确率高达88%。

AI教育场景三：在线语言产品可实现问答、测评（纠正发音和语法），大模型的语言理解和生成能力与用户的个性化陪练需求匹配，多邻国表现优异

AI大模型具备强大的语言理解和生成能力，与口语学习中的高频多次和个性化需求相匹配，可用于创建互动学习体验，提供一对一的个性化陪练；且大模型能够实现引导式的学习，学生培养自主学习能力。以前AI口语陪练产品所给出的对话，是基于提前设定的模板，AI基于模板进行微调，给出对话内容。大模型的生成能力更强并具有一定的推理能力，捕捉用户意图与对话情境、为用户带来良好的交互体验。

基于大语言模型已经产生诸多AI口语陪练产品，典型如：1）多邻国接入ChatGPT-4并推出Dulingo Max，学生可通过Explain My Answer和Replay实现语言学习解答、角色扮演对话；2）网易有道基于自研模型“子曰”开发的HiEchoAI口语老师。

多邻国成为成功范本，主要得益于：1）提供免费但有价值的服务以吸引海量用户加入，3Q2024期末公司付费DAU为3720万/+54%，MAU为1.13亿/+36%；2）通过卡通设计、闯关/连胜/排行榜/道具等构建游戏化特性来激励学习者，24Q3付费用户860万/+47%；3）积极布局AI构建产品力，并不断拓展其他课程和学科（22年数学、23年音乐）。

AI教育场景四：AI赋能教学教研提质增效，体现在：优化内部业务流程、智能备课、智能批改、智能答疑等功能

AI助力下教育公司内部降本增效以及教师端教研教学全场景均可覆盖。其中包括：1）内部流程优化：如公司内部管理系统的优化升级，可提高人效；2）教研教学系统：主要系智能备课、智能批改、智能答疑等功能，AI可帮助实现教学场景的全覆盖，从撰写反馈、教案到设计教学活动、分析学生学习情况，放大辅导答疑老师的杠杆、大幅提升备课效率，可实现成本的降低，如粉笔已将AI应用于智能批改系统，目前一位老师可服务150人、效率提升275%。

分用户：中小学学段校内考试测评成熟度高、校外居家学习（AI学习机为主）＞语言学习；目前成年人、早幼教阶段应用成熟度较低

中小学校内场景中，考试测评应用成熟度最高；校外场景中，居家学习＞语言学习应用。相对中小学阶段，成年人教育阶段、早幼教阶段的AI+教育应用成熟度则相对较低，主要系成年人教育内容及目标多样化，高校学科知识图谱构建难度大、职教及兴趣培训知识点分散，模型构建难度大等原因，低成本高效模型催化下，后续预计将在特定细分垂直领域不断延展。

分形态：智能硬件（学习机/学练机/答疑机）成为AI商业化落地重要载体，软件以APP/小程序订阅付费模式为主，涉及语言学习、答疑

未来看点：教育闭环中AI虚拟老师仍是薄弱环节，AI“替代辅导老师”将远易于“替代主讲老师”，未来甚至每个学生或都需要AI学习助理

学习的过程是考-学-练-评的闭环过程，包括：传授知识-练习真题巩固知识-考试测评检查掌握程度。其中学习仍是以线下场景为主、需要真人教学老师进行知识的传输，目前AI技术可以更加趣味化和分级化，在给予学生情绪价值以及监督树立威严上有所欠缺；后续的练、评、测环节主要是辅导老师承担，AI助力下可以更加智能化和个性化，如生成定制计划、专业批改、生成学情计划等。我们认为AI“替代辅导老师”将远易于“替代主讲老师”，未来甚至每个学生或都需要AI学习助理。

看好AI教育商业化方向：1）大模型加持下的智能教育硬件；2）满足特定教育场景的2C软件应用（语言学习类、答疑类）；3）B端应用场景（提升教师效率）。教育大模型发展下，基于2CApp和学习硬件或是主要商业化风口。其中：1）智能教育硬件：硬件为大模型能力的施展提供了最大定制化的机会，多模态的融合（文字、图像、音频、视频等结合），硬件便可营造出立体化的学习环境，将学习、练习、测评、考试等多场景集合为一体，激发学生的学习兴趣，提升知识的吸收效率。如：综合型的学习机/学练机、特定场景的词典笔/答疑机。

2）2C软件应用：消费者对于能够击中他们应用场景的AI产品热情高涨才会愿意进行会员收费。AIGC的出现，使得优质内容、优质服务会被消费者接受。如语言培训、答疑APP等。

3）B端应用场景，主要用于提升教师效率，如智能备课、智能批改、智能答疑，以及适用于内部流程优化。

AI+教育硬件：硬件为大模型能力的施展提供了最大定制化的机会，学习机/学练机产品保持较快增长势头。

AI助力计划性、个性化学习：智能教育硬件内嵌全科校内课程以及优质名师培优课程，通过丰富的课程资源帮助学生搭建知识框架。在学习场景下，AI主要是通过丰富的课程资源帮助学员建立自适应学习机制。①学习内容：教育硬件内嵌全科校内课程以及优质名师培优课程，通过分析新课标、新考纲等要求，重新组织知识点并实现100%匹配讲解视频。且在精准学的场景下，每个视频时长5-10分钟，在学生有限的注意力集中时段提供更高效的学习方式。②学习方式：通过学习机的“诊断规划”功能比较精准地识别学生知识薄弱点，管理学生的认知负荷，通过给学生提供个性化的学情反馈制定学习路径和学习计划，推送适合当前水平的学习内容。

AI强化练习场景：通过分级练、闯关式练习、进阶练以及精准练，从会练到练会，AI可助力精准定位学生的知识薄弱点、强化训练效果。智能学习机可通过多元化形式强化练习效果，如除了传统的问答式练习外，也有闯关互动式、进阶练习，学生在寓教于乐的过程中夯实知识点，并获得更多正向反馈，提升学生的学习效率。AI助力下可针对不同学情智能出题，精准练弱，帮助各年龄段学生提升学习效率和自主学习能力。

AI提升搜题、答疑、批改的效率和准确率，即练即批+全局错题管理下真正意义上实现辅导老师的职能。

在后双减时代，学习机并未消亡，反而持续增长，2023、2024年国内线上学习机GMV为105亿元/+163%、154亿元/+46%，销量530万台/+119%、621万台/+17%。25年M1-4仍保持较为强劲的增长。

相较于学习机，学练机向“练习”场景和工具属性倾斜，通过AI和大模型的能力与练习场景进行融合，提升个性化练习效果，24年以来学练机新品逐步推出。学练机更加聚焦在“练习”这个功能维度，建立了强势的替代价值，尤其在“替代家长盯题”“错题自动整理”等具体场景中表现突出。

除学习机/学练机外，词典笔、听力机等品类成为重要补充。得益于 OCR、AI、CPU 芯片等技术发展，词典笔离线状态功能强大，用户使用场景从在家联网场景拓宽至在校/在途非联网场景，使用时长也进一步扩张。词典笔突破语言学习功能(识别、翻译、查询等)，学科适用范围扩大，辅助学习方式不断拓宽。部分词典笔内置小初高多门乃至九门学科资源，甚至推出词典笔 OS 和应用商店，支持安装多款学习相关应用，扩充软件生态，支持多种辅助学习方式。

AI+教育软件：2C多集中在高年龄段群体（学生、成人等），聚焦语言学习、课程学习以及答疑等，2B多用于教师/教学端提质增效

AI+教育创新正逐步从以学习机为代表的智能硬件转向软件服务的商业化进程，纵观目前AI教育软件主要聚焦在高年龄段人群，如高年级学生以及成人，主要系目标导向（升学/考证/能力提升）以及自驱力更强。分应用效果看，可分为：1）2C应用：该类产品以创新的智能化教学模式，为用户打造了便捷且高效的学习路径，如教学、答疑、语言学习、考证培训等；2）2B应用：AI 助教产品主要面向教育工作者，旨在通过技术手段帮助教师完成繁琐的教学任务，从而提高教学质量，减轻工作负担。多为帮助教师端效率提升。

国内市场上，目前越来越多的公司推出AI教学类产品，国内AI教育产品已快速迭代落地。

海外AI教育产品在WEB端展现出显著的竞争优势，国内部分企业AI教育软件出海也取得较好的进展。根据非凡产研数据，2024年Quizlet旗下的AI个人辅导工具Q-chat，通过互动对话帮助学生更好地理解和掌握学习内容，月访问量高达9518万次，占据AI教育WEB榜的第一；语言学习产品Duolingo网页端月访问量也高达6476万次，排名第二。出海方面，作业帮旗下的Question AI和字节跳动旗下的Gauth移动端位列第六和第七，显示出其在出海教育领域的强大竞争力。

AI教育目前商业模式正在逐步跑通，盈利模式主要涵盖广告收入、订阅收入、增值服务收入以及软硬件收入，目前Duolingo创收最为领先。Duolingo运用免费模式吸引了海量用户，通过推出高端订阅服务实现了盈利，单月收入突破2亿人民币。除订阅收入，广告收入也是 AI 教育产品的盈利途径之一，如Duolingo、Solvely等产品都在使用过程中加入了广告；增值服务是 AI 教育产品盈利的又一重要方向，如Duolingo 推出的“Duolingo Max”，其背后更为重要的前提是强大的技术与数据基础以开发优质AI教育产品。

在AI助教产品端，更多落脚点在于利用自然语言处理技术对学生的作业进行自动批改，不仅能够快速给出批改结果，还能对学生的答题情况进行详细分析，为教师提供有针对性的教学建议。以Google为例，2025年7月将 Gemini 为首的一整套 AI 工具，免费提供给全球的教育工作者，并深度集成到 Google Classroom 和 ChromeOS 中。Gemini以全球领先的学习模型——Gemini 2.5 Pro为核心，融入了LearnLM技术。LearnLM是一个为学习而精心调优的模型家族，它以学习科学为指导，能够帮助学生获取更清晰的解释和指导，从而实现更深层次的理解。可以无缝嵌入教师日常使用的Google Docs、Sheets、Slides、Gmail以及Google Meet和Classroom中，直接在教育生态中运作，不需要额外学习复杂的系统操作，极大地降低了教师和学生的使用门槛。

Gemini可帮助教师端提高效率，并逐步从“辅助工具”真正演化为“教学伙伴”。对教师的帮助，在于：1）高效备课和内容生成：可将大量教学准备工作自动化，尤其是内容生成和资料整合能力。教师只需提供主题或课程目标，Gemini便可辅助完成幻灯片制作、讲义撰写、测验设计、评分标准（rubric）撰写等多项任务，大大节省了备课时间。2）在多媒体教学方面，Gemini已整合Google Vids功能，教师和学生可以快速制作简洁清晰的教学视频或展示材料，用于项目汇报、翻转课堂或自我表达，提升课堂的互动性和吸引力。

此外，在学生端也可帮助学生提供更具自主性和深度学习的体验。Classroom中的教师主导型NotebookLM类似于带有问答功能的笔记系统，学生可以上传课程资料并与AI进行深度对话式学习；Classroom中的教师主导型Gems：Gems是Gemini的自定义版本，教师可以创建它们供学生互动，以帮助需要额外支持或希望深入学习的学生。Gems允许教师创建定制化AI助手，围绕特定主题与学生展开个性化互动，成为一个虚拟“助教”角色。 

3.2.6.3 DeepSeek大模型下国内公司AI+教育最新进展——AI教育软件成为最新趋势和商业化方向

2025年1月以来多家教育公司接入DeepSeek大模型，高质量开源和低价模型催化下有望加速AI教育产品商业化落地。有道、好未来等相继宣布全面拥抱DeepSeek-R1。借助DeepSeek-R1的强大推理能力，有利于将原有教育公司的丰富垂直数据储备结合，AI产品解决方案进一步优化、促使AI学会更高效地思考；且AI成本降低必将加速行业发展，很快将有更多AI使用，有望进一步打开商业化空间。

3.2.7 AI+军事发展情况及技术趋势

3.2.7.1 全球正在加速布局AI在军事领域应用

人工智能技术在军事领域的应用正以前所未有的速度发展，成为现代战争中的关键因素。从无人机作战到网络战，AI技术的应用范围不断扩大，对军事战略和作战方式产生了深远影响。美国在军工AI领域处于全球领先地位，其技术优势和创新能力使其在军事AI应用方面具有显著优势。美国国防部和各大军工企业积极推动AI技术在军事领域的应用，不断探索新的作战模式和技术解决方案。

现代战争的战略重心从平台对抗转向信息智能比拼，AI以其在决策效率、打击精度、体系联动等方面的系统性优势，成为国防信息化升级的关键突破口。智能化战争强调速度优势与决策闭环，AI的嵌入使OODA循环（观察-判断-决策-行动）大幅压缩，形成“发现即摧毁”的智能作战新模式。美国、欧盟各国、亚太国家及我国均在加速推进AI军事能力体系化建设，全球智能化军备竞赛持续升温。

美国：军工AI相关预算大幅提升。美国防部2024年在将人工智能应用于军事规划、情报和全域指挥控制方面取得了重大进展，从军事人工智能工具的鼻祖——“专家系统”（Project Maven），到统称为联盟联合全域指挥控制（CJADC2）的数据共享系统，美国防部的军事智能化系统无论在系统功能和实际使用人数方面都得到了显著扩展。根据2025财年美国国防部预算草案，其C4I（指挥、控制、通信、计算机和情报）系统的投资预算高达211亿美元，占年度采购和研发总投入的7%，同比24财年145亿美元大幅提升45.5%。其中包括空军主导的“作战云”、海军的Project Overmatch及陆军的Project Convergence等CJADC2相关项目。美空军还专门整合50项子计划组成“空军作战网络项目群”，以确保CJADC2在战区级别的多域应用能力快速部署落地。通信与电子及AI技术发展为战略核心。根据2025财年美国国防预算报告，C4I部门正在积极转型并开发未来联合军事行动的新概念，以实现全谱优势。通过一系列广泛的能力，借助互联的传感器、射手、指挥、控制和情报网络，实现了这一击败任何对手或控制任何情况的总体目标。

在俄乌冲突、巴以冲突等地区冲突中，新兴技术的军事赋能作用不断凸显。国防大学国家安全学院教授温百华表示，以人工智能为代表的新兴技术已经对战争产生革命性影响，2025年全球将掀起新一轮智能化军事革命浪潮。美军依托强大的军事创新能力，大力推动新兴技术军事应用。温百华指出，美军将人工智能视为推动“第三次抵消战略”的核心驱动力和赢得大国高端战争的关键，推出“联合战争概念”以指导智能化战争能力开发。按照美军规划，2025年初步具备智能化作战能力，2035年实现作战装备、信息系统、作战指挥、组织形态的智能化转型。

中国：我国形成新型军兵种结构布局，聚焦现代化战争战略体系建设。2024年4月19日，中国人民解放军信息支援部队成立大会在北京八一大楼隆重举行。此次改革后，中国人民解放军总体形成了中央军委领导指挥下的陆军、海军、空军、火箭军等军种，以及军事航天部队、网络空间部队、信息支援部队、联勤保障部队等兵种的新型军兵种结构布局，体现了我军对网络信息体系建设、网络安全、太空安全的高度重视。

全球其他地区：2025年1月，以色列国防部设立人工智能和自主系统管理局。该机构汇集以色列科技部门、学术界、国防工业等领域专家，旨在实现“史无前例的军事技术突破”，维持自身在地区的优势地位。韩国国防部组建“国防人工智能中心”和“国防综合数据中心”，以统筹新兴技术军事运用相关工作，并计划在2028年前组建约90个人工智能作战试点分队，2032年前建成16个配备人工智能模拟设备的训练场。英国陆军则宣布将加强机器人与自主系统建设，2030年建成机器人与自主系统合成旅，2035年实现机器人与自主系统从师到班排的全覆盖。1月，俄联邦政府副总理丹尼斯·玛图洛夫在“时代”军事创新科技城主持召开战略会议，研究发展人工智能武器和指挥系统。

3.2.7.2 AI+军事的应用场景：从感知、决策到执行

美军正以CJADC2为核心架构，构建“数据获取—平台融合—作战执行”三层级智能战场体系。CJADC2是美军为适应未来多域联合作战而构建的指挥体系。其核心目标在于打通军种壁垒，实现海、陆、空、天、电磁、网络等全域的信息互联与作战协同，从而实现“发现即打击”的高效闭环。在CJADC2架构下，AI算法嵌入至传感器-平台-指挥节点之间的各个环节，极大压缩OODA（观察-判断-决策-行动）循环时间。

1）数据获取层：以SpaceX星链、遥感侦察、下一代GPS等构建智能战场的感知神经网络。在智能战场体系中，数据获取层是构建“感知-理解-决策”链路的起点，其功能相当于战场的“神经末梢”，负责收集、传输与初步处理作战环境中的多维数据。当前，该层以SpaceX星链、遥感侦察系统、下一代GPS为核心支撑，并正加速向“通导遥一体化”方向融合演进，实现多平台、多域、多模态数据的实时共享与精准协同。

2）基础平台层：Anduril“晶格网格”、Palantir Gotham平台等打造智能战场的中枢神经系统，打造“整合卫星、无人机、武器平台以及其他感知设备等多层次、多来源的数据信息，构建全方位、实时化智能战场感知神经网络”的基础平台层。基础平台层的核心在于具备强大的数据获取、处理、融合与反馈能力，从而形成具备认知与自适应能力的信息中枢体系。在该体系中，Anduril的“晶格网格”（Lattice Grid）与Palantir的Gotham平台分别扮演前沿感知与后端决策的关键角色，构建了战场智能化体系的“感觉-认知-响应”闭环机制。

3）作战应用层：军事AI赋能，实现智能战场的决策与行动一体化。在作战应用层，人工智能技术通过生成作战方案、优化火力分配以及实时调整作战行动，实现了决策与行动的高度融合。AI算法能够迅速分析复杂的战场数据，制定高效的作战计划，并根据实时信息动态优化，确保作战行动的灵活性和精准性。AI在作战应用层的深度应用，正加速实现智能战场的决策与行动一体化，提升了军事行动的效率和精准度。

作战层具体应用：在无人系统方面，美军推进海空地多域智能无人装备，具备蜂群自主协同能力；在网络攻防方面，AI被用于主动漏洞识别与认知空间作战，如DARPA“AI防火墙”“心智理论”等项目；在战场情报与态势感知中，通过Palantir、TACAI、VANE系统等平台实现多源信息快速融合与实时目标识别，支持战术级预警；在军事训练领域，法国战术AI系统与美军PME体系引入AI进行智能博弈与个性化推演训练；后勤保障方面，以F-35的ODIN系统与美海军LAI系统为代表，AI用于装备状态建模、维修预测与弹性调度，显著提升完好率与战时保障效率。

整体看，AI+军事可赋能智能战场建设的全部三个维度。在数据获取层，AI技术通过整合多源数据，提升战场态势感知能力；在基础平台层，AI平台如Palantir Gotham通过多源情报融合，为军事决策提供支持；在作战应用层：AI算法不仅生成作战方案，还通过实时数据反馈优化作战行动。

1）数据获取层：以SpaceX星链、遥感侦察、下一代GPS等构建智能战场的感知神经网络

在智能战场体系中，数据获取层是构建“感知-理解-决策”链路的起点，其功能相当于战场的“神经末梢”，负责收集、传输与初步处理作战环境中的多维数据。当前，该层以SpaceX星链、遥感侦察系统、下一代GPS为核心支撑，并正加速向“通导遥一体化”方向融合演进，实现多平台、多域、多模态数据的实时共享与精准协同。

SpaceX的星链（Starlink）项目通过低地球轨道（LEO）卫星提供全球低延迟通信服务。在军事应用中，星链能够确保战场上的实时通信和数据传输，即使在传统通信基础设施受损或不可用的情况下也能保持通信畅通。其低延迟特性使得实时数据传输和远程控制成为可能，极大地提高了军事行动的响应速度和灵活性。例如，在乌克兰冲突中，星链被用于提供战场通信支持，帮助乌克兰军队在地面通信设施受损的情况下保持指挥和控制能力。

星链低轨卫星星座凭借大容量、高通量、低时延和重访周期短等优势首次介入战场，可实现对全球近乎全天候不间断的侦察与监视。根据《“星链”在俄乌冲突中的运用分析与思考启示》一文中指出，在俄乌冲突中，“星链”带来的卫星网络支持，使乌军在通信、侦察等方面获得巨大助力，提升了其在网络通信、地面遭遇、情报信息、精确打击、无人机支援、反网络电子干扰等方面的能力。截至3月26日，SpaceX的星链（Starlink）卫星在轨数量已超过7100颗。

遥感系统：提供战场“高维视角”的感知基座：美国在遥感侦察领域居于全球领先，其遥感卫星星座由光学成像卫星、合成孔径雷达（SAR）卫星、红外侦察卫星、电子侦察卫星等多种类型构成，覆盖从高轨到低轨的多层空间维度。这些系统能够实现米级甚至亚米级分辨率的成像能力，并在恶劣天气和夜间环境下保持侦察能力。以SAR卫星为例，其穿透云层与烟尘的能力使其在复杂天气和电子对抗环境中依然具备可用性。商业遥感服务商（如Maxar、Planet Labs）也逐步成为战场辅助情报的重要来源。遥感数据的战术应用已不仅局限于战前战略侦察，更延伸至战时实时定位、目标重访与打击效果评估。目前，美国第四代“锁眼”卫星的分辨率已达到0.1米（10厘米）以内，能够在250公里的高度清晰辨识地面目标。

卫星图像服务无人机，可替代GPS的导航软件。近日，美国麦克萨情报公司（Maxar Intelligence）宣布，开发了一种基于视觉的导航技术，支持无人机在没有GPS的情况下运行。这款名为“猛禽”（Raptor）的软件利用根据麦克萨卫星图像创建的详细3D模型，为无GPS环境中的无人机提供基于地形的定位系统。配备该软件的无人机不依靠导航卫星信号定位，而是将机载实时摄像头获取的数据与内置的3D地形模型进行比对，以确定自己的位置和方向。

多源融合节点：从“设备感知”到“系统感知”。除了卫星系统外，无人机、各类武器平台、其他感知设备如地面雷达、空中预警机和电子战系统等也在数据获取层中发挥着不可或缺的作用。侦察无人机和攻击无人机在现代战场上被广泛使用，能够实时传输战场数据，并具备一定的自主决策能力。例如，美军的“前哨-R”无人机能够引导炮弹精确打击目标，单日可锁定数百个目标，显著提高了打击效率和精度。地面雷达提供了全方位的地面目标探测和跟踪能力，空中预警机则提升了空中态势感知和指挥控制能力，而电子战系统通过电子侦察和干扰获取战场电子情报，为军事行动提供了更为全面的情报支持。

从AI军事的参数量规模来看，目前美国星链卫星在轨超7100余颗，形成超大规模星座网络与海量全球数据。星链单星吞吐量达20Gbps，整体网络可支撑TB级/分钟的战场实时数据流（如无人机视频、传感器回传）。在俄乌冲突中，乌军单日通过星链传输数千小时影像+百万级通信信号。遥感系统方面，已形成高分辨率与多模态融合。美国“锁眼”卫星达 0.1米级，单张图像像素量超十亿级。SAR雷达影像（穿透云层）可实现单场景GB级数据量；多光谱/红外数据可实现TB级/天的全球覆盖（Maxar、Planet Labs商业卫星群）。从具体武器节点来看，多源融合节点，异构数据爆炸增长。如，"前哨-R无人机单日锁定数百目标。

AI军事资料来源广泛，智能战场的数据获取层已从单一“感知设备集成”演进为“通导遥一体、天基与地面协同、军民融合并行”的复杂体系。在此架构中，星链/星盾、遥感卫星、下一代GPS等空间系统将构成“感知神经元”的主干网络，各类无人机、各类武器平台、其他感知设备如地面雷达、空中预警机和电子战系统等为神经网络，为AI主导的决策与打击系统提供可信、稳定、实时的数据源保障。综合来看，“卫星+无人机+雷达+电子战”等多平台数据感知，或形成万亿级节点/天的数据生成，对战场提供全天候、无死角的通信和监控。

2）基础平台层：Anduril“晶格网格”、Palantir Gotham平台等打造智能战场的中枢神经系统

为实现“整合卫星、无人机、武器平台以及其他感知设备等多层次、多来源的数据获取手段，构建起一个全方位、实时化的智能战场感知神经网络”这一目标，基础平台层的核心在于具备强大的数据获取、处理、融合与反馈能力，从而形成具备认知与自适应能力的信息中枢体系。在该体系中，Anduril的“晶格网格”（Lattice Grid）与Palantir的Gotham平台分别扮演前沿感知与后端决策的关键角色，构建了战场智能化体系的“感觉-认知-响应”闭环机制，是多源数据融合与群体智能应用的关键环节。

Anduril Lattice Grid 聚焦于“获取”与“反应”问题：其核心能力体现在通过无人机、地面传感器、光电与雷达平台等多源异构设备，实现战场前沿的实时态势感知、数据初筛与边缘决策支持。该系统具备分布式智能节点、边缘AI计算与任务自适应能力，适用于复杂、通信受限环境下的无人系统协同作战。

Palantir Gotham 平台聚焦于“理解”与“判断”问题：其核心优势在于融合多源情报数据（包括卫星图像、通信拦截、无人机视频流、社交媒体OSINT等），构建结构化知识图谱，支撑目标识别、威胁预测、任务推演与高层指挥决策。Gotham以图数据库与语义建模为基础，具备强大的跨部门情报协同与实时情境建模能力。

二者结合，形成了一个“从前沿实时感知 → 多源数据融合分析 → 高阶指挥与任务反馈”的闭环式智能战场感知中枢神经系统。其中，Lattice Grid 扮演“战场感觉神经元”角色，负责即时获取和初步处理战场数据；Gotham则充当“认知中枢与决策皮层”，将信息转化为有组织的情报，最终指导战术响应与作战计划调整。

Anduril“晶格网格”实现异构数据翻译：

Anduril的“晶格网格”（Lattice Mesh）技术能够实现不同传感器和数据源之间的异构数据翻译和融合。这项技术使得来自不同平台（如卫星、无人机、地面传感器等）的数据能够被统一处理和分析，为军事指挥官提供全面的战场态势感知。该技术是一种去中心化的网络功能，通过智能地确定数据路径的优先级，跨平台、域和合作伙伴无缝地分发关键数据。即使在网络中断或降级的情况下也能保持数据的连续性和完整性。目前，Anduril的“晶格网格”技术已在美军多个联合作战司令部中运行，用于提供关键数据，支持定制的生成式人工智能解决方案。

Lattice系统的核心理念在于构建一个分布式、可自治的前线智能感知网络，使得前沿作战单位在极端环境下仍能具备战场态势理解、自主目标识别与快速协同反应的能力。其技术架构融合边缘AI计算、传感器融合、跨平台数据中继与任务协同控制，打破了传统“集中感知—后方处理”的作战流程，以“感知即决策”的新型作战模式推动战术层的智能升级。

关键能力与系统结构：

多源感知能力：Lattice 系统能够集成多种传感器数据，包括雷达、光电/红外成像、射频传感器等，实现全天候、跨域的目标追踪与识别。例如，Sentry 哨兵塔配备了摄像头、通信天线、雷达和热成像设备，能够自主运行并将数据传输至 Lattice 平台。

边缘AI计算与任务自治：Lattice 在前沿平台上部署轻量化 AI 模型，实现低延迟的目标识别、路径预测与异常检测。Ghost 4 无人机与 Lattice 平台的结合，使操作员能够轻松控制协作的自主 Ghost 无人机团队，执行复杂的任务配置。

分布式协同与通信弹性：Lattice具备强大的“平台间自动协同”机制，支持在通信受限或GNSS干扰环境下的多节点任务重构和指令中继。在美陆军“Project Convergence”演训中，Lattice系统指挥的一组无人机在缺乏卫星通信条件下，仍完成了超过95%的任务执行率。

“人-机-云”三层架构支持：Lattice支持从一线无人平台（机）到战术地面终端（人），再到战略后台系统（云）之间的信息分级交互，可实现全链路任务分发与状态反馈，强化人机协同的操作透明度与安全性。

2023年8月，Anduril公司在“北方利刃23-2”（Northern Edge 23-2）演习中成功地将传统的多域传感器整合到其Lattice操作系统中，为海军陆战队员提供了先进的实时战场意识和跨印太地区的多域指挥控制能力。作为陆战队2030年力量设计转型的部分，这项整合工作帮助陆战队作战实验室和国防部了解新技术如何与遗留系统互连，并帮助作战人员更快、更准确地做出分布式指挥控制决策。在“北方利刃23-2”演习中，Anduril建立了一个由四个地理上分布的指挥控制节点组成的弹性数据网格网络，每个节点都部署在不同的基础设施上，这展示了Lattice支持各种操作环境和可用基础设施的灵活性。这个弹性网格网络无缝共享实时作战数据，并为指挥官提供了一致的战场画面，没有操作员通常看到的任何通信间隙。Anduril的网格网络安全地组织情报数据，在地理上和跨分类边界进行分发，并针对拒绝、降级、间歇和延迟（DDIL）环境进行了优化。

Palantir Gotham平台进行多源情报融合：

Palantir的Gotham平台是一个强大的数据分析和情报融合工具。它能够整合来自多个渠道的情报数据，包括卫星图像、通信截获、社交媒体等，并通过先进的算法进行分析和关联。该平台不仅提高了情报分析的效率和准确性，还为军事分析师提供了全面的战场态势感知能力。该平台最初由Palantir公司为美国情报界设计，后广泛扩展至各军种、战区司令部及联合情报中心（JIC）等关键作战与分析节点。其主要技术架构基于图数据库引擎与语义层建模体系，可将传统孤岛式的数据源整合为统一的战场知识图谱，实现信息透明化与决策流程标准化。

911事件让Palantir创始人们思考是否可以通过一个平台将政府掌握的海量不同源头和形式的数据整合，通过信息之间的链接，抽丝剥茧地找出线索，从而避免类似的惨案。Palantir Gotham平台作为美国国防与情报体系中的核心信息系统，以其出色的数据融合能力和图谱级情报分析能力，在构建智能化战场态势感知体系中发挥着不可替代的作用。该平台依托图数据库引擎与AI驱动的语义模型，可将来自多源异构的数据流整合为统一的知识图谱，实现从感知到认知的闭环作战支持。随着非传统战场与灰色冲突区域的兴起，Gotham系统亦显著扩展了其对开源情报（OSINT）数据的接纳与分析能力，进一步增强了战术实时性与战略广度。

在数据层面，Gotham整合的数据源分为传统军事情报数据与非传统开源情报数据两大类。传统军事情报数据包括：1）国家地理空间情报局（NGA）提供的卫星遥感图像与地理信息系统（GIS）数据；2）国家安全局（NSA）与战区信号情报平台获取的通信拦截数据（SIGINT）；3）地面雷达、无人机、红外传感器等前线实时感知节点；4）任务数据库中累积的历史作战与演训数据；5）来自盟军（如五眼联盟）的情报共享接口。非传统开源情报数据则涵盖：1）社交媒体平台上的位置发布、图像上传与战场动态言论（如X/Twitter、TikTok等）；2）开源视频与照片资料中的目标识别数据，经由图像识别系统处理后用于战术推演；3）网络论坛与暗网中的异常通信行为模式；4）商业卫星图像提供商（如Planet Labs、Maxar）的民用遥感数据；5）开源数据库中的地理、政治、人口与语言数据集（如OpenStreetMap、Wikidata）。

据Palantir Gotham利用上述数据支撑三大关键军事应用场景：一是战场态势感知与目标指示，平台通过实时融合传感器数据与社交平台发布信息，形成对目标地区的高分辨态势图；二是非对称冲突中的快速威胁识别与预测，特别在城市战与反恐任务中，可追踪可疑通信路径、舆情变化与人员流动；三是战略级决策支持与多机构任务协同，借助其图谱建模与权限控制机制，支撑多军种、多国情报共享与联合行动规划。

根据《Foreign Affairs》与《Defense One》的公开资料，在2022年俄乌战争初期，Gotham平台通过社交媒体图像反向定位技术，成功帮助情报分析员识别了多个俄军部队集结点，为北约提供了快速反应基础。而在美国国防部主导的“全球信息优势试验”（GIDE）中，Gotham平台的融合响应机制将战场决策周期缩短超过40%，并展现出与开源数据流动态协同的显著能力。

3）作战应用层：军事AI赋能，实现智能战场的决策与行动一体化

在作战应用层，人工智能（AI）技术通过生成作战方案、优化火力分配以及实时调整作战行动，实现了决策与行动的高度融合。AI算法能够迅速分析复杂的战场数据，制定高效的作战计划，并根据实时信息动态优化，确保作战行动的灵活性和精准性。AI在作战应用层的深度应用，正加速实现智能战场的决策与行动一体化，提升了军事行动的效率和精准度。

AI算法在作战方案生成和火力分配中的应用：美国国防部正在开发的联合火力网络（Joint Fires Network，JFN），旨在整合多域情报，实现精确火力打击。JFN通过集成先进技术、实时数据共享和自动化系统，优化火力投送的精准性和时效性，确保在适当的时间部署适当的作战力量，从而显著提升作战效能。同时，AI技术促进了联合作战的智能化发展。通过构建人机协同决策指挥控制系统，应用无人机蜂群战术，以及融合物理和非物理安全空间的作战模式，提升了作战效能和灵活性。

自主武器系统的智能化：AI技术赋能自主武器系统，使其具备独立执行任务的能力，减少对人类操作的依赖。在现代战场环境中，GPS信号易受干扰，影响无人系统的导航和任务执行。为应对这一挑战，Maxar公司推出了Raptor系统，使无人机在强干扰环境下无需依赖GPS即可完成任务。Raptor利用Maxar的3D地形数据和无人机的视觉输入，实现自主定位和导航，确保无人系统在复杂战场环境中的生存能力和任务执行效率。例如，乌克兰在与俄罗斯的冲突中，部署了数十种由AI增强的无人机系统，这些系统能够在强电子干扰环境下自主识别并打击目标，提升了打击精度和任务成功率。大多数第一人称视角部队的目标命中率已降至30%-50%，而新飞行员的目标命中率可低至10%，信号干扰是主要问题；人工智能操作的第一人称视角无人机命中率可达80%左右。

AI在战场态势感知与决策支持中的作用：AI技术通过实时收集和分析大量战场数据，帮助指挥官做出更快速、更准确的战术决策。例如，AI可以整合来自不同传感器的信息，提供全面的战场态势图，支持指挥官进行态势评估和决策制定。数据驱动的分布式公共作战图景（COP）：通过多智能体强化学习，研究人员开发了数据驱动的分布式COP系统，能够在GPS受限和通信受阻的环境下，利用无人平台的传感器数据，实现对战场态势的实时感知和预测。实验结果显示，该系统在预测精度和对抗条件下的鲁棒性方面表现出色，误差率低于5%。例如，美军正在探索将生成式AI应用于指挥控制领域，以实现作战数据保障的精准化。

4) 联合火力网（Joint Fire Network，JFN）：AI赋能构建战场实时态势感知与精确打击体系

CJADC2中关键AI赋能技术：联合火力网与智能决策加速引擎。CJADC2并非单一系统，而是以AI为核心驱动的全域感知-分析-决策-执行一体化作战体系，其核心在于通过AI加速“信息-火力”链路的闭环速度，并通过边缘计算与多域协同构建动态适应型作战网络。这一系统的部署，标志着军工AI正在从“能力支撑”走向“决策主导”，成为未来战争规则重构的重要力量。

JFN通过跨域数据融合与AI赋能，大幅提升了美军的作战响应速度和打击精度，体现了现代战争中信息优势向作战优势的转化。在CJADC2体系中，联合火力网（Joint Fire Network, JFN）作为连接“感知、理解、打击”全过程的关键一环，承载着将多源情报快速转化为精确打击能力的核心职能。它构建的是跨军种、跨平台、全域联通的火力闭环网络，是美军从“指令链主导”向“数据流驱动”作战转型的关键节点。该系统旨在实现“任一传感器发现目标、任一火力平台迅速响应”的“发现即打击”作战逻辑。

传统作战体系中，火力指令链条层级过长、响应迟缓，极难满足现代战场对秒级打击决策的要求。JFN通过统一数据接口与开放式系统结构，将分布在各战区的无人机、雷达、卫星、地面前沿终端、空地火力平台接入同一作战数据流中，构建起“情报-指控-打击”一体化流程。系统内大量引入AI算法，实现对目标威胁等级的智能评估、火力平台匹配与自动化弹种建议，显著压缩了传统10分钟以上的响应周期，最优可缩短至60秒以内。

JFN并非单一武器平台，而是由软件架构主导、AI算法驱动的分布式网络化火力执行系统。它支持F-35、B-21、HIMARS、海军导弹系统等多种作战资源的无缝集成，并可动态接入下一代远程精确火力系统和无人协同节点。系统与CJADC2顶层规划高度同步，是实现“联合即插即用”作战结构的关键组件之一。在2023年“Project Convergence”实验中，JFN首次实现了“目标发现—态势融合—AI火力推荐—跨军种打击”全链条闭环操作，标志着美军“AI作战链”已进入可实战部署阶段。

JFN项目的建设整合了美国多家核心国防承包商与创新企业：包括雷神技术公司（RTX）与洛克希德·马丁（Lockheed Martin）提供火力调度框架与作战网络模块，帕兰提尔（Palantir）则负责Gotham平台的数据融合与战场态势图生成。诺斯罗普·格鲁曼（Northrop Grumman）主导多平台系统适配，L3Harris、BAE Systems 和 C3.ai 提供AI算法训练、目标优先级排序与战术模型自动生成支持。这一承包体系不仅延续了传统军工复合体的系统集成优势，也体现出AI平台型公司在军事决策链中的技术渗透深度。

根据美陆军作战能力发展司令部（DEVCOM）与导弹防御联盟（MDAA）披露的信息，JFN系统目前已在印太与中东两个战区节点实战部署，支持上千目标的实时跟踪与打击计划管理，具备与CJADC2“最小可行能力”并行运作的战备水平。

5）智能决策加速引擎：AI赋能战场指挥系统核心环节

除了在火力执行端的JFN系统，CJADC2的核心能力更体现在其“感知-分析-判断-指令”链条的决策中枢层，即以AI算法为核心的智能决策引擎。传统军事指挥决策依赖多层级人工汇报、态势判断和逐级审批，面对现代战场的高节奏、高不确定性环境，已难以支撑作战节奏。为此，美军在CJADC2架构中大规模部署AI辅助决策平台，以替代部分人工流程，并实现任务推演、方案生成和实时反馈的“人机混合指挥体系”。

以空军主导的ABMS（先进战斗管理系统）为例，其核心能力之一是通过AI模型自动汇总来自太空、空中、地面和网络空间的情报数据，进行战场态势预测和实时风险评估，从而生成最优资源配置和火力调度建议。这一能力依托于谷歌云、Palantir Gotham 和 Anduril 软件组件构建的“指控一体化界面”，可在几秒钟内完成传统作战室需花费数分钟甚至更长时间完成的目标评估与指令发布流程。

AI已从“战术效率工具”转型为“作战逻辑再构引擎”，并正在重塑军事指挥层级。CJADC2各子系统之间不再依赖线性通信流程，而是借助AI算法形成数据的快速交叉验证和意图识别，最终支持“战术自治”、“战区级实时重构”、“人机共决策”等新作战模式。例如，帕兰提尔与C3.ai共同开发的战术AI模型，已具备根据实时地理、电子频谱与敌军态势数据，生成初始作战方案并实时修正路径的能力，广泛部署于印太战区的指挥节点中。

端侧AI为前线单位提供即时计算、模型本地推理与节点级任务重构能力。值得注意的是，这些AI能力的部署不再集中于大型指挥中心，而是随着边缘计算单元同步下沉至前沿节点，形成“云-边-端一体化”架构。例如，“晶格网格（Lattice Mesh）”作为CJADC2边缘通信与AI部署平台，正逐步被整合进ABMS、Project Convergence与海军“超越项目”（Project Overmatch）中，为前线单位提供即时计算、模型本地推理与节点级任务重构能力。

以美陆军TACAI系统为代表的战术AI平台，具备在边缘节点本地完成图像识别、威胁排序、打击建议生成等核心能力。TACAI系统旨在支持在无网络环境下的实时决策，例如无人机目标识别等任务。美海军领域的代表性系统是AEGIS作战系统（Aegis Combat System），其升级版本已引入AI算法用于目标轨迹重构、威胁等级预测与火控推荐。AEGIS系统整合舰载雷达（如AN/SPY-6）、电子战传感器、导弹系统等构成实时闭环，其核心作战模式为“自动识别→快速定位→即时反应”。新一代“BMD（导弹防御）版本”AEGIS系统已具备同时处理多飞行目标轨迹、自动选择拦截武器与优先目标的能力，并正计划与CJADC2战术云对接，实现跨平台目标共享与指令链融合。

3.2.7.3 美国AI+军事的代表企业和案例

美国人工智能企业通过提供先进的技术支持，加速研发进程和降低项目成本，助力美军工AI项目的发展；而军工AI项目则为人工智能企业提供了丰富的应用场景，促进技术迭代与创新，并增强其市场竞争力。双方通过技术合作、数据共享和战略合作伙伴关系等模式，加速了AI技术在军事领域的应用和项目的落地实施。预计这一系列战略合作将促进美国人工智能产业的应用，同时让硅谷重回“国防谷”，并因此改变美国军工利益集团的格局和硅谷的主导文化。

近年来，在美军推进CJADC2体系、构建智能化战场的进程中，一批新兴高科技企业正逐步取代传统军工承包商在关键技术链条中的核心地位，形成以AI能力为主导的“新军工联盟”。这一联盟并非单一武器供应商体系，而是以数据、算法、平台与多域算力为主轴的跨产业协同网络，其战略地位已由“技术支撑方”跃升为“体系架构共同构建者”。代表企业包括 SpaceX、Anduril、Palantir、OpenAI 等，它们依托在人工智能、商业航天、大数据建模等领域的原生优势，广泛参与美军在感知融合、智能指控、作战推演、无人系统等领域的核心项目，为军事AI能力体系注入持续的技术活力。

这类企业通过与美国政府和军方形成深度协同，不仅带动了军工AI的技术突破，也在结构上重塑了传统军工产业格局，推动行业向平台化、智能化、多元化加速演进。例如，专注于智能作战平台与数据决策引擎的Palantir，在2023–2024年间市值上涨超过10倍，成功超越波音、洛克希德·马丁、雷神等传统防务巨头，成为全球市值最高的军工科技企业，标志着AI平台型公司正在成为未来国防体系的中枢性力量。

在数据获取层，以SpaceX为代表的商业航天企业通过星链系统提供低轨高通量卫星通信，实现战场的实时连接与动态信息回传；Maxar、Planet Labs等商业遥感公司则提供高分辨率卫星图像，成为战术目标定位与环境评估的重要支撑；而新一代GPS系统的持续升级也显著增强了战场导航、授时与抗干扰能力，为全域感知打下了技术底座。

在基础平台层，Anduril公司打造的“晶格网格（Lattice Mesh）”系统以及Palantir的Gotham与Foundry平台，成为战场中枢神经系统的代表。它们通过AI算法对多源感知数据进行实时融合、语义解析与战术重构，构建从“数据流”到“作战指令”的智能决策通道，并支持跨平台、跨军种的全域协同作战。特别是晶格网格系统突破了传统C2架构中心化的瓶颈，使得前沿作战单元具备更强的自组织和任务适应能力，赋能战术级别的指挥智能化。

在作战应用层，帕兰提尔（Palantir）、C3.ai、Shield AI 等企业通过深度参与目标识别、火力推荐、无人系统协同等任务模块，推动AI算法从“辅助判断”向“主导行动”跃升。以JFN（联合火力网）为例，该系统已整合多家企业的AI模块与作战资源接入能力，构建起“从任一传感器发现目标，到任一平台迅速打击”的智能火力闭环，实现“发现即摧毁”的作战逻辑重构。

整体来看，AI企业主导的“新军工联盟”已全面嵌入从感知、理解到行动的三大智能战场层级，其角色已不再是传统意义上的外包商或配套商，而是构建未来战争体系的“算法架构师”与“作战逻辑塑造者”。这不仅重塑了美国国防技术供应链的形态，也对我国军工生态和战略竞争格局带来借鉴意义。

3.2.7.4 下一代AI+军事技术趋势展望

军工AI正在重塑现代战争体系，有望从辅助工具跃升为智能战场的核心中枢。美军通过构建以“数据获取—智能平台—作战应用”为主干的三层级作战架构，实现从感知到打击的闭环式智能决策。在美军“联合全域指挥控制系统”（CJADC2）框架下，AI的应用已渗透至多个关键分系统，从不同维度显著提升了作战方式、作战效能和决策速度，系统性赋能无人系统、网络攻防、战场感知、战争推演与后勤保障等五大作战核心领域。在此背景下，未来军事竞争重点关注低轨卫星（通导遥一体化）、AI平台与边缘智能、智能无人系统三大方向的融合突破，构建体系化、可实战部署的智能作战能力。

1）无人系统：无人装备智能化水平快速提高，应用场景全面性价比凸显

在CJADC2架构中，AI对“无人作战体系”的改造正向“空-地-海-水下”全域智能平台集群演化。无人系统的全面部署，正在重塑美军作战编组方式与指挥控制链路，形成以AI算法为中枢的任务分布式执行网络。无人驾驶地面车辆（UGV）、无人驾驶航天器、无人驾驶航空器（UAV）和无人驾驶水下车辆（UUV）正在逐渐部署于军事应用。利用AI感知和快速学习周围环境，为无人机器自主导航提供建议，是目标检测和模式识别学习算法的典型应用。自主车辆（AVs）使用 NN（RNN）、LSTM 和 RL 等 AI 技术在各种情况下可以很好的清除路径，未来还能够完成更多任务。

在空中平台方面，AI已广泛嵌入各类无人机（如XQ-58“女武神”、ALTIUS-600M、MQ-28“幽灵蝠”等）的导航系统与任务模组，实现多机协同、自主避障、目标识别与打击路径规划等核心功能。AI赋能的无人机集群作战系统通过自主协同和智能决策，实现了对复杂战场环境的快速响应和高效作战。例如，美国国防部高级研究计划局（DARPA）主导的“编队空中作战”项目，旨在开发能够自主协同的无人机集群，以执行侦察、电子战和精确打击等任务。美国空军提出，作为美国空军更广泛的"下一代空中优势"（NGAD）计划的一部分，该计划旨在快速部署大量自主无人驾驶飞机（正式名称为 "CCA"），与第五代或第六代有人驾驶战斗机协同作战。

美空军在2月举行的“橙旗25-1”军事演习中，成功测试了MQ-20“复仇者”无人机搭载的蜂群思维人工智能系统，该系统由Shield AI公司开发。期间，MQ-20无人机在飞行中切换至蜂群思维系统控制模式。通过蜂群思维系统，无人机群可动态分配任务、实时共享战场信息，并能快速应对威胁。这种“群体智能”不仅提升了作战效率，还降低了单机被击毁对整体任务的影响。目前，Shield AI公司正推动蜂群思维系统成为美空军“协同作战飞机”项目的标准配置。

AI技术提升机器人的适应性与理解力。2021年4月，法国军队在军事演习中测试了波士顿动力的“Spot”机器狗，用于侦察任务。这次演习展示了“Spot”在军事应用中的潜力，包括在复杂地形中的导航能力和对士兵的支持。AI技术在军事机器人中的应用越来越广泛，特别是在提高机器人对环境的适应性和对人类指令的理解能力方面。

地面无人装备适应于城市战的特点，具备广阔的应用空间。美陆军持续推进“未来地面战斗系统”（FMS）中无人战车（UGV）的战术部署，诸如“机器人战车-中型”（RCV-M）已具备AI辅助导航、火力引导与危险区域前出侦察能力。目前正在进行的俄乌冲突、巴以冲突均主要以城市战为主要作战样式。城市战需要高度智能化、精准化的技术装备，如陆军察打一体无人机、军用机器人、无人车等。这些技术装备可以提高作战效率，减少误伤和误杀的可能性，并且可以加强情报收集和交流，提高作战效率。

海上与水下作战领域，美国海军逐步将“有人/无人协同作战能力”作为未来水面与水下编队建设的核心方向。多个大型无人水面舰艇（USV）与无人潜航器（UUV）项目已由AI系统赋能运行：包括“幽灵舰”Sea Hunter、“鲸歌”XLUUV，以及“标枪鱼”特种无人水下平台等。

2）AI驱动的网络攻防系统：主动防御与认知领域作战

在现代战争中，网络空间已成为关键战场，人工智能（AI）技术的引入显著提升了网络攻防能力，正引领着网络安全策略从被动防御向主动预防和智能响应的方向转变。

AI赋能的主动防御：从感知优势到攻防再平衡。在传统网络安全体系中，防御方长期处于“漏洞后修补”模式，难以对抗高强度、快速演化的网络攻击。美国国防部体系通过引入AI技术构建“智能化主动防御”系统，正在逐步扭转这一局面。美军联合人工智能中心（JAIC）开发的“AI防火墙”，利用生成对抗网络（GAN）模拟潜在攻击路径，提前发现系统漏洞并进行强化修补，从“被动检测”向“前置防御”演进。例如，美国国防部高级研究计划局（DARPA）于2016年举办的网络安全超级挑战赛（Cyber Grand Challenge）中，卡内基梅隆大学团队开发的“Mayhem”AI系统，展示了自动发现和修补漏洞的能力，证明了AI在网络防御中的巨大潜力。该系统于2020年被全面部署于美国国防部各机构，旨在提升防御者发现漏洞的速度，超过攻击者利用漏洞的速度。

人工智能武器化与网络攻防平衡。更深层次的变革在于，AI的引入正促使网络空间的攻防格局发生结构性变化。根据乔治城大学安全与新兴技术中心（CSET）2022年报告，AI武器化最初确实强化了攻击方能力，如自动化漏洞发现、海量渗透路径规划等，短期内加剧了“进攻者优势”。但随着AI能力向防御侧同步下沉，防守方通过AI提升漏洞覆盖率、整合碎片化监测资源，并部署自主响应机制，逐步形成“规模引发的攻防转换”（OD scaling）。即：在较低技术密度下，AI赋能进攻更易建功；而在高密度部署场景下，AI增强防御方资源整合与持续修复能力，最终反将优势转移至防御一侧。正如布鲁斯·施奈尔（Bruce Schneier）所言，AI技术的成熟“将使发现与修复所有关键漏洞成为可能”，实现从“攻强守弱”向“智能均衡”过渡。CJADC2架构下，主动防御已不仅是战术响应工具，而成为塑造网络安全态势的战略机制，推动网络空间重回可控、可稳的平衡区间。

认知领域作战：AI赋能的舆论战与信息操控。认知领域作战（Cognitive Warfare）是一种通过信息手段影响目标群体的思维、态度和行为，以达到战略目的的现代战争形式。其核心在于利用信息传播、心理操作等手段，塑造或改变目标对象的认知，从而影响其决策和行动。这种作战形式融合了心理战、舆论战和信息战，被视为非动能作战的高级形式。

人工智能技术的进步为认知作战提供了强大的工具。AI可以通过大数据分析、自然语言处理和深度学习等技术，精准识别目标群体的认知模式和信息需求，从而制定更有效的舆论引导策略。例如，AI可以分析社交媒体上的海量数据，识别出关键意见领袖和热点话题，进而通过定向信息投放影响公众舆论。此外，AI生成的深度伪造（Deepfake）技术能够制造高度逼真的虚假音视频内容，用于误导公众或抹黑特定目标。

美国在认知作战领域具有丰富的实践经验，广泛运用AI技术进行舆论战和信息操控。2001年美国防部呈交国会的报告《网络中心战》中，首次在军事上引入认知域概念，明确强调“认知域决定着很多战斗和战争的胜负”。随着战争实践和科学技术的不断发展，美认知战实现从“量”到“质”的跃升，2020年3月，位于美国的北约盟军转型司令部推出“作战2040：北约在未来将如何竞争”认知战项目，全面展示美国对认知战概念、目标、手段、特征的系统理解和深刻把握，充分体现美国在认知域多维布局、多方入手、多点发力、多向运用的特点。美国国防部高级研究计划局（DARPA）推出了多项项目，融合纳米技术、生物技术、信息技术、神经科学和人工智能等，旨在提升个体认知能力，以在特定场景和关键节点发挥战略杠杆作用，影响作战全局。

3）战场情报与态势感知：从信息拼图迈向智能全景

以AI为核心驱动的情报体系正在从“碎片整合”向“智能生成”跃迁，通过多源感知、大模型解析与实时识别能力，构建出具有预测性、适应性与自治特征的作战环境理解机制。

多源情报融合：AI驱动的信息整合中枢

传统情报融合往往受限于源头隔离、格式不统一与处理周期过长的问题。CJADC2以Palantir Gotham、Palantir Foundry、Project Maven等平台为中枢，接入来自卫星、无人机、地面雷达、通信拦截、社交媒体等多源数据，借助AI模型进行语义统一、威胁重构与战术相关度排序。

Palantir平台通过将多源情报融合、AI辅助决策、星载算法部署与大语言模型推理能力整合，显著提升了乌克兰军队的战场态势感知、快速决策与目标打击效率，构建出具备“非对称优势”的战场AI中枢。

情报融合分析：实现战术级别的信息优先权。Palantir平台在战场数据处理方面具备快速融合能力，可在1小时内提供俄军部署与高价值目标位置判断；帮助乌军构建了动态指派 + 自主执行的任务体系，在特种作战中大量应用于伏击、斩首、破袭等高价值作战任务；平台支持多种数据类型的情报快速整合：卫星图像、社交网络、战术终端、通信截获等。

AI辅助指挥与决策：显著压缩OODA周期：AIP平台可实时生成多种打击方案（如F-16、远程火炮、标枪导弹），结合敌我部署、弹药状态与时间窗口做出最优方案推荐。在2023年跨年夜袭击行动中，乌军使用AIP快速决策，仅用数十秒完成火力组织与指令下达，相比俄军传统炮兵体系需耗时3-5分钟；平台具备人机共决策机制，AI建议由指挥员审核确认，保持指挥权稳定性。

Meta Constellation星载算法系统：构建空天地一体作战链路。Palantir通过Meta Constellation将AI微模型部署于在轨卫星，与SpaceX星链形成“快速感知-定位-传输-打击”闭环；支持在指挥网络瘫痪情况下，战场数据依然可通过星链进行目标上报与打击任务下达；集成AI人脸识别+地理空间智能，实现在动态战场中远距“斩首”式精确打击。

开源情报获取与大模型解析：打破“人力瓶颈”

在当代高强度多域冲突背景下，情报获取不再局限于传统机密来源，开源数据（OSINT）日益成为军事情报的重要支柱。海量异构信息的实时捕捉、筛选、关联与决策支持，正由AI大模型系统接管，实现“从人脑筛选到机器生成”的范式跃迁。AI赋能的开源情报平台通过对新闻、社交媒体、商业遥感、公开数据库等非结构化信息的自动化采集与分析，快速建立区域热点、网络态势、政治经济关联等情报图谱，显著提升了战略与战术层的情报覆盖面与响应速度。

在数据层面，Palantir Gotham整合的数据源分为传统军事情报数据与非传统开源情报数据两大类。传统军事情报数据包括：1）国家地理空间情报局（NGA）提供的卫星遥感图像与地理信息系统（GIS）数据；2）国家安全局（NSA）与战区信号情报平台获取的通信拦截数据（SIGINT）；3）地面雷达、无人机、红外传感器等前线实时感知节点；4）任务数据库中累积的历史作战与演训数据；5）来自盟军（如五眼联盟）的情报共享接口。非传统开源情报数据则涵盖：1）社交媒体平台上的位置发布、图像上传与战场动态言论（如X、TikTok等）；2）开源视频与照片资料中的目标识别数据，经由图像识别系统处理后用于战术推演；3）网络论坛与暗网中的异常通信行为模式；4）商业卫星图像提供商（如Planet Labs、Maxar）的民用遥感数据；5）开源数据库中的地理、政治、人口与语言数据集（如OpenStreetMap、Wikidata）。

美国军方多个前沿项目正在推动这一能力向战场前沿落地：

VANE系统（BigBear.ai）：作为美国国防部合作项目，VANE通过实时抓取全球公开数据（如社交媒体、新闻、商业遥感图像等），借助自然语言处理与图神经网络分析技术，自动生成动态威胁评估报告。例如系统可识别特定国家对某一军事演习的网络舆情异常，进而预测可能的灰区干预或军事动作，成为跨域战略部署的重要参考。

DARPA“心智理论”项目：该系统通过整合经济、科技、外交政策等多维度信息，构建敌方国家高层领导的行为模型，模拟其在不同压力情景下的战略选择逻辑。尽管在2024年多场景仿真测试中展现出良好的政策趋势预测能力，但仍面临历史数据片面、短时反应不准等战术层挑战。

战场决策支持——城市作战路径规划：美陆军实验室基于开源地理信息（如OpenStreetMap）与战区社交动态，部署“专家AI”系统对城市战场进行高风险路径预测，优化部队通行路线。该系统可动态避开高密集民居区与敌方潜伏点，降低附带伤害，提升任务精准度与伦理容忍度。

非对称作战优势——供应链与基础设施打击：美军情报单元使用AI工具快速解析敌对国家或非国家武装组织的公开数据，如武器生产企业、交通节点、卫星通信公司等供应链信息，定位其“战术弱链”。这一能力为网络战、电子干扰与定点打击提供了精准靶标支持，在低成本条件下显著提升打击效能，实现了“以智取强”的非对称战略目标。

实时目标识别：从“感知延迟”到“自动推演”

现代战场节奏持续加快，传统“观察—报告—命令—打击”的指令链难以满足高动态作战环境需求。CJADC2体系强调“以算法压缩链路”，在战术前沿部署轻量化AI模型，使目标识别、威胁评估与火力推荐过程从“分钟级”压缩至“秒级”，实现真正意义上的“边感知、边决策、边打击”。

以美陆军TACAI系统为代表的战术AI平台，具备在边缘节点本地完成图像识别、威胁排序、打击建议生成等核心能力。TACAI系统旨在支持在无网络环境下的实时决策，例如无人机目标识别等任务。美海军领域的代表性系统是AEGIS作战系统（Aegis Combat System），其升级版本已引入AI算法用于目标轨迹重构、威胁等级预测与火控推荐。AEGIS系统整合舰载雷达（如AN/SPY-6）、电子战传感器、导弹系统等构成实时闭环，其核心作战模式为“自动识别→快速定位→即时反应”。新一代“BMD（导弹防御）版本”AEGIS系统已具备同时处理多飞行目标轨迹、自动选择拦截武器与优先目标的能力，并正计划与CJADC2战术云对接，实现跨平台目标共享与指令链融合。

4）战争推演与训练：从虚拟仿真到智能指挥力构建

AI增强了军事训练模拟的真实性和有效性。人工智能（AI）在战争推演与训练领域的应用，正从传统的虚拟仿真迈向智能指挥力的构建。通过引入AI技术，军事训练系统能够模拟复杂的战场环境，提升指挥官的决策能力和部队的协同作战水平。

美国在军事训练中积极利用AI技术，开发了多种模拟训练系统。例如，Command: Professional Edition（PE）是一款被五角大楼、美国空军和英国战略司令部等军事机构采用的模拟程序。该系统拥有高度精确的全球军事装备数据库，支持军事分析和战略制定。包含实时多人模式、高分辨率全球地形数据、自定义地面单位、编队预设、交互式命令行界面（CLI）等。此外，AI还被用于开发新的战争推演方法。研究人员提出了COA-GPT，一种利用大型语言模型（LLM）快速生成军事行动方案的算法。COA-GPT结合军事学说和领域专业知识，允许指挥官输入任务信息，并在几秒钟内生成符合战略的行动方案。

法国“战术AI战斗模拟”系统的核心优势在于将AI战术推演与虚拟协同训练深度融合，构建高还原度、多要素的智能演训平台。该系统通过战术推理引擎、情境感知算法与行为建模模块，能够动态模拟敌我对抗过程，辅助军官在虚拟环境中完成战术制定、兵种协同与决策复盘。尤其在“有人-无人”混合编组模拟方面，法国系统已实现虚拟空间内地面部队与无人平台协同作战的实训演练，大幅提升训练多样性与指挥系统容错性。系统目前已在法国陆军及北约框架下广泛部署，成为欧洲军队智能化训练体系的关键组件。2018年，法国通过加大投资，推动将近400个项目向人工智能转型；2024年法国宣布成立国防人工智能部长级机构（AMIAD）。

在实际应用中，乌克兰军队收集了超过200万小时的无人机战场视频，用于训练AI模型，提升目标识别和战略决策能力。这些数据的积累和分析，增强了战场效率，体现了AI在现代战争中的重要作用。

美国还将AI作为重构军事教育体系的战略支点。根据RAND公司研究，美国国防部正在将人工智能训练纳入职业军官生命周期教育体系（PME），形成从初级军校到高级指挥课程的“全栈式AI认知训练路径”。这一体系强调军官不仅要掌握AI工具，更需理解AI如何做出判断，从而与AI模型协同推理、互补控制。国会授权的《DoD AI战略》已明确要求构建AI相关职业路径，并推动空军战争学院、陆军作战指挥学院等高等军事教育机构系统性引入AI推演工具与人机共训平台。军官在模拟作战中需掌握AI模型推荐的战术路径、分析其依据，并根据情境判断是否采纳与调整，实现人类-算法混合决策逻辑的演训场景化应用。尽管当前尚存在军种间培训标准不一、系统互操作性待提升等问题，但已构成美军AI军事训练的系统框架。

5）供应链与装备维护：从响应式后勤走向预测型保障

在AI全面赋能美军作战体系的背景下，后勤保障不再只是作战系统的附属支撑，而是融入“决策-执行”闭环的关键环节。AI技术通过对装备状态、供应链节点和战场需求的实时预测，实现了后勤系统从“被动响应”向“智能前置”的战略转型。

预测性维护与数字孪生系统提升装备完好率。以F-35战斗机为代表的高价值装备，其维护保障工作正全面转向AI驱动的“基于状态的强化维护（Condition-Based Maintenance, CBM+）”模式。美国空军借助AI模型对传感器数据进行持续学习与趋势预测，可提前发现系统疲劳、部件磨损等故障隐患，并在损坏发生前即部署替换计划。例如，F-35最初配备的自主后勤信息系统ALIS（Autonomic Logistics Information System），曾作为全球分布式数据平台，被用于自动生成维修计划、优化部件替换流程，理论上可将计划外停飞时间减少20%以上。美国国防部自2020年起逐步推进新一代维护平台——ODIN系统（Operational Data Integrated Network）的替代部署。ODIN采用云原生架构，具备更强的模块扩展性和用户友好性，在2022年底前全面接管F-35后勤保障任务，实现更快数据同步、更精确健康评估和更智能的维护建议生成。

AI能力的进一步增强源自洛克希德·马丁与谷歌云的深度合作。近期，洛马在ODIN与预测性维护体系中引入其自研的AIFactory平台，该平台结合谷歌云提供的TPU（张量处理单元）大幅提升模型推理效率。在实际应用中，AIFactory基于多层神经网络结构，对飞行数据、任务负载、结构应力等多源信息进行建模，支持对维保任务的智能编排、部件磨损趋势识别以及任务间隔动态优化。

AI优化全球供应链布局，构建“弹性库存”机制。在传统军事后勤体系中，库存调度常因“以防万一”式冗余储备和线性响应机制而效率低下、成本高昂，尤其在远海部署与战区快速转场中面临高风险断供问题。美军近年来积极推动AI在全球供应链管理中的深度嵌入，以期实现预测驱动、按需分布、弹性回调的新型“智能库存链路”。美国海军的LAI（Logistics AI Integration）计划是智能供应链管理的代表工程。该系统基于舰艇任务计划、历史维修记录和部件损耗模型，使用AI算法预测未来各类零部件的使用概率和更换时间，从而实现对全球库存的智能调度。

AI辅助运输调度，规避战场威胁与补给延误。在运输路由规划方面，AI系统整合天气、交通、战场火力态势等多因素，动态生成最优补给路线，并与无人驾驶运输平台联动，完成全流程物资配送自动化。这种协同效应显著降低了在敌对环境下后勤车队的暴露风险，提升了战时补给任务的准时率和安全性。

开源智能工具支撑非对称后勤打击。AI也被用于解析敌方武器制造企业、通信节点、交通枢纽等供应链信息，识别“战术弱链”并将其转化为打击目标。这一策略在低成本条件下形成了对敌后勤体系的“精准削弱”，提升了美军在复杂冲突环境下的非对称制胜能力。

6）分系统人工智能军事应用重点方向成熟度

从目前美军AI军事应用的发展态势来看，态势感知、目标识别、无人平台控制与智能化武器系统等技术方向正加速迈入“成熟期”。这些系统往往部署在感知链路前端或武器终端，具备明确任务目标、数据结构清晰的优势，使其更适合率先实现算法闭环与系统集成。

相比之下，作战辅助决策与复杂情报分析等需要人类高度参与的系统，仍处于AI赋能的“成长期”。 这类任务往往涉及跨模态信息融合、多变量推理与高层逻辑建模，尤其在多域作战环境下，需要AI系统不仅“看见战场”，更要“理解局势”“预测行动”，这对模型的泛化能力、语义理解力和因果推理结构提出更高要求。以Palantir Gotham平台为例，虽已具备生成战术建议、评估威胁等级与路径规划能力，但目前仍需由人类指挥员进行“最终裁判”，AI更多充当智能助手角色，尚未实现完全的决策自动化。

这种“感知先行，决策待破”的分层发展态势，凸显当前AI军事应用面临的本质难点在于：任务的不确定性越高、信息的模糊性越强，AI系统越难脱离人类监督独立运行。未来，随着多模态大模型、神经符号推理、因果建模等前沿AI技术的军用转化深入推进，辅助决策与情报分析方向有望迈入“融合期”，实现“人机协同判断—自主辅助决策—指令执行闭环”的全流程一体化演进。

3.2.7.5 军事AI新型作战样式下我国产业链关注方向

在此背景下，我国军事AI相关产业链的战略发展方向应聚焦于以下三大核心领域，对应美军三层级模型，构建具备自主可控与体系对抗能力的未来作战支撑结构：总体而言，未来军事AI竞争的本质不在于某单点技术的突破，而在于“跨层级协同、跨域智能闭环”的能力构建。我国相关产业链可参考对标美军智能作战三层级架构，在星地融合、算力分布、无人智能平台等方向实现系统跃升。

1）低轨卫星系统（对应数据获取层）：构建“通导遥一体化”感知基座

美国通过Starlink星链构建天基通信覆盖，通过Maxar等遥感卫星提供亚米级战术图像，并借助GPS III/IIIF强化PNT系统，形成高可靠、弹性强、全天候的战场信息支撑网。特别是在俄乌冲突中，星链成为关键通信保障力量，其战时网络冗余调度和敌我管控能力为全球提供了“战时低轨通信”范式。我国在高分遥感、高轨卫星通信、北斗三代导航系统方面已形成较为完善布局。下一步应聚焦“通导遥融合+低轨组网”能力提升，通过星座部署、数据接口标准化与任务级智能调度算法的联动，构建多层次、多模态的空天感知系统。可重点支持“军事+民商”双轨推进路径，加快打造具备星间通信、中继自愈与低延迟回传能力的自主天基感知网络。

在“通导遥一体化”感知基座的建设路径中，我国低轨卫星系统的未来发展重点，正在由“信息获取”向“智能计算”延伸演进，推动从‘天数地算’向‘天数天算’的本质跃升。这不仅是星座规模的扩张，更是体系结构的战略再定义。以AI驱动的智能感知网络为核心，未来低轨卫星将不再是简单的信息中继节点，“算力星座”将成为“在轨智能体”，具备本地分析、智能判断、实时反应能力，极大提升感知-决策链路的速度与可靠性。

海外方面，Palantir通过“MetaConstellation”系统，已将微型AI模型部署至在轨卫星，实现在太空端完成任务调度与数据融合，与SpaceX星链构建起“快速感知-定位-传输-打击”一体化闭环体系。这种“边云协同+星地融合”的架构，使传统的中心计算模式得到重构，形成多节点、分布式、弹性冗余的战场感知能力，极大增强作战节奏与抗毁性能。我国也已在算力星座方向展开系统布局，形成“实验验证—平台部署—生态成型”的全链条推进格局：1）之江实验室提出“天基算力星座”计划，目标是构建全球覆盖、动态调度的天基智能计算网络，为低空经济、智能感知和军事任务提供就近算力支持，探索“云边天”一体化架构。“三体计算星座”项目，将协同全球合作伙伴，共建千星规模的天基智能计算基础设施，星座建成后整个太空算力将达到1000P（每秒百亿亿次浮点运算）。2）国星宇航启动“星算计划”，共计2800颗算力卫星组网，同时将与地面超过100个算力中心互联互通，从而构建未来天地一体化算力网络。重点在于推进太空计算技术，探索异构在轨计算、智能芯片部署与星载操作系统架构，构建以算力为核心的新型卫星体系，实现数据预处理、本地分析、任务联动的在轨作战能力。3）中科曙光（中科院空天院）则从更广泛的算力生态入手，整合“芯片—整机—平台—服务”全链条，投资中科星图、中科三清、中科天玑等核心企业，向天基计算提供技术储备与工业支撑，并在“时空大数据+AI模型”融合方面具备较强先发优势。

2）AI平台与边缘端部署（对应基础平台层）：打造战术智能中枢

美军在该层级的代表是Palantir Gotham、Foundry、Anduril Lattice Mesh等平台，通过接入多源异构数据、构建战术图谱与情报关联网络，实现快速理解与自动化指令生成。同时，战术AI服务器（如TACAI）被部署到前线，实现战场本地推理与低延迟响应能力，强化了平台级AI与边缘端AI的协同。

我国当前在算法平台能力（如类Gotham的智能决策系统）、国产AI芯片及算力模组等方向具备一定基础，应强化“平台软件 + 端侧算力 + 系统集成”三位一体发展路径。推动面向军事场景的AI中台部署，结合战术节点高性能AI边缘计算终端，构建前沿-中台-后端协同作战网络。同时推动工业级AI模型（识别、预测、语义建构）向战术级轻量模型转化，适应实战部署需求。例如，渊亭科技推出了“天机·军事大模型”平台，采用“大模型带小模型”的架构，融合知识图谱、图计算、强化学习等技术，已在强敌研究、作战指挥、模拟训练等70多个军事场景中实现应用。

3）智能无人系统（对应作战应用层）：构建“感知—决策—打击”一体化执行体系

美国在JFN系统中整合F-35、B-21、HIMARS等平台的AI火力调度能力，支持目标识别、威胁评估与武器指派自动化；而在无人系统方面，Shield AI、Anduril Ghost无人机等实现蜂群作战、地图重建、自主打击等复杂任务执行；DARPA还推进“自主武器与人类协同”路径规划系统，构建未来“机动即火力”结构。

我国在察打一体无人机、地面无人车、无人舰艇与水下潜航器（UUV）等领域已有工程化进展。以“集群智能+多域协同”为发展核心，突破动态目标追踪、自主航迹优化、作战任务重构等关键能力，推动“AI原生型”无人系统体系化生成。并探索基于数字孪生与虚实融合演训机制，构建从开发—训练—实战的一体化闭环。

北美经济衰退预期逐步增强，国际地缘变局冲击全球供应链韧性，企业海外拓展承压；芯片结构性短缺可能制约产能释放与交付节奏；行业竞争加剧触发价格战隐忧，中低端产品毛利率可能跌破盈亏平衡点；原材料成本高企叠加汇率宽幅波动持续侵蚀外向型企业利润空间；技术端则面临大模型迭代周期拉长的风险），影响AI产业化进程；汽车智能化渗透率及工业AI质检等场景落地进度不及预期，或将延缓第二增长曲线兑现。

黄文涛：经济学博士，纽约州立大学访问学者。现任中信建投证券首席经济学家、研究发展部联席负责人、中信建投机构委、投委会委员，董事总经理。兼任南开大学硕士导师、中信改革发展研究基金会咨询委员、中国首席经济学家论坛理事、中国证券业协会首席经济学家委员会委员等职务。多次参与国务院部委等机构形势分析研讨及课题研究。多年荣获新财富、水晶球、金牛奖、保险资管协会等最佳分析师，2016年新财富最佳分析师评比荣获固定收益第一名。2024年荣获服务高质量发展最佳首席经济学家。

阎贵成：中信建投证券通信行业首席分析师，北京大学学士、硕士，近8年中国移动工作经验，9年多证券行业研究工作经验。目前专注于人工智能、云计算、物联网、卫星互联网、5G/6G、光通信等领域研究，曾多次获得证券行业各大评选的通信行业第一名，如新财富、水晶球、金麒麟、上证报、Wind等。

程似骐：汽车行业首席分析师，上海交通大学车辆工程硕士，师从发动机所所长，曾任职于东吴证券、国盛证券，四年证券行业研究经验。2017年新财富第二团队核心成员，2020年新浪财经新锐分析师第一名，2020年金牛最佳汽车行业分析师团队第五名。深度覆盖新能源整车，智能化零部件，把握智能化电动化浪潮，对智能驾驶全产业链最前沿研究，深度跟踪从产业链最上游车载芯片到下游最前沿的L4的商业模式前沿演变。2021年新财富最佳分析师汽车行业第四名。

崔世峰：海外研究首席分析师，南京大学硕士，8年买方及卖方复合从业经历，专注于互联网及科技龙头公司研究。2024新财富海外市场研究第五名；2022-2023年新财富港股及海外最佳研究团队入围；2019-2020年新财富传媒最佳研究团队第二名核心成员。

贺菊颖：中信建投证券医药行业首席分析师，复旦大学管理学硕士，10年以上医药卖方研究从业经验，善于前瞻性把握细分赛道机会，公司研究深入细致，负责整体投资方向判断。2020年度新浪财经金麒麟分析师医药行业第七名、新财富最佳分析师医药行业入围、万德最佳分析师医药行业第四名等荣誉。2019年Wind“金牌分析师”医药行业第1名。2018年Wind“金牌分析师”医药行业第3名，2018第一财经最佳分析师医药行业第1名。2013年新财富医药行业第3名，水晶球医药行业第5名。

黎韬扬：研发部执行总经理、军工与新材料团队首席分析师，北京大学硕士。2015-2017年新财富、水晶球、Wind军工行业第一名团队核心成员，2018-2024年水晶球军工行业上榜，2018-2020年Wind军工行业第一名，2019-2022年金牛奖最佳军工行业分析团队，2018-2024年新财富军工行业上榜、入围。

刘双锋：中信建投证券电子首席分析师。3年深南电路，5年华为工作经验，从事市场洞察、战略规划工作，涉及通信服务、云计算及终端领域，专注于通信服务领域，2018年加入中信建投通信团队。2018年IAMAC最受欢迎卖方分析师通信行业第一名团队成员，2018《水晶球》最佳分析师通信行业第一名团队成员。

刘永旭：中信建投证券通信行业联席首席分析师，南开大学学士、硕士，曾从事军工行业研究工作，2020年加入中信建投通信团队，主要研究云计算IDC、工业互联网、通信新能源、卫星应用、专网通信等方向。2020-2021年《新财富》、《水晶球》通信行业最佳分析师第一名团队成员。

庞佳军：人工智能&电子联席首席分析师。

陶亦然：汽车行业联席首席分析师。曾任银河证券汽车分析师，2018年加入中信建投汽车团队，2018/19年万得金牌分析师团队核心成员，2019/20年新浪财经新锐分析师团队核心成员,2020年金牛最佳行业分析团队核心成员，2021/22年新财富、水晶球最佳分析师团队核心成员。

王在存：中信建投医疗器械及服务首席分析师，北京大学生物医学工程博士，《医疗器械行业蓝皮书》编委。团队负责研究医疗器械与医疗服务各细分赛道的发展趋势和投资机遇，团队成员的医疗产业资源丰富。

许琳：中信建投证券新能源汽车锂电与材料行业首席分析师，7年主机厂供应链管理+2年新能源车研究经验，2021年加入中信建投证券研究发展部，主要覆盖新能源汽车、电池研究。

许光坦：中信建投机械首席分析师，上海交通大学硕士，2021.4-2023.5曾就职于东北证券研究所，2023年5月加入中信建投证券，覆盖工控、传感器、注塑机、机床刀具、锂电设备方向。

杨艾莉：中信建投证券传媒互联网行业首席分析师，中国人民大学传播学硕士，曾任职于百度、新浪，担任商业分析师、战略分析师。2015年起，分别任职于中银国际证券、广发证券，担任传媒与互联网分析师、资深分析师。2019年4月加入中信建投证券研究发展部担任传媒互联网首席分析师。曾荣获2019年wind资讯传播与文化行业金牌分析师第一名；2020年wind资讯传播与文化行业金牌分析师第二名；2020年新浪金麒麟评选传媒行业新锐分析师第二名。

叶乐：中信建投证券纺服轻工及教育行业首席分析师，毕业于复旦大学金融硕士专业，2024年“金牛奖”纺服行业最佳分析师，2023年“新浪金麒麟”菁英分析师纺服第4、家居第5，2020年“新财富”海外最佳分析师第5名团队成员，目前专注于纺服、轻工、黄金珠宝、教育人力、医美个护等消费服务产业研究。

应瑛：中信建投证券计算机行业首席分析师，伦敦国王学院硕士，5年计算机行业研究经验。2021年加入中信建投，深入覆盖医疗信息化、工业软件、云计算、网络安全等细分领域。

于芳博：中信建投人工智能组首席分析师，北京大学空间物理学学士、硕士，2019年7月加入中信建投，主要覆盖人工智能等方向，下游重点包括智能汽车、CPU/GPU/FPGA/ASIC、EDA和工业软件等方向

袁清慧：中信建投制药及生物科技组首席分析师。中山大学理学本科，佐治亚州立大学理学硕士，北卡大学教堂山分校医学院研究学者。曾从事阿尔茨海默、肿瘤相关新药研发，擅长创新药产业研究。2018年加入中信建投证券研究发展部，负责制药及生物科技板块。2020年新浪金麒麟分析师医药行业第七名、新财富最佳分析师医药行业入围团队核心成员、Wind金牌分析师医药行业第4名。2019年Wind金牌分析师医药行业第1名。2018年Wind金牌分析师医药行业第3名，第一财经最佳分析师医药行业第1名。2021年新财富最佳分析师医药行业第五名。

赵然：中信建投非银与前瞻研究首席分析师，中国科学技术大学应用统计硕士。曾任中信建投金融工程分析师。目前专注于非银行业及金融科技领域（供应链金融、消费金融、保险科技、区块链、智能投顾/投研、金融IT系统、支付科技等）的研究，深度参与诸多监管机构、金融机构数字化转型及金融科技课题研究。6年证券研究的工作经验。2018年wind金融分析师（金融工程）第二名2019年.2020年Wind金融分析师（非银金融）第四名和第一名，2020年新浪金麒麟非银金融新锐分析师第一名。

朱玥：中信建投证券电力设备新能源行业首席分析师。2021年加入中信建投证券研究发展部，8年证券行业研究经验，曾就职于兴业证券、方正证券，《财经》杂志，专注于新能源产业链研究和国家政策解读跟踪，在2019至2022年期间带领团队多次在新财富、金麒麟，水晶球等行业权威评选中名列前茅。

证券研究报告名称：《AI新纪元：砥砺开疆・智火燎原》

对外发布时间：2025年7月24日

报告发布机构：中信建投证券股份有限公司 

本报告分析师： 

黄文涛 SAC 编号:S1440510120015

SFC 编号:BEO134

阎贵成 SAC 编号:S1440518040002

SFC 编号:BNS315

程似骐 SAC 编号:S1440520070001

SFC 编号:BQR089

崔世峰 SAC 编号:S1440521100004

SFC 编号:BUI663

贺菊颖 SAC 编号:S1440517050001

SFC 编号:ASZ591

黎韬扬 SAC 编号:S1440516090001

刘双锋 SAC 编号:S1440520070002

刘永旭 SAC 编号:S1440520070014

SFC 编号:BVF090

庞佳军 SAC 编号:S1440524110001

陶亦然 SAC 编号:S1440518060002

王在存 SAC编号:S1440521070003

许琳 SAC 编号:S1440522110001

SFC 编号:BVU271

许光坦 SAC 编号:S1440523060002

杨艾莉 SAC 编号:S1440519060002

SFC 编号:BQI330

叶乐 SAC 编号:S1440519030001

SFC 编号:BOT812

应瑛 SAC 编号:S1440521100010

SFC 编号:BWB917

于芳博 SAC 编号:S1440522030001

SFC 编号:BVA286

袁清慧 SAC编号：S1440520030001

SFC编号：BPW879

赵然 SAC 编号:S1440518100009

SFC 编号:BQQ828

朱玥 SAC 编号:S1440521100008

SFC 编号:BTM546