日前，国务院国资委召开“AI赋能产业焕新”中央企业人工智能专题推进会。会议要求，加快建设一批智能算力中心，开展 AI+专项行动，加快重点行业赋能，构建一批产业多模态优质数据集，打造大模型赋能产业生态。本次会议，已是国务院国资委今年第二次“点题”AI领域，要求央企要把发展AI放在全局工作中统筹谋划。
在此背景下，我们特别策划了《释放AI新质生产力引擎动力，实现军工制造业价值跨越》专栏，并将开展相关行业调研。本篇将对AI在军工制造业的多维应用前景进行展望，分析其面临的挑战与机遇，并提出相应的对策建议。我们希望通过一系列的探讨，为AI在军工制造业的应用提供行业参考，共同见证AI技术在国防科技领域的价值跨越。正如国资委推进会所强调的，AI在军工制造业的潜在应用场景广泛，涵盖了从研发设计到生产制造，再到质量控制、供应链管理、运维以及战略规划等各个环节，梳理如下：
原理化研发：AI通过分析军事装备的微观结构数据，深入探究其构型和机理，从而生成具有新特性和优化性能的设计方案。例如，AI可以辅助设计新型装甲材料，通过模拟不同材料在极端环境下的表现，预测其在实际应用中的耐久性和防护能力。前瞻化设计：AI辅助工程师快速生成多样化的设计方案，响应战术需求变化。在军工领域，这意味着可以设计出适应未来战场环境的装备。例如，AI辅助工具可以快速生成工程制图和设计方案，辅助进行布局优化和参数校核，大幅缩减工业设计周期，提升产品研发效率。
生产自动化：AI提高工业机器人执行复杂任务的能力，如自动装配、焊接和涂装，提高生产效率和精度。例如，AI技术使得工业机器人能够执行更复杂的任务，如在弹药生产线上的应用。高效化仿真：AI通过虚拟原型测试和工艺优化仿真，减少物理原型的制造和测试成本。例如，AI大模型可以创建虚拟原型，进行结构和性能测试，优化制造工艺，如减少材料浪费，提高加工效率。
精细化检测：AI结合AR/VR技术和视觉检测，实现对产品质量缺陷、人员违规操作、零部件装配误差等多种工业场景的快速高效视觉检测。例如，通用视觉大模型可以对PCB原始图像进行语义分割，识别各类瑕疵，提高工业产品缺陷检测的效率。智能质量控制：AI实时监控生产过程中的关键参数，自动调整生产条件，确保产品质量始终处于最佳状态。例如，AI系统可以分析质量数据，识别生产过程中的异常模式，提前采取措施预防质量问题。
需求预测与库存优化：AI通过分析历史数据、市场趋势和实时情报，预测物料的需求，帮助企业更准确地规划库存，减少过剩或短缺的风险。例如，AI系统可以预测需求，动态管理库存，确保关键零部件和耗材的及时供应。物流路径规划与优化：AI优化物流路径，考虑运输成本、时间效率和安全要求，为军事物资的运输提供最优解。例如，AI系统可以实时追踪物资运输状态，提前预警潜在的物流问题，确保物资安全及时到达目的地。
智能维护与校准：AI预测检测设备的维护需求，确保检测设备的准确性和可靠性。例如，AI技术可以预测设备维护需求，优化校准流程，减少人为误差，提高检测结果的一致性。环境适应性检测：AI模拟各种极端环境条件，如高温、低温、高湿等，测试装备在这些条件下的性能。例如，AI技术可以模拟极端环境，确保装备在各种环境下的可靠性和性能。
战略资源规划：AI分析资源需求和可用性，为战略规划提供资源分配建议，确保资源的最有效利用。例如，AI系统可以分析资源需求，为军工制造业的战略资源分配提供支持。成本效益分析：AI评估不同供应链策略的成本效益，指导企业在成本和效率之间找到最佳平衡。例如，AI技术可以评估不同生产策略的成本效益，帮助企业优化资源配置，降低成本。
军工AI技术的应用虽然展现出革命性的潜力，但其落地面临着数据、成本、人才以及大模型技术本身等多重障碍与难点。
1、数据质量和样本不足：在军工领域，高质量的数据采集往往受到严格的安全和保密要求的限制，导致数据不稳定和噪声干扰。同时，由于军工企业的设备和生产条件各异，数据标准不统一，质量参差不齐，这给AI的训练和应用带来了挑战。军工企业需要在确保安全的前提下，提高数据采集和处理的质量，以支持AI模型的训练和优化。
2、模型泛化能力与特定任务的准确性：大模型虽然具有较强的泛化能力，但在特定军工任务上的性能和准确性需要通过微调来优化。如何有效地使用prompt（提示词）来指导模型在特定军工场景中的表现，是一个关键问题。这要求军工企业在模型开发过程中，结合实际需求，进行针对性的模型调整和优化。3、算力成本：训练AI大模型需要大量的计算资源，这在初期会带来高昂的成本。尽管随着技术进步，算力成本有所下降，但对于军工企业来说，这仍然是一个不小的负担。军工企业需要在成本控制和技术创新之间找到平衡点，以实现AI技术的高效应用。
4、模型优化与迭代：工业生产过程中的复杂性和多样性要求模型能够适应不同的产品和生产线。建立相应的质检数据库和模型库，针对不同的产品和生产线开发不同的质检方法和算法，是一个巨大的挑战。军工企业需要不断迭代和优化AI模型，以适应不断变化的生产需求。
5、行业专属需求：AI通常基于公开的互联网数据训练，不包含特定军工行业的内部业务数据。军工企业往往不愿意将敏感数据公开给外部技术服务商，这限制了AI在特定行业的应用。军工企业需要在保护敏感信息的同时，探索如何利用AI技术，或者开发定制化的AI解决方案。
6、标准化和体系化：目前，工业大模型的应用尚未形成标准化、体系化的范式，这使得模型的推广和应用存在一定的不确定性。军工行业需要在国家层面推动相关标准的制定，以促进AI技术的规范化应用。7、安全和隐私问题：在制造业中，数据安全和隐私保护尤为重要。如何确保在使用AI处理敏感数据时不泄露关键信息，是军工企业必须考虑的问题。军工企业需要实施严格的数据安全措施，包括数据加密、访问控制等，以保护国家安全和企业利益。8、技术与业务的融合：将AI大模型技术与军工制造业的具体业务流程相结合，实现真正的智能化转型，需要跨学科的知识和实践经验，这对于许多军工企业来说是一个挑战。9、人才和知识转移：军工制造业企业需要具备相应的人才和知识来理解和应用AI技术，这涉及到人才培训和知识转移的过程。军工企业应加强与高校、研究机构的合作，提升员工的AI技能，促进知识的传播和应用。10、法规和合规性：随着AI在军工制造业的应用，相关的法规和标准也需要更新，以确保技术的应用不会违反现有的法律法规以及装备建设条例。军工企业需要密切关注法规变化，确保AI应用的合规性。为了确保AI技术能够安全、高效地融入军工产业，需要采取一系列针对性的举措，确保技术的发展与军工制造业的需求相契合。以下是我们为实现这一目标所提出的建议：- 实施步骤：建立数据安全团队，实施端到端加密，设置严格的访问控制，采用联邦机器学习技术。- 预期效果：确保敏感数据安全，增强数据在本地处理的能力，提高数据保护水平。- 困难与策略：可能面临技术实施成本和技术人才短缺。应对策略是投资于安全技术培训和招聘专业人才。2、法规遵从与合规性：
- 实施步骤：密切关注法规变化，参与法规制定，确保AI应用符合国家安全和军事法规。- 预期效果：避免法律风险，为行业提供合规指导，促进AI技术的规范化应用。- 困难与策略：法规更新可能滞后于技术发展。应对策略是建立跨部门沟通机制，及时反馈技术发展需求。3、数据质量和样本不足：
- 实施步骤：建立数据采集和处理团队，采用合成数据生成技术，推动行业内部数据共享。- 预期效果：提高数据质量和一致性，支持AI模型的训练和优化。- 困难与策略：数据共享可能受到企业间信任度限制。应对策略是建立行业数据共享平台，制定数据共享标准。4、模型泛化与特定任务优化：
- 实施步骤：结合通用大模型和垂直领域大模型，通过微调和prompt工程技术提升特定任务性能。- 预期效果：提高AI模型在特定军工任务上的准确性和适用性。- 困难与策略：模型优化可能需要大量实验和调整。应对策略是建立行业模型优化实验室（平台），进行持续的模型测试和迭代。5、成本效益与资源管理：
- 实施步骤：利用云计算服务降低算力成本，采用高效算法减少资源需求。- 预期效果：确保技术投资的经济效益，实现成本控制。- 困难与策略：初期投资可能较大。应对策略是进行成本效益分析，选择性价比高的技术和服务。6、人才培养与知识转移：
- 实施步骤：设立AI技能培训计划，与高校和研究机构合作，培养专业人才。- 预期效果：提升员工AI技能，促进知识的传播和应用。- 困难与策略：人才培训可能需要时间。应对策略是建立快速培训课程，吸引外部专家进行短期培训。7、行业标准与技术融合：
- 实施步骤：参与制定行业标准，推动AI技术与军工业务流程的深度融合。- 预期效果：促进技术标准化，提高AI技术在军工行业的应用效率。- 困难与策略：标准制定可能涉及多方利益协调。应对策略是建立多方参与的标准制定小组，确保标准的公平性和实用性。8、投资规划与风险评估：
- 实施步骤：分析投资现状，明确投资重点，评估成本效益，识别技术投资的风险与机遇。- 预期效果：确保投资决策的科学性，避免资源浪费。- 困难与策略：投资决策可能受到市场波动影响。应对策略是建立风险评估模型，进行定期的投资回顾和调整。9、AI资源集成与平台建设：
- 实施步骤：构建行业AI研究资源集成平台，规划功能和服务，构建合作伙伴生态系统。- 预期效果：促进技术迭代和知识共享，提高AI技术的整体应用水平。- 困难与策略：平台建设可能需要跨领域合作。应对策略是建立跨学科合作机制，鼓励不同领域的专家参与平台建设。10、技术迭代与持续进化：
- 实施步骤：建立反馈循环机制，将垂直领域大模型的反馈用于通用大模型发展。- 预期效果：确保技术的持续进步和适应性，满足不断变化的生产需求。- 困难与策略：技术迭代可能需要持续的资源投入。应对策略是设立专项基金，支持技术迭代和创新。11、应用场景扩展与创新：
- 实施步骤：遵循“小切口大纵深”原则，利用通用大模型进行原型验证，将成熟技术应用于垂直领域。- 预期效果：推动技术在军工行业的实际应用，实现创新。- 困难与策略：应用场景的扩展可能遇到技术适配问题。应对策略是建立技术适配小组，专门解决技术应用中的问题。12、风险管理与技术实施：
- 实施步骤：在技术探索阶段进行模拟预测，成熟后由垂直领域大模型负责实施。- 困难与策略：技术实施可能面临操作风险。应对策略是建立严格的技术实施流程和监控系统。以上措施建议旨在响应国资委对央企在AI领域的战略部署，确保AI技术在军工产业的安全、合规、高效应用，以及推动行业高质量发展的核心目标。
在AI技术的推动下，军工制造业正经历着一场深刻的变革，我们正在见证AI在提升研发效率、优化生产流程、增强产品性能等方面的巨大潜力。然而，这一进程并非没有挑战，数据安全、模型泛化、成本控制等问题仍需我们持续关注和解决。面对这些挑战，军工行业应保持清醒的认识，采取切实可行的措施，确保AI技术的稳健发展和应用。展望未来，我们期待AI技术能够与军工制造业的深度融合，不仅在技术层面实现突破，更在战略层面为国防科技领域带来革命性的变革。我们相信，通过行业内外的共同努力，AI将成为军工制造业新质生产力的强大引擎，为实现国防和军队现代化提供坚实的技术支撑。
您可以全文转载，但不得修改。如转载本文时修改任何内容，您须在发布前取得上海市国防科技工业协会书面同意。
第一时间追踪军工行业最新动态，解读军工热点背后的行业脉络，上海市国防科技工业协会推出“行业洞察系列”，汇聚行业各领域专家，旨在以多种形式呈现独家洞察，为行业各方参与、理解、改变、引领行业打开新视野。
