2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）.pdf

《2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）.pdf》由会员分享，可在线阅读，更多相关《2025军事领域人工智能应用场景、国内外军事人工智能发展现状及未来趋势分析报告（37页）.pdf（37页珍藏版）》请在三个皮匠报告上搜索。

1、 2025 年深度行业分析研究报告yXuXzWmNtRtQnQqOxU9P8Q8OpNoOmOnQjMpPmPkPrQqQ9PqQzQvPqNvNuOnOoM 目录目录 一、军事人工智能技术的发展历史.5（一）军事人工智能的发展历史.5（二）人工智能的定义与分类.7（三）市场空间及复合增长率测算.8 二、人工智能技术在军事领域的应用场景.9（一）无人作战体系.9（二）辅助训练系统.17（三）作战/数据分析系统.19（四）智能化弹药.23（五）智能单兵装备.25 三、国内外军事人工智能发展现状.26（一）美国、日本、俄罗斯出台国防安全 AI 战略规划，统筹人工智能发展.26（二）美国军事人工智能

2、技术发展成熟度较高，中国军工集团持续加大人工智能领域布局.27（三）他山之石：美国军事人工智能龙头 PALANTIR 案例分析.31 四、军事人工智能发展趋势及挑战.34（一）军事人工智能离不开算力基础设施建设.34（二）数据质量是 AI 训练的核心，军事领域缺乏标准化数据.35（三）军事应用场景的特殊性需要实现云边协同计算.35（四）从大语言模型到多模态大模型.35 五、产业链及重点标的.37 六、风险提示.38 图目录图目录 图 1、SAGE 系统运作模式.5 图 2、2023-2034 年全球及美国军事人工智能市场规模（十亿美元）.9 图 3、2023 年军事人工智能市场地区规模占比（%

3、）.9 图 4、无人装备能力建设发展路程.10 图 5、蜂群、编组、忠诚僚机模式比较.11 图 6、实施蜂群作战想象图.11 图 7、美海军人工智能发展组织架构.14 图 8、机器学习水声目标识别框图.14 图 9、三种移动机器人.15 图 10、美军“Vision 60 UGVs”机器狗.16 图 11、“机器狼”首次亮相 2024 年中国航展.16 图 12、特斯拉“擎天柱”人形机器人.17 图 13、俄罗斯“菲多尔”人形机器人.17 图 14、美国综合训练环境系统（STE）架构.18 图 15、基于态势感知的动态决策通用理论模型.20 图 16、人工智能情报信息处理流程.21 图 17、

4、集群智能弹药的自主能力等级.25 图 18、单兵可穿戴装备系统.26 图 19、智能单兵头盔.26 图 20、杭州智元研究院有限公司股权结构（截至 2025 年 3 月 2 日）.29 图 21、2018-2024 年公司营业收入与归母净利润.32 图 22、2018-2024 年按客户划分营业收入情况.32 图 23、公司历史股价大幅跑赢指数（前复权）.34 图 24、多模态军事数据组织运用流程.36 图 25、人工智能产业链.38 表目录表目录 表 1、全球主要国家和地区军事人工智能相关政策.6 表 2、机器学习的四大类型.8 表 3、美军无人水面舰艇发展历程.12 表 4、机器学习方法在

5、水声探测中的典型应用.14 表 5、美国智能情报系统典型项目.22 表 6、人工智能提升弹药及防御系统性能.24 表 7、我国军工集团及下属院所、参控股企业利用人工智能提升生产力.30 表 8、我国军工集团及下属院所、参控股企业推出人工智能相关产品/服务 31 表 9、多模态知识图谱的军事应用.36 一、军事人工智能技术的发展历史（一）军事人工智能的发展历史 人工智能（Artificial Intelligence，AI）诞生于 1956 年，随着计算机能力逐渐提升、地缘政治日益紧张，被迅速投放于军事领域。在 20 世纪 50 年代至 80 年代，人工智能主要应用于计算辅助的战术决策方面，包括

6、对战场情报的处理、分析与汇总等。例如，美国于 50 年代末开发的 SAGE（Semi-Automatic Ground Environment）系统，旨在“从多个雷达接收大量数据，并进行实时处理，以生成拦截飞机和导弹的目标信息”。同时，专家系统及相关技术也开始萌芽70 年代研发的 DENDRAL 系统尽管主要用于分子结构推断，但也为后续人工智能向军事领域的继续渗透奠定了基础。图图1、SAGE 系统运作模式系统运作模式 数据来源：Defense Visual Information Distribution Service，兴业证券经济与金融研究院整理 20 世纪世纪 90 年代至年代至 21

7、世纪初，世纪初，军事人工智能军事人工智能向更广泛的领域延伸。向更广泛的领域延伸。这一阶段的核心进展之一是实现了无人作战系统的广泛应用，无人机、无人舰艇等无人作战装备逐渐成为现代战争的重要组成部分。例如，美国开发的“捕食者”无人机（MQ-1 Predator）在阿富汗战争中被广泛应用，不仅能够执行长时间侦察任务，还配备了用于精确打击的“地狱火”导弹，标志着无人机从侦察功能扩展到杀伤功能的重大突破。21 世纪初至今，世纪初至今，军事人工智能军事人工智能在技术突破催化下进入快速发展期。在技术突破催化下进入快速发展期。大数据（Big Data）、云计算、GPU（图形处理单元）的发展使得深度学习（Dee

8、p Learning）模型的规模和复杂性不断增加，促进了人工智能在军事领域的全面应用，主要包括：实现作战指挥过程中辅助决策的专家系统、提升军事训练质量和效益的辅助训练系统、提升无人作战平台的环境感知和自主控制、实现对作战目标的快速识别、特征提取和计算视觉技术等。军事人工智能军事人工智能因其巨大的发展潜力和广阔的应用前景，已逐步成为提升国家军事因其巨大的发展潜力和广阔的应用前景，已逐步成为提升国家军事竞争力、维护国家安全的重要战略手段。竞争力、维护国家安全的重要战略手段。2016 年 5 月，为提升在人工智能领域的竞争力，应对新兴国家的挑战，美国国家科学技术委员会（NSTC）成立了一个临时小组委

9、员会机器学习和人工智能小组委员会（Subcommittee on Machine Learning and Artificial Intelligence，MLAI）和一个新的跨部门工作组人工智能工作组（Artificial Intelligence Task Force，AITF）。2016 年 10 月，美 MLAI委员会发布了题为时刻准备着:为人工智能的未来做好准备的战略报告，提出了人工智能发展的具体建议；同月，美 AITF 工作组配套发布了 国家人工智能研究与发展战略计划，开始从国家层面系统的规划引导人工智能领域的发展，确保其在包括国防军事在内的各领域的竞争。自此，军事人工智能在国家层

10、面的竞争拉开序幕，中国、俄罗斯等国家相继颁布相关文件，立足顶层对人工智能在军事领域的应用进行统筹规划。表表1、全球主要国家全球主要国家和地区和地区军事人工智能军事人工智能相关政策相关政策 时间 颁布文件 主要内容 美国美国 2016 为人工智能的未来做好准备 详述人工智能带来的若干政策机遇，并提供 23 条发展建议，包括加强跨部门数据共享等。2016 国家人工智能研究与发展规划 提出利用人工智能维护国家和国土安全。2018 2018 年国防部人工智能战略概要 着重强调了发展人工智能的重要意义，分析了美国防部在人工智能领域面临的战略形势，阐明了美国防部部署人工智能能力战略举措及重点领域，包括赋能

11、军事决策、建立共同基础设施、培养人才队伍、加强合作等。2019 国家人工智能战略 对之前七个重点领域进行了全面更新，各自重点有所变化，涉及到人工智能研究投资、人机协作开发等。2020 负责任的人工智能战略与实施途径 提出实施人工智能战略的六大路线：负责任的人工智能管理、战士信誉、人工智能产品与采集周期、需求验证、负责任的人工智能生态系统、人工智能劳动力。2023 数据、分析和人工智能应用战略 规定了人工智能开发和应用的灵活方法，强调大规模交付和采用的速度，从而带来五种具体的决策优势结果，包括卓越的战场感知和理解、自适应兵力规划和应用等。中国中国 2017 新一代人工智能发展规划 提出到 203

12、0 年将中国建设成为世界人工智能创新中心，强化新一代人工智能技术对指挥决策、军事推演、国防装备等的有力支撑。2021 中国关于规范人工智能军事应用的立场文件 向联合国提交，为规范人工智能军事应用提供建设性参考。2023 全球人工智能治理倡议 重申各国应在人工智能治理中加强信息交流和技术合作，共同做好风险防范，形成具有广泛共识的人工智能治理框架和标准规范，不断提升人工智能技术的安全性、可靠性、可控性、公平性。欧盟欧盟 2020 人工智能白皮书 提出要建立一个“可信赖的人工智能框架”，重点聚焦三大目标：研发以人为本的技术；打造公平且具有竞争力的经济；建设开放、民主和可持续的社会。2021 欧盟人工

13、智能战略 调各成员国行动，共同实现欧盟占据人工智能全球领导地位的目标。2024 欧盟美国人工智能术语和分类法 联合美国发布，标识出 65 个人工智能相关术语，旨在统一术语和概念框架，促进跨大西洋人工智能协调与合作。俄罗俄罗斯斯 2019 2030 年前国家人工智能发展战略 提出将利用人工智能技术持续推动俄联邦在经济、社会、教育、卫生及市政服务等领域的发展 2024 2024 年至 2033 年俄罗斯武器装备发展纲要 为未来 10 年武器装备发展提供指导，强调继续推进核武器和常规武器建设，并重点研究人工智能和机器人技术、高超音速武器等。以色以色列列 2022 人工智能军事应用战略 通过中央人工智

14、能部门推进国防军的智能化转型，保证在各个军事部门和指挥部中加速推广人工智能，最终实现战场态势图共享和减少附带损伤等主要作战目标 英国英国 2022 国防人工智能战略 提出使用人工智能的战略和相关政策,包括通过人工智能研究、开发和实验，通过新概念和尖端技术彻底改变武装技术能力，并有效、高效、可信地向战场交付最新装备。数据来源：安全内参、中国政府网、人民网、中国国防报、美国国防部、欧盟人工智能相关战略与政策（汪逸丰）、美国国家人工智能研究和发展战略计划（美国国家科学技术委员会、美国网络和信息技术研发小组委员会）、俄罗斯“2030 年前国家人工智能发展战略”浅析（武坤琳、葛悦涛）、U.S.DEPAR

15、TMENT OF DEFENSE RESPONSIBLE ARTIFICIAL INTELLIGENCE STRATEGY AND IMPLEMENTATION PATHWAY，兴业证券经济与金融研究院整理 （二）人工智能的定义与分类 据美国国防部联合人工智能中心发布的人工智能技术指南，美国国防部人工智能战略将人工智能定义为“机器执行通常需要人类智能才能完成的任务的能力”。这一定义涵盖了美国国防部沿用数十年的人工智能技术，如飞机自动驾驶仪、导弹制导系统和信号处理系统。尽管许多人工智能技术由来已久，但在过去十年间取得了重大技术突破，极大地拓展了人工智能在实际应用中的多样性，使其变得更强大、更实用

16、。美国国防高级研究计划局（美国国防高级研究计划局（DARPA）将人工智能技术分为两个类型，手工知识和）将人工智能技术分为两个类型，手工知识和机器学习。机器学习。早期的人工智能采用“手工知识系统”的方式，利用传统的基于规则的软件，将人类专家的专业知识编纂成一系列“如果输入 x，则输出 y”的编程规则。机器学习系统与前者不同，其“知识”并非由人类编程赋予，而是从数据中学习得来：机器学习算法在训练数据集上运行，生成人工智能模型，同时人类在引导机器学习过程中仍至关重要，人类要选择算法、整理数据格式、设置学习参数并排查问题。得益于海量数据集的不断涌现、强大计算能力的支持（通过使用 GPU 芯片作为加速器

17、以及云计算）、开源代码库和软件开发框架的发展，使用机器学习人工智能系统的性能和实用性得到了显著提升。根据所训练数据的不同，机器学习算法主要分为四类：根据所训练数据的不同，机器学习算法主要分为四类：1）监督学习：使用由人类“监督者”标记的示例数据。监督学习性能卓越，但获取足够的标记数据可能困难重重，既耗时又费钱。2）无监督学习：使用数据，但无需对数据进行标记。在许多应用场景中，其性能不如监督学习，但它可用于解决监督学习难以应对的问题。3）半监督学习：同时使用标记数据和未标记数据，兼具监督学习和无监督学习的优缺点。4）强化学习：拥有自主的人工智能智能体，这些智能体通过与环境的试错交互来收集自身数据

18、并实现自我提升。深度学习（深度神经网络）是一种强大的机器学习技术，可应用于上述四类算法中的任何一类。表表2、机器机器学习的四大类型学习的四大类型 类型类型 特点特点 应用场景应用场景 监督学习 依赖带标签的数据训练模型，性能高但标注成本高 图像分类、预测分析 无监督学习 无需标签，通过数据特征自动分组，适合探索性分析 异常检测（如金融欺诈）、数据聚类分析 半监督学习 结合少量标签数据与大量无标签数据，平衡成本与性能 部分标注的场景（如医学影像分析）强化学习 通过环境交互和奖励机制学习策略，适合动态决策场果 游戏 AI、自动驾驶模拟训练 数据来源：人工智能技术指南（Greg Allen），兴业证

19、券经济与金融研究院整理 （三）市场空间及复合增长率测算 据 Precedence Research 报告，2024 年全球军事人工智能市场规模达到 95.6 亿美元，预计到 2034 年将达到 321.7 亿美元，2024 年至 2034 年的复合年增长率为 12.9%。其中，2024 年美国军事人工智能市场规模为 24.1 亿美元，预计到 2034年将达到 82.8 亿美元，2024 年至 2034 年的复合年增长率为 13.14%。分地区来看，2023 年美国、欧洲和亚太地区军事人工智能市场规模占比最高，分别为 36%、30%、24%。其中亚太地区的中国、日本、韩国正成为人工智能技术整合速

20、度最快的国家。图图2、2023-2034 年全球及美国年全球及美国军事人工智能军事人工智能市市场规模（十亿美元）场规模（十亿美元）图图3、2023 年年军事人工智能军事人工智能市场地区规模占比市场地区规模占比（%）数据来源：Precedence Research，兴业证券经济与金融研究院整理 数据来源：Precedence Research，兴业证券经济与金融研究院整理 二、人工智能技术在军事领域的应用场景 从古至今，从冷兵器到机械化再到信息化，从古至今，从冷兵器到机械化再到信息化，科技的科技的变革对于军事领域会产生颠覆变革对于军事领域会产生颠覆性的影响。性的影响。恩格斯在反杜林论中指出：“一

21、旦技术上的进步可以用于军事目的并且已经用于军事目的，它们便立刻几乎强制地，而且往往是违反指挥官的意志而引起作战方式上的改变甚至变革。”美国提出美国提出马赛克战马赛克战的概念，的概念，使用大量有人使用大量有人/无人平台以达到动态自主协同、通信网无人平台以达到动态自主协同、通信网络自主管理和基于络自主管理和基于 AI 的智能辅助决策工具。的智能辅助决策工具。DARPA 在 2017 年首次提出了马赛克对抗的概念，旨在通过先进的技术手段实现多种系统、武器平台的实时灵活组合，并进行网络化对抗，核心在于将低成本、高自主度的对抗单元如同马赛克的像素点一般结合为对抗系统。2020 年 2 月，美国战略与预算

22、评估中心（CABA）发布研究报告马赛克战：利用 AI 和自主系统实施以决策为中心的对抗行动，对马赛克作战概念的核心致胜机制及运作模式进行说明，提出实施以决策为中心的作战概念。（一）无人作战体系 无人智能化装备的运用可以实现战争中威慑最大化与成本最小化。无人智能化装备的运用可以实现战争中威慑最大化与成本最小化。据无人作战体系构建研究初探（陈赤联、张锴、郭褚冰、王志刚），以俄乌战争为例，20218.479.5610.7912.1913.7615.5317.5419.822.3525.2328.4932.172.132.412.723.073.473.914.424.995.636.367.188.

23、2805101520253035全球市场规模（十亿美元）美国市场规模(十亿美元)36%30%24%6%4%北美欧洲亚太拉丁美洲中东和非洲 年底,约有 20 架乌克兰 TB-2 无人机摧毁了俄罗斯至少 32 辆军用车辆，俄罗斯仅在 4 月份就损失了 2 套“山毛榉”地对空导弹系统(2600 万美元/套)、道尔M2防空系统(2500 万美元/套)、4 套 MSTA-B 拖曳式榴弹炮(120 万美元/套)以及 14辆军用车辆，TB-2 无人机作战应用效费比达到了惊人的 101。无人装备能力建设的发展是主要分为 10 个等级，三个阶段，当前所处的第三阶段目标能够实现人机协同及集群自主、系统自学习/能力

24、可演进的无人作战体系，对于智能化的要求大幅提升。图图4、无人装备能力建设发展路程无人装备能力建设发展路程 数据来源：（无人作战体系构建研究初探（陈赤联、张锴、郭褚冰、王志刚），兴业证券经济与金融研究院整理 1.无人机 现阶段无人机作战体系还不具备高度自主智能的作战能力，人在无人机作战体系现阶段无人机作战体系还不具备高度自主智能的作战能力，人在无人机作战体系中仍然起着重要作用。中仍然起着重要作用。据无人机作战体系的发展现状研究（王响雷），根据无人机自主集成的程度，可以分为以下五级自主级别：1）传感器感知：需要显著的人为控制、监督与决策，无人机可以通过传感器进行自动识别与标记目标。2）多传感器融合

25、：需要适度的人为控制、监督与决策，无人机可以对多传感器信息及外界信息进行数据融合，并实现信息源检索和对外输出。3）传感器自主：无人机运用一定的人工智能与机器学习技术完成指令，仅在意外情况下需要人为控制与监督。本报告来源于三个皮匠报告站（）,由用户Id:93117下载,文档Id:616798,下载日期:2025-03-11 4）平台弹性：无人机可以进行自主定位导航、决策打击，人类命令优先，无命令时自主。5）平台完全自主：无人机接受最低限度的人为控制与监督，通过单独自主或协作集群的方式，达到从接受任务到报告结果的全过程自主。2016 年 5 月 17 日，美空军发布了首份专门针对小型无人机系统（起

26、飞重量低于600 千克）的飞行规划，即2016 年-2036 年小型无人机系统飞行规划（美国空军）。规划中明确了美国空军小型无人机系统近期、中期和远期主要发展目标，特别提出了“蜂群（Swarming）”“编组（Teaming）”“忠诚僚机（Loyal Wingman）”和“诱饵（Decoys）”四种集群作战概念，为空军全面发展小型无人机系统奠定了基础。图图5、蜂群、编组、忠诚僚机模式比较蜂群、编组、忠诚僚机模式比较 图图6、实施蜂群作战想象图实施蜂群作战想象图 数据来源：2016 年-2036 年小型无人机系统飞行规划（美国空军），兴业证券经济与金融研究院整理 数据来源：2016 年-2036

27、 年小型无人机系统飞行规划（美国空军），兴业证券经济与金融研究院整理 据论航空火力控制系统的智能化（陈哨东、刘跃峰），蜂群无人机主要拥有如下“蜂群”特色功能。1）智能感知：蜂群通过收集群内无人机传感器和外部通讯信息，运用已有知识，采用分布/集中式处理方法实现对战场环境的了解及目标的识别与跟踪，并对未来变化进行预测；同时充分利用群内感知无人机的资源、采取最佳探测方案，保证对目标的持续跟踪与特征获取。2）智能认知：蜂群将群内无人机感知得到的信息进行融合、处理，综合群内外的信息，结合无人机存储与学习的经验与知识，形成实时的作战态势并进行态势评估。3）智能决策：蜂群综合作战任务、战场态势和群内无人机资

28、源配置情况，进行分析、规划，形成有效、可行的行动方案。4）智能交互：蜂群将群内无人机状态、实施的行动方案及执行情况，以恰当方式传送给作战指挥人员，接受并解析作战指挥人员的任务指令；同时，保持群内无人机之间的信息互通，保证每架无人机的任务明确。5）智能执行：每架蜂群无人机可以准确接受并最优化地执行群决策指令；同时，控制机内设备精准、低耗、有效地完成预期动作。2.无人水面舰艇/无人潜航器 无人水面舰艇（Unmanned Surface Vehicle，USV）是指具有自主航行能力，通过搭载不同任务载荷遂行相关任务的水面航行器，具有综合成本较低、机动性较强、隐身性能较好、环境适应性强等特点，在海域态

29、势感知、水下预警探测、水下扫雷、火力支援等领域应用前景广阔。2021 年，美国海军发布首个无人系统领域顶层发展大纲无人作战框架，提出“建设一支有人-无人系统无缝集成的部队”。在框架的指引推动下，美国海军持续组织多型无人水面舰艇参加“无人系统综合作战问题”“大规模演习”“环太平洋”等演习并赴印太地区广域部署。2022 年 4 月，美国发布“美国海军长期造舰计划”，计划到 2045 年建造 81 至 153 艘大型无人舰，这表明美国无人水面舰艇已基本完成建设路径、运用模式、作战概念等方面的论证，跨入大批量建造和列装阶段。2023 年 8 月，国防部副部长希克斯公布“复制者计划”，计划 2 年内在印

30、太地区部署数千个包括无人水面舰艇在内的小型化、低成本、智能化无人装备。表表3、美军无人水面舰艇发展历程美军无人水面舰艇发展历程 阶段阶段 时间时间 规划规划 事件事件 总结总结 探索评估阶段 2007-2016 发展中小型无人水面舰艇技术装备 2007 年 7 月，美国海军首次发布海军无人水面舰艇主计划，规划无人水面舰艇发展方向，提出重点建造 3m 至11m 级的 X 级、“港口”级、“通气管”级、“舰队”级等小型无人艇，探索发展 16m 级“水虎鱼”中型无人艇，并相继推出“蓝色骑士”“X-2”“斯巴达侦察兵”等多个中小型无人艇项目。主要进行无人水面舰艇可行性评估和装备技术验证，为后续加速发展

31、和实践运用奠定基础。快速发展阶段 2017-2020 发展大中型无人水面舰艇技术装备 2017 年，美国国防部提出“幽灵舰队霸主”计划，旨在发展大中型无人水面舰艇，“海上猎人”“霸主”“水手”“先锋者”等型号的试验舰先后交付美国海军并开展先期测试，主要验证关键技术和基本性能.无人水面舰艇技术日趋成熟、建造速度明显加快，重点验证了无人舰艇由“小平台”过渡至“大平台”的作战性能。2020 年，美国海军启动“海上列车”和“无人值守舰船”项目，全力发展大型无人水面舰艇；同年，“游骑兵”号无 美军在无人水面舰艇的具体实践如下：1）指挥控制上采取“节点指控+自主控制”。当前，无人水面舰艇具备较强的自主控制

32、能力，但海上活动还无法实现全流程智能自主控制。从试验情况来看，无人水面舰艇主要采取“人在回路”的模式，依托岸上或舰上指控中心进行遥控操作，进出港以及在高危海域活动还需要人工辅助，发射反舰导弹、防空导弹、反潜鱼雷等弹药主要依靠外部指令。但是，随着人工智能技术的发展，无人水面舰艇智能自主控制程度正不断提升，未来作战将更加突出“任务式”指挥和“自主化”控制。2）战场感知上运用“分散前出+协同探测”。美军无人水面舰艇采用模块化设计，可搭载先进的海空潜探测系统，具备海空预警、态势感知、目标识别和高精度目标指示能力。无人水面舰艇可以在广阔海域与其他侦察平台协同实施分布式机动预警探测，甚至前出至高危海域实施

33、探测，在规避有人平台伤亡的同时，凭借分布式、小型化、大规模的优势降低可探测性，提高灵活性和弹性，并迫使对手消耗更多侦察资源。3）火力打击上充当“武器弹药库+自杀式平台”两种角色。根据美军设计，无人水面舰艇未来将作为“主角”参与美军海上作战体系，与有人舰艇协同遂行火力打击任务。作战运用上，无人平台可作为“武库舰”，搭载大量导弹、鱼雷、巡飞弹等武器弹药，甚至充当自杀式平台前推至交战区。多型号、大批量无人水面舰艇还能组成海上混合集群，前出实施分布式火力打击，压缩对手作战空间。无人潜航器（Unmanned Underwater Vehicle，UUV）是指没有人驾驶、依靠遥控或自动控制在水下航行的器具

34、，主要指那些代替潜水员或载人小型潜艇进行深人舰完成从墨西哥湾穿越巴拿马运河到美国西海岸的自主航行。实践运用阶段 2021 至今 验证有人协同作战和无人集群作战能力 2021 年，美国海军发布首个无人系统领域顶层发展大纲无人作战框架，提出“建设一支有人-无人系统无缝集成的部队”。在框架的指引推动下，美国海军持续组织多型无人水面舰艇参加“无人系统综合作战问题”“大规模演习”“环太平洋”等演习并赴印太地区广域部署，持续检验评估无人水面舰艇的作战能力。-2022 年 4 月，美国发布“美国海军长期造舰计划”，计划到 2045 年建造 81 至 153 艘大型无人舰，这表明美国无人水面舰艇已基本完成建设

35、路径、运用模式、作战概念等方面的论证，跨入大批量建造和列装阶段。2023 年 8 月，国防部副部长希克斯公布“复制者计划”，计划 2 年内在印太地区部署数千个包括无人水面舰艇在内的小型化、低成本、智能化无人装备，以抵消对手力量规模优势。数据来源：美军无人水面舰艇发展情况及实践运用（周小利、谢达、张昌芳），兴业证券经济与金融研究院整理 海探测、救生、排除水雷等高危险性水下作业的智能化系统。据无人潜航器发展历程及运用优势研究（陈昭、丁一杰、张治强），无人潜航器主要功能包括海洋测绘、航路开辟、侦察监视、水下诱饵、水雷布设与清除、反舰与反潜作战、水下毁伤效果评估等，为构建水下“狼群”战术提供硬件基础。

36、据无人潜航器声视觉融合感知与航迹规划问题研究（黄彬涛），航迹规划技术是无人潜航器的核心部分，使用基于深度学习和计算机视觉的同步定位与地图构建理论（SLAM）成为海外实现移动机器人自主化的核心技术。图图7、美海军人工智能发展组织架构美海军人工智能发展组织架构 图图8、机器学习水声目标识别框图机器学习水声目标识别框图 数据来源：美国海军人工智能应用及其对海洋安全的影响（于宗耀），兴业证券经济与金融研究院整理 数据来源：机器学习方法在水声信号处理中的应用进展（孟华、刘杨、李杰、李想、牛奔），兴业证券经济与金融研究院整理 据机器学习方法在水声信号处理中的应用进展（孟华、刘杨、李杰、李想、牛奔），由于船

37、舶减振降噪技术的进步，被动船舶噪声分类中常用的许多基于专家知识的特征已经显著减弱，导致利用手动特征提取的经典识别方法越来越难以应对，因此借助机器学习方法强大的建模能力，从声信号以外的其他传感器数据中挖掘更多信息，研究多模态学习算法，可以提高水声目标探测与识别。表表4、机器学习方法在水声探测中的典型应用机器学习方法在水声探测中的典型应用 机器学习方法机器学习方法 数据集数据集 模型输入特征模型输入特征 性能表现性能表现 CNN 南中国海实测数据集 时频谱图 分类准确率提升 8%多模态 CNN ShipsEar 时频谱图、视觉图像 相较单模态，多模态融合识别性能更优 组合神经网络 自建水面/水下目

38、标数据集 时频谱图、双谱图 高识别率和强鲁棒性 Transformer Shipsear，DeepShip 时频谱图 取得与最优 CNN 相当的性能 自监督学习最大最小熵域适应 Shipsear，DeepShip CQT,梅尔谱图,MFCC 缓解水声环境失配问题 数据来源：机器学习方法在水声信号处理中的应用进展（孟华、刘杨、李杰、李想、牛奔），兴业证券经济与金融研究院整理 3.机器人&机器狗 根据末端执行机构的方式不同，移动机器人可以被分为轮式机器人、履带式机器人和足式机器人等。轮式机器人具有结构和控制简单，易于设计和操作，平坦的地面能灵活快速移动的特点，缺点在于非结构环境下越障能力和运动平稳

39、性差。图图9、三种移动机器人三种移动机器人 数据来源：宇树科技官网、申昊科技官网、金智达机器人官网，兴业证券经济与金融研究院整理 履带式机器人有接地比压小、支撑面积大并具备很强的道路适应能力的优点，但存在行动速度较慢且相较于轮式移动机构灵活性不足的缺点。足式机器人越障能力强，能够实现全方位移动。在地球的陆地表面，有超过 50%以上的面积为崎岖不平的山丘或低注潮湿的沼泽不适合轮式或履带式机动平台在其上行走。足式机器人可以利用孤立的地面支撑而不是轮式机器人所需的连续地面支撑，在可能到达的地面上可以选择最优的支撑点，更加能够适应不平坦的地面，因此具有更强的机动性和更好的适应性。另外，足式机器人腿部具

40、有多个自由度，使其具有良好的选择性与灵活性，这些特点使得足式机器人在非结构化、存在不确定因素的环境中具有绝对的优势。军用场景中，轮式、履带式已有成熟使用案例，军用场景中，轮式、履带式已有成熟使用案例，足足式刚刚崭露头角。式刚刚崭露头角。美国阿富汗、伊拉克军事行动大力带动了军用机器人行业发展。2001 年、2003 年以美国为首的联军先后发动对阿富汗和伊拉克的军事行动。两场战争中，美国军用机器人公司先驱 Endeavor（前身为 iRobot）一共提供了超过 6,000 台军用机器人，该公司政府和工业收入也从 2003 年的 1124 万美元增长到 2011 年的 1.87 亿美元，复合增长率高

41、达 42.1%。2020 年前后，机器狗首次在美国军事基地与美国军人并肩作战，这种四足传感器平台作为军队的额外“耳朵”与“眼睛”，已经找到了越来越多的新应用。2020 年 9 月 1 日，在内华达州内利斯空军基地举行的高级战斗管理系统演习期间，由费城幽灵机器人公司（Ghost Robotics of Philadelphia）制造的“Vision 60 UGVs”机器狗在巡逻边界、走在人类士兵前面进行区域侦查，以及发现可能对人类士兵造成致命伤害的目标方面发挥了关键作用。图图10、美军美军“Vision 60 UGVs”机器狗”机器狗 数据来源：凤凰网，兴业证券经济与金融研究院整理 2024 年

42、 11 月 11 日，中国兵器装备集团自动化研究所有限公司自主研制的“机器狼”首次在中国航展现场进行动态展示，运用集群作战的概念，可实现“人、车、狼”互联互通，信息共享和动态自主协同。在实际作战中，“机器狼”作战分队能在复杂地形上配合战士作战。图图11、“机器狼”首次亮相“机器狼”首次亮相 2024 年中国航展年中国航展 数据来源：搜狐新闻，兴业证券经济与金融研究院整理 与传统有人装备以及轮式与履带式机器人相比，人形机器人具有独特的优势与传统有人装备以及轮式与履带式机器人相比，人形机器人具有独特的优势。1）战场态势感知能力强：模拟人类视觉、听觉、触觉等，具有类人感知功能，且部分视觉功能甚至超越

43、人类，如机器视觉在灰度分辨力和微米大小目标观测方面优于人类；可在战场上直立行动，具备更广阔的视野和更精准的感知能力，可及时、精准发现目标并快速应对；2）战场环境适应能力强：采用双腿设计结构，具有类人行走、跳跃能力，可在复杂战场环境下协调稳定行进、跨越壕沟与低矮障碍，灵巧避障，机动性高；3）战场协同作战能力强：人形机器人的置信度增加，可与士兵组成人机编队，在战场上协同作战、操控武器、支援保障、救助伤员，提升士兵战斗力和生存力。美国、俄罗斯等国持续推动人形机器人的发展，推出了多款产品。美国、俄罗斯等国持续推动人形机器人的发展，推出了多款产品。美国陆军于 2005年投资开展战地撤退与救援机器人研究，

44、2008 年研制“佩特曼”人形机器人用于防护服测试。2011 年，DARPA（“机动性与操纵能力最大化”项目开始探索敏机机器人的研究，研制出以运动技能著称的“阿特拉斯”人形机器人，具有出色的行走、奔跑、跳跃、上下楼、避障、360后空翻、三连跳等高机动能力，并在 2023年改进了其手部结构，采用夹爪设计。2020 年，美国敏机机器人公司首款“蒂吉特”人形机器人上市，该机器人具备自主感知能力，可半自主导航，其手臂可搬动重 18kg 的箱子，适于物流、仓储、工业等领域。2022 年，美国特斯拉公司推出“擎天柱”人形机器人，可代替人类在重复、枯燥、危险的环境下作业。2017年，根据俄罗斯紧急事务部的技

45、术任务，俄罗斯安卓技术公司和先期研究基金会研制出“菲多尔”人形机器人，该机器人拥有灵活的手指，具备双手持枪射击、自主学习、自主行动等功能，可执行火力支援任务。图图12、特斯拉特斯拉“擎天柱”人形机器人“擎天柱”人形机器人 图图13、俄罗斯俄罗斯“菲多尔”人形机器人“菲多尔”人形机器人 数据来源：环球网，兴业证券经济与金融研究院整理 数据来源：科技日报，兴业证券经济与金融研究院整理 （二）辅助训练系统 据军用 AI 对训练的影响与思考（刁晓峰、黄昉、李松、李鑫、李奥），军用人工智能能够根据战场环境、敌我双方情况，构建“人+装备”融合的战场环境，通过实时采集的数据进行智能分析和决策，利用智能武器系

46、统进行作战行动模拟，优化训练体系、提高作战能力、拓展训练空间。通过 VR、AR 模拟，将各种地形 虚拟出来，让指战员“足不出户”便可以得到“似曾到过这里的感觉”，从而实现实战化训练更加精确，收获更多综合效益。据美国陆军综合训练系统的发展现状与趋势综述（王岳、王锦秀、陈晨、王亚平、沙琨），美国陆军为了提高军工的备战能力，保持备战状态，开发了美国陆军开始建设综合训练环境（Supplementary Training Equipment）STE 系统，是以士兵为中心的下一代分布式模拟训练系统，能够模拟最新的作战环境，允许陆军在现场、虚拟、建设和综合 4 种环境中进行战术和战略训练，支持部队在陆、海、

47、空、电子、网络和太空等多领域统一陆地作战。其中，建设性训练是指军职人员输入模拟参数，由虚拟人员操作虚拟系统，系统自动推演训练结果的训练。图图14、美国美国综合训练环境综合训练环境系统（系统（STE）架构）架构 数据来源：（美国陆军综合训练系统的发展现状与趋势综述（王岳、王锦秀、陈晨、王亚平、沙琨），兴业证券经济与金融研究院整理 此系统可模拟当前和未来部队结构、武器效果、作战功能、多军种跨国联合作战、人类交互、超大规模城市地形和“近乎旗鼓相当的竞争对手”威胁，帮助陆军摆脱训练演习限制，支持陆军计划、准备、执行和评估合成兵种机动训练及任务指挥训练等，为地面士兵、徒步步兵、战地指挥所等提供服务。为帮

48、助士兵在未来作战环境中执行任务做好准备，STE 利用 AI 精确呈现地形、建筑、网络等环境，模拟参战国家、军种、战况等要素，呈现武器的精确度、杀伤力和杀伤范围等，构建类人的虚拟人体以模拟军队、盟军、敌军和非战斗人员的行动和反应，增加作战环境的真实感，使士兵在实时、动态的真实环境中战斗。（三）作战/数据分析系统 1.态势感知 态势感知作为一种辅助决策和行动的方法，近年来在军事应用、航空、交通管制、网络安全等领域得到了越来越广泛的应用。在军事领域，态势感知技术的应用最早为了提高战斗机的作战能力，随着战斗机的飞速提升以及驾驶舱内的飞机控制系统、武器系统等不断增加，要求飞行员必须在更短的时间内快速整合

49、座舱内更加复杂的信息及敌我态势判断，从而采取最有力的行动方案。核心的要点包括：1）如何有效地处理收集到的各种信息，包括关键信息的挑选，关联不同探测系统得到的信息，如何对收集到的各种信息进行整体加工并处理冗余信息等。2）如何通过数字化和图形化更高效的进行数据的呈现。3）如何基于已获得的信息建立基于动态决策的态势感知模型，从而准确高效预测未来的状态和演化趋势，辅助飞行员进行行动决策。海外典型的态势感知模型包括 JDL 模型和 Endsley 模型，JDL 模型由美国国防部提出，主要包含人机接口、数据融合、数据采集三个部分。Endsley 模型由 Mica R.Endsley 提出，将态势感知定义为

50、态势要素获取、态势理解、态势预测三层模型，并基于此提出了依托态势感知的动态决策通用理论模型。图图15、基于态势感知的动态决策通用理论模型基于态势感知的动态决策通用理论模型 数据来源：（态势感知应用技术发展现状及趋势（邓子涵 王红滨），兴业证券经济与金融研究院整理 随着态势感知理论模型的建立及其应用技术的发展，态势感知逐步应用于其他的军事领域。在美国弹道导弹防御 C2BMC 系统中，已将态势感知作为其核心的功能，用于提供导弹防御系统的总体态势，并将各种信息转化为指挥官在进行导弹防御时易于使用的态势信息，协助各级指挥官在各种类型的弹道导弹威胁下快速进行最佳指挥决策。美国先后发展太空态势感知应用技术

51、，用于太空攻防对抗，利用太空态势感知技术对所有发生在空间的事件、威胁、活动、状态进行感知，对影响太空活动的所有因素进行认知和分析，使指挥决策和操作人员获取并维持空间优势。为了增强态势感知能力，美国一方面不断强化其态势感知硬件系统建设（包括地基监视雷达、地基跟踪成像雷达、地基光学深空监视系统、船载测量雷达、空间环境监视系统、卫星信号侦察系统、天基空间监视系统等）以提升信息获取能力，另一方面，积极将人工智能和云计算等新技术大量用于太空态势感知系统建设中，以期解决在信息不确定、不完备，认知样本稀缺，规则模糊，不一致等条件下的态势感知难题，提升态势理解及态势预测的能力和水平。当前，态势感知在军事领域应

52、用技术仍在不断升级发展中，在态势感知模型研究方面，最近诞生了基于“反馈”的深度态势感知模型。深度态势感知模型既包含 了人的智慧，也融合了机器的智能（人工智能）来辅助人的决策，将有利于提升指挥速度。由于融入了机器智能，深度态势感知既能够在信息和资源不足的情境下运转，也能够在信息和资源超载的情境下运行。2.情报信息处理 情报处理是整个情报流程的核心环节，情报搜集是情报处理的前提，情报存储是情报处理的基础，情报服务是情报处理的目的。人工智能技术可对情报搜集、情报存储、情报分析和情报服务等情报流程各个环节产生影响，DARPA、美国情报高级研究计划局等部门和各军种近年在这些领域部署了一系列人工智能技术研

53、究项目。人工智能技术可用于提高情报收集平台的规划、调度与任务分配的自动化程度，优化情报收集资源选择，预测和安排收集任务。以开源信息智能抓取为例，传统的抓取技术难以保证信息的及时性，且易被网络技术监控阻拦，严重影响信息获取效果。利用资源虚拟化技术，以多元数据为采集对象，部署智能化的采集抓取系统，通过智能化任务调度、内容过滤以及编目入库等操作，可实现网页、图书、视频、报纸、期刊、文献、媒体信息等各类公开信息的动态获取及持续更新。DARPA“文本深度挖掘与筛选”项目开发了用于文本分析的计算机系统和算法，以诠释自然语言的含糊之处，帮助情报分析人员从来自众多信息源的海量文本中提取所需信息。图图16、人工

54、智能情报信息处理流程人工智能情报信息处理流程 数据来源：（人工智能在美国导弹武器系统中的应用实践分析研究（王清扬、张贺、张烨翔、张耀、金进），兴业证券经济与金融研究院整理 人工智能技术可以支撑形成知识赋能的信息服务能力，如智能信息问答、情报高效检索和信息智能汇聚等。智能化情报服务能够根据用户特性和情报需求，采用智能分析，自动匹配和订阅推送等方式，提供个性化情报产品。未来，随着技术的发展，智能化情报服务可提供海量数据共享、自适应分级管控、新型人机交互、智能问答和个性化定制等服务，将“大服务”（感知即服务、数据即服务、处理即服务）理念融入情报服务中，最终提供全网全域任何时刻都触手可及的智能化精准情

55、报服务。3.决策辅助 早在 20 世纪 80 年代，美国防部牵头制订了仿真组网计划，服务于军事辅助决策系统的研发，并且后续展开了如联合作战计划和执行系统（JOPES）、战区级作战方案评估系统（CEM）、计算机辅助任务规划系统（CAMPS）、联合任务规划系统（JMPS）、参谋计划与决策支持系统（SPADS）等一系列面向联合作战的军事辅助决策系统的研究。进入 21 世纪，美军加快了辅助决策系统建设步伐。2004 年，启动了实时作战智能决策项目（RAID），意在作战过程中，根据不断变化的战场态势，自动生成作战行动方案。2007 年，美国国防高级研究计划局（DARPA）启动（“深绿”计划（Deep G

56、reen），希望藉此通过实时态势仿真，实现对未来情况的预测。尽管“深绿”计划由于战争复杂性导致的组合爆炸等瓶颈问题最终告失败，但其提出的战术级作战指挥辅助决策系统框架构想，则具有很大的启示作用。（“深绿”失败后，DARPA 先后又启动了一系列面向作战辅助决策的研究计划，如 Minds Eye 计划着眼态势认知、TRACE 计划解决态势目标识别表表5、美国智能情报系统典型项目美国智能情报系统典型项目 项目名项目名称称 启用时启用时间间 研究机研究机构构 主要内容主要内容 主要技术主要技术 IP2 2021 DARPA 运用人工智能算法提升图像、视频信息的侦察精度和情报数据的分析处理效率，从而达到

57、增强战场环境态势感知与指挥控制能力 神经网络、计算机视觉、深度学习、交互式数据可视化技术 KAIROS 2019 DARPA 运用人工智能技术挖掘隐藏在大数据背后的关联关系，实现智能情报辅助分析和战场态势研判，提升了态势洞察与情报理解能力 自然语言处理、深度学习、神经网络、逻辑推理与关联分析 MARS 2018 DIA 构建一种针对外军情报数据采集分析的云数据管理系统，实现多情报数据库间数据共享 大数据、分布式与云计算、机器学习、知识推理 Maven 2017 美国国防部 辅助情报分析人员对无人机集群采集的海量战场数据进行处理 深度学习、图像识别、视频数据处理 MEADE 2016 美国空军

58、开发交互式情报问答系统辅助情报分析人员处理海量的复杂情报信息 自然语言处理、语义分析、关键词抽取 CREATE 2016 IARPA 开发结构化分析技术工具，辅助情报分析人员更好地理解和评估数据，辅助决策 机器学习、贝叶斯推理网络、结构化分析技术 数据来源：人工智能技术在军事情报领域的应用与发展（赵亚平、黄毅、李虹、孟杰），兴业证券经济与金融研究院整理 判断、DBM 计划应用于空中战场的态势分析和协调控制、TEAM-US 计划重点放在认知速度和精度的提升、Insight 计划旨在提前对时间敏感的更大潜在威胁进行分析等。2012 年，随着以深度学习为代表的人工智能技术迎来第 3 次爆发，美军针对

59、大数据的特点和战场态势的复杂性，又启动了面向作战全过程的辅助决策研究计划Commanders Virtual Staff，目的是为指挥官提供主动建议、高级分析及自然人机交互等决策支持。基于深度学习的军事辅助决策智能化研究（张晓海、操新文、耿松涛、张妍莉）列举了深度学习技术在军事辅助决策系统中三个应用方向：1）通过图像识别进行战场目标识别；2）将真实演习数据和兵棋系统生成的模拟数据，以及利用指挥员和军事领域专家的经验知识的样本数据来进行模型训练，识别作战意图识别；3）受 AlphaGo 的启示，将深度神经网络与强化学习结合，利用仿真推演平台对战场数据与作战辅助决策进行综合处理分析。（四）智能化弹

60、药 智能化弹药作为精确打击与高效毁伤火力体系的重要组成部分，是在传统弹药的基础上，面向未来智能化战争高动态环境、高强度对抗、多样化任务、无人化作战特点而发展的具有持久压制、精确打击与高效毁伤能力的多用途弹药，主要包括战术导弹、制导火箭、制导炮弹、末敏弹、巡飞弹及新概念弹药等。早期智能弹药被称为灵巧弹药，具有信息感知与处理、推理判断和决策、并执行相应动作与完成特定任务的能力，可以搜索、探测、识别目标，选择要攻击的目标甚至是攻击部位，执行侦查、监视、态势和毁伤评估等任务。表表6、人工智能提升弹药及防御系统性能人工智能提升弹药及防御系统性能 性能 人工智能赋能 作战反应速度的提升作战反应速度的提升

61、具备人工智能特点的导弹武器装备系统拥有更加快速的数据处理速度。其战场情报侦查探测速度，辅助作战指挥决策速度以及导弹武器本身获取攻击目标信息的速度都将得到提升 打击有效性的提升打击有效性的提升 导弹武器智能化意味着导弹本身就可以搜索、捕捉、识别、选择和跟踪目标，进行自适应制导控制，实现高智能的自主制导，进而实现导弹的精确打击，打击有效性也将得到提升 生存能力的提升生存能力的提升 人工智能在导弹阵地侦查，导弹发射等情报信息的快速有效处理，作战指挥系统的快速有效决策都将为导弹拦截获得更多的时间进行部署。使用人工智能的作战指挥系统可以对战场态势进行快速准确的分析，可协助作战指挥人员对来袭导弹做出最优的

62、拦截方案，提高拦截成功率，提升导弹武器装备自身生存力 数据来源：（人工智能在美国导弹武器系统中的应用实践分析研究（王清扬、张贺、张烨翔、张耀、金进），兴业证券经济与金融研究院整理 在系统性能提升下，弹药的效费比会同步带来提升。比如，单枚导弹打击能力的提升可整体减少导弹的使用数量，这将使得导弹武器系统的费用（成本）得到降低，因此提高了效费比。同时人工智能在美国导弹侦查探测系统中的应用在提高了侦查探测的准确度的同时，也提高了情报数据的处理速度，这就可以降低该武器系统的运行费用和成本。由于人工智能在美国导弹侦查探测中表现出的效率和速度优势，大大降低了对传统人力的依赖，所需的人工数量变少，因人工成本的

63、支出比例相应降低，也降低了导弹武器系统的费用成本。伴随着数据链技术能力的提升与成熟应用，人工智能技术的兴起，智能弹药的发展进入半自主、协同攻击阶段。美国近年来持续推动高自主能力阶段发展“集群”类智能弹药项目的研究，DARPA在2016年启动的进攻性蜂群使能战术（OFFSET）项目，项目计划完成在 250 个异构无人平台（无人机与无人车）规模下，设计、开发、部署蜂群战术试验平台，并最终完成构造环境下的飞行试验验证，计划形成城市作战环境下 100 个蜂群战术的数据库。项目最终目的是通过无人集群平台助力地面作战部队完成复杂城区环境下的多种作战任务。图图17、集群智能弹药的自主能力等级集群智能弹药的自

64、主能力等级 数据来源：（集群智能弹药的发展历程及其未来所面临的技术挑战（欧继洲、蔡军、胡景林、陈昀、武溪、马俊飞），兴业证券经济与金融研究院整理 （五）智能单兵装备 单兵装备是美军部署最为广泛的战斗系统，也是美军武库中最重要的装备。单兵装备是美军部署最为广泛的战斗系统，也是美军武库中最重要的装备。近年来，美军“士兵”项目执行办公室通过开发、采办、部署和维护等现存的单兵装备，同时大力发展智能化单兵装备，实现了将“士兵作为一个系统”加以管理，着力打造未来战场上的超级战士。美军的新一代单兵系统将装备情报、监视和侦察系统，具备更快的通信、战场态美军的新一代单兵系统将装备情报、监视和侦察系统，具备更快的

65、通信、战场态势判断、敌我识别等数据信息交互能力。势判断、敌我识别等数据信息交互能力。美国国防高级研究计划局研制的未来士兵头盔，具备抬头显示、综合通信、空气过滤、夜视、光学侦察等功能；智能作战服重量轻、柔韧性好，通过小型传感器、功能结构件和致动器将负重分布于士兵全身，减轻负重对关节的损伤，同时带有生物传感器、实时健康检测、自主治疗辅助等功能。美国智能化单兵系统陆地勇士已在战场上被广泛应用，该系统采用热成像仪、数字摄像机和激光测距瞄准器，其信息系统可以对目标进行自动测定和攻击，使普通士兵瞬间变身神枪手；防护系统不仅具备信息优势、机动优势、火力优势，而且配备了性能卓越的防护装具，除隔热、阻燃、保温、

66、防红外探测外，还能防弹、防激光和防核生化。美国陆军推出的奈特勇士手持式视频接收装置，使士兵能实时获取附近无人机和地面车辆发回的信息并可随时转发，实现了视频的实时获取、实时共享、实时利用。图图18、单兵可穿戴装备系统单兵可穿戴装备系统 图图19、智能单兵头盔智能单兵头盔 数据来源：基于单兵智能武器系统的可穿戴装备发展趋势与设计构思（王爽英、康隽睿、周玉清），兴业证券经济与金融研究院整理 数据来源：未来战争单兵柔性装备：智能头盔（赵鹤然、严义君、黄维、曹中复、王诗兆、刘笛、蔡玉辉、陈明祥），兴业证券经济与金融研究院整理 三、国内外军事人工智能发展现状（一）美国、日本、俄罗斯出台国防安全 AI 战略

67、规划，统筹人工智能发展 美国将人工智能作为美国将人工智能作为重点重点国家战略。国家战略。在奥巴马政府的执政的后期，在全球各个主要国家争相将人工智能作为提高国家竞争力的重点战略措施之后，美国政府转变了其前期对于人工智能的“不介入政策”，利用幕后资源支持人工智能创新发展，将人工智能上升到了国家战略层面。2016 年 5 月，美国白宫科技政策办公室推动成立机器学习与人工智能小组委员会，专门负责协调促进人工智能领域跨部门合作。2016 年 10 月，美国总统行政办公室和美国国家科技委员会发布为人工智能的未来做准备，对人工智能的发展现状、现有及潜在应用和人工智能技术引发的社会及公共政策相关问题进行系统分

68、析；同时，美国国家科技委员会网络和信息技术研究与开发小组委员会发布国家人工智能研究与发展战略计划，对联邦政府资助人工智能领域研究和开发作出总体规划。特朗普政府延续并完善了奥巴马政府推动人工智能发展的政策。特朗普政府延续并完善了奥巴马政府推动人工智能发展的政策。2017 年 12 月，特朗普政府出台新的美国国家安全战略，强调美国在包括人工智能在内的新兴技术研究、发明和创新方面发挥领导作用。2018 年 2 月，白宫公布的 2019 财年政府预算首次将人工智能指定为政府研发的优先事项；同年 5 月，特朗普和白宫举行包括关键技术公司在内的美国工业人工智能峰会，重点讨论资助人工智能研究、消除部署人工智

69、能技术的监管障碍、培训未来的美国劳动力、实现战略军事优势、利用人工智能提供政府服务以及与盟国合作促进人工智能研发等问题。在国防领域，美国将人工智能视为巩固其军事优势的关键技术。在国防领域，美国将人工智能视为巩固其军事优势的关键技术。2018 年 1 月，美国国防部发布国防战略，其中强调使用和利用人工智能技术的重要性，表示将对人工智能等新兴技术的军事应用进行广泛投资，以获得军事竞争优势。为了加快形成基于人工智能的新能力和新的作战概念，国防部成立联合人工智能中心。2018 年 8 月，特朗普签署2019 财年国防授权法案，批准成立美国人工智能国家安全委员会。2019 年 2 月 11 日，特朗普签

70、署了一项指导美国人工智能技术发展的国家级战略：关于维持美国在人工智能领域领导地位的行政命令，正式启动“美国人工智能计划”。命令发布的第二天，美国国防部发布人工智能国防战略，详细分析国防部在人工智能领域面临的战略形势。2019 年 11 月，美国人工智能国家安全委员会发布美国人工智能中期报告，强调人工智能在促进美国国家安全方面至关重要，明确美国政府加快推进人工智能在国家安全领域应用的行动路线。（二）美国军事人工智能技术发展成熟度较高，中国军工集团持续加大人工智能领域布局 美国的技术应用已步入高度成熟且全面集成的阶段。作为全球军事技术强国，美国凭借雄厚的国防预算与卓越的技术创新能力，促使人工智能在

71、多个军事领域深度渗透。以美国国防高级研究计划局（DARPA）主导的知识导向人工智能推理图谱（KAIROS）项目为例，该项目致力于开发能够对现实世界事件进行上下文和时间推理的人工智能技术，从看似毫无关联的事件中剖析出内在联系，从而更高效地追踪、分析全球各地的重要事件。而“猎户座计划”聚焦于无人机群体协同作战，借助人工智能技术实现无人机的自主决策与协调，显著增强作战灵活性以及对复杂战场环境的适应能力，其项目预算也超过 8 亿美元。此外，美国在网络防御领域也广泛运用人工智能，通过深度学习和大数据技术对潜在网络威胁进行早期预警和响应。总体而言，美国军事人工智能技术已广泛覆盖作战指挥、智能化武器、情报分

72、析等多维度领域，构建起完备的技术体系和强大的作战能力，处于全球领先地位。美国军方通过系统化的研发投入和多年实践，成功将人工智能技术从研发阶段转化为实战中的核心支撑力量，彰显出强大的全球技术竞争力。相较之下，欧洲的军事人工智能技术发展相对滞后，主要处于优化应用与跨国合作阶段。受限于预算和技术资源，欧洲各国普遍采用合作研发模式。欧盟的“佩斯科计划”是典型范例，该计划旨在通过成员国间的资源共享与联合研发，推动军事人工智能在协同作战平台上的应用，其资金规模为 10 亿欧元。法国的“R2S”项目运用人工智能技术进行后勤管理与资源调度，有效提升作战支持效率和灵活性，项目资金为 2 亿欧元；德国、英国等国也

73、在自动化指挥、无人平台及数据分 析领域展开研究，推动人工智能在特定战术层面的应用。然而，欧洲的军事人工智能应用发展较为分散，缺乏美国那样的技术整合和跨领域应用体系。由于各国在军事人工智能的资金投入和技术研发上存在差异，导致整体发展速度较慢，尚未形成具有国际竞争力的综合性技术平台。未来，欧洲国家迫切需要加强技术整合与跨国合作，以提升军事人工智能系统的全局性与适应性。中国中国积极开展对于人工智能发展的顶层设计，积极开展对于人工智能发展的顶层设计，各大军工集团持续加大人工智能领各大军工集团持续加大人工智能领域布局域布局。2017 年 7 月 8 日国务院印发了新一代人工智能发展规划,提出发展中国人工

74、智能的战略目标、重点任务、保障措施等,以尽快构筑人工智能发展的先发优势。而后,中国对于发展人工智能的政策不断出台,以保证政策的延续性，例如2024 年国务院政府工作报告 中指出,在 2024 年数字经济领域的重点工作在于开展“人工智能+”行动。2025 年春节前，中国人工智能公司深度求索推出了 AI模型 DeepSeek，上市后连续多日稳居苹果 App Store 与谷歌 Play Store 全球下载榜首，体现出了中国在人工智能竞争中的竞争实力。据“国资小新”官微，2025 年 2 月 19 日，国务院国资委召开中央企业“AI+”专项行动深化部署会，总结国资央企发展人工智能进展成效，研究部署

75、下一步重点工作。会议强调，国资央企要抓住人工智能产业发展的战略窗口期，强化科技创新，聚焦关键领域加快掌握“根技术”，坚定攻关大模型，积极参与开放生态建设，推动产生更多“从 0 到 1”的原始创新，加速推进成果转化和产业化发展。要强化深度赋能，瞄准战略意义强、经济收益高、民生关联紧的高价值场景，强化行业协同、扩大开放合作，加大布局突破力度。要夯实算力基座，为技术突破、应用落地提供有力支撑。要突破数据难题，分批构建重点行业数据集，建设好通用基础数据集，做强做优数据产业。截至 2025 年 2 月 22 日，包括中国电子信息产业集团、中国电子科技集团、中国航空工业集团、中国航天科技集团、中国航天科工

76、集团、中国船舶集团、中国兵器工业集团、中国兵器装备集团在内的军工央企集团及其下属的科研院所、参控股公司陆续披露人工智能技术的应用和推出相关产品/服务情况。为坚决履行强军首责，服务国家重大战略需要，中国兵器装备集团于 2022 年 1 月成立了杭州智元研究院有限公司，聚焦智能装备前沿科技，体系开展复杂系统总体、感知增强、智力增强、体力 增强、隐身与防护、新域新质装备、智能无人平台、智能通信、人机协同、群体智能、人工智能、新一代软件等前沿核心技术及 人机工效、体系仿真、集成与测试等基础技术研究，推动装备机械化、信息化、智能化融合发展与创新超越，聚力打造全球领先的智能装备技术策源地。中国兵器装备集团

77、为杭州智元研究院有限公司的控股股东，截至 2025 年 3 月 2 日，中国兵器装备集团直接持有 76.92%股权。图图20、杭州智元研究院有限公司杭州智元研究院有限公司股权结构股权结构（截至（截至 2025 年年 3 月月 2 日）日）数据来源：爱企查，兴业证券经济与金融研究院整理 据杭州智元研究院官微，2024 年 8 月，智元研究院某智能指控系统研究项目顺利通过全面验收；2024 年 9 月，智元研究院首款智能化产品（“机动抗毁边缘云&群体智能算法”正式发布；2024 年 12 月，智元研究院申报的两项作品灵巧机动外骨骼、腰部助力搬运外骨骼在可穿戴设备、医疗设备、工业等类目中，共斩获国际

78、缪斯设计奖、纽约产品设计奖六项金奖；2025 年 1 月，智元研究院联合北京大学第三医院老年内科申报的“老年患者可穿戴 AI 辅助外骨骼研发项目”顺利落地。据国家知识产权局，智元研究院申请了多项与人工智能相关的技术专利，涵盖无人机控制、集群机器人、多智能体协同控制、异构外骨骼装置等。例如，2024 年12 月 19 日，智元研究院发布一种基于强化学习的动态层次化多智能体控制方法，通过强化学习构建动态层次化多智能体策略优化模型，将智能体划分为子群体并选举通信代表，显著降低系统通信负载。适用于智能交通、无人机集群协作及工业自动化领域，提升协同决策效率；2024 年 12 月 18 日，智元研究院发

79、布一种基于自适应划分的无人机集群协同搜索方法，通过 Voronoi 图算法划分任务区域，结合动力学自适应机制实时调整无人机任务分配，提升搜索效率与资源利用率；2024 年 9 月 18 日，智元研究院发布（一种面向集群机器人的算法验证系统，通过仿真环境设置模块与数据传递模块，测试集群机器人的定位、建图、路径规划等算法表现，提升算法可靠性与研发效率，适用于物流、农业及紧急救援场景。表表7、我国军工集团及下属院所、参控股企业利用人工智能提升生产力我国军工集团及下属院所、参控股企业利用人工智能提升生产力 军工集团军工集团 集团集团/子公司子公司/院所院所 内容内容 中国电子科技集中国电子科技集团团

80、十四所十四所 十四所数智化团队经过固化应用场景、统筹硬件算力资源、选比软件框架、定制适配开发、部署测试验证、工程应用优化等一系列工作，用最短时间完成了基于 DeepSeek 大模型的 AI 智能问答系统的本地化部署，实现了人工智能技术在科研生产领域的创新应用，知识问答响应时间较传统方式缩短了50%以上，知识准确率大幅提升，有效减少了人工核验的工作量，有力推动科研人员工作效率提升。中国航空工业集中国航空工业集团团 中航西飞中航西飞 中航西飞人工智能赋能新型工业化案例入选工业和信息化部“人工智能赋能新型工业化典型应用案例。应用案例主要应用判别式与生成式两方面人工智能技术。判别式人工智能技术以 AI

81、 图像识别技术为核心，可对制造及装配质量进行辅助检测，快速判别零部件缺陷，提升质量检测效率。生成式人工智能技术以 AI 大语言模型技术为核心，以智能问答模式实现自助引导、专业知识推荐与生成、智能辅助写作、机器翻译以及代码修复生成等效果。计算所计算所 计算所的“AI 数智赋能的企业生产过程质量管控实践”项目，利用了 AI 算法、ESOP（企业标准作业程序）、ANDON（可视化管理系统）和大数据等先进技术，实现了对生产过程质量的高效管控。中航沈飞中航沈飞 中航工业沈飞举办“智造未来-AI 赋能制造业新质生产力”专题科普培训，本次培训为期五天，全程由数字人“小霏”主持，主要分五个单元讲解 AI基础、

82、发展趋势及应用场景、机器人流程自动化、大模型私有化部署以及应用案例、DeepSeek 解析等相关内容，帮助各业务域人员了解人工智能技术发展趋势，深度理解、掌握 AI 技术赋能制造业场景的应用能力，以便应用人工智能技术提升效率、降低成本、优化决策。中国航天科技集中国航天科技集团团-海南商业航天发射场的智慧发射场系统首次公开，该系统作为发射场的“神经中枢”，实现了数字化、自动化、智能化的突破，有效提高了地面设施设备保障的时效性和可靠性。2023 年年初，一院总体部中标海南商业航天发射场的智慧发射场系统建设项目。八院八院 149 厂厂 中国航天科技集团有限公司八院 149 厂复材公司通过数据与 AI

83、 协同驱动实现了材料配方快速精准开发，研制了兼具高强、高模、高韧的特性新一代环氧树脂。八院八院 802 所所 聚焦航空航天，将人工智能融入到智能检测中，满足多品种、小批量的柔性测试和复杂结构、大场景的自动测试需求，不断解放人力，提升效率和质量管控能力。一院一院 火箭院研究发展中心“具身智能”团队研发的“智擎具身智能系统”打造出基于大模型的可赋能多种无人平台的具身智能大脑。这一核心技术的成功研发，为多种无人设备注入了强大的智能驱动力。六院六院 航天科技集团六院西安航天动力研究所上线了智能工具“智擎 AI”。“智擎AI”基于 DeepSeek，结合我所自有数据资源、算力资源，融合了先进的自然语言处

84、理、机器学习技术，开发了液体火箭发动机专业大模型，应用于辅助正向设计。中国船舶集团中国船舶集团 六六 0 一研究院一研究院 中国船舶集团综合技术经济研究院船舶工业经济研究中心（中国船舶集团经济研究中心）自主研发的船舶行业大模型“DeepIntelligences（百舸）”正式完成与 DeepSeek-R1 的深度集成。中国兵器工业集中国兵器工业集团团 物资集团北方云景物资集团北方云景 中国兵器工业集团物资集团北方云景公司完成与 DeepSeek（深度求索）的接入工作。中国中国航天科工集航天科工集团团 二院二院 小卫星智能生产线从产品数字化研发与设计、产线柔性配置、智能仓储、在线运行监测等 8

85、个方面采取有效措施，解决了传统卫星生产中，以手工为主的作业方式难以满足高产能需求，以人力为主的装配方式难以满足高精度、高质量生产需求和以人工为主的检验记录难以满足高质量需求的三大痛点，为我国卫星规模化生产提供系统性解决方案。数据来源：集团官网、官方微信公众号、工业互联网产业联盟，兴业证券经济与金融研究院整理 表表8、我国军工集团及下属院所、参控股企业推出人工智能相关产品我国军工集团及下属院所、参控股企业推出人工智能相关产品/服务服务 军工集团军工集团 集团集团/子公司子公司/院所院所 内容内容 中国电子信息产中国电子信息产业集团业集团-2024 年 8 月 8 日，国产操作系统银河麒麟在中国操

86、作系统产业大会上正式发布了其首个人工智能版本，展示了国产操作系统与人工智能技术深度融合的最新成果，填补了我国操作系统端侧推理能力研发的空白。中国电子科技集中国电子科技集团团 电科太极电科太极 中国电科所属电科太极在京正式发布生成式人工智能大模型产品“小可”，支撑特种场景辅助决策，助力党政企行业应用智能化转型升级。中国航天科技集中国航天科技集团团 八院八院 808 所所“沪航智语”“沪航智识”“沪航智检”“沪航智问”四项人工智能（AI）技术产品成功上线运行。“沪航智检”系统能够辅助检测外观缺陷，自动采集元器件的种类、数量、批次等信息，让预检分选效率提升 50%以上，显著缩短元器件质保周期。“沪航

87、智语”系统不仅是信息智能传输工具，更是能进行内容理解、决策支持的智能引擎。系统能够在私有化环境中准确转录会议语音，自动分析生成纪要，为高效办公提供极大助力。“沪航智识”同步推出。无论合同条款、财务发票还是复杂图纸，该平台都能快速精准提取信息，并无缝集成至企业级应用，显著提升了管理的智能化水平。中国船舶集团中国船舶集团 709 所所 按照“深思”（DeepThink）整体发展战略布局，中船集团七九所利用深耕数据处理和分析领域多年来的数据成果和技术积淀，应用“深思”（DeepThink）系列成果，推出海上 AI 情报官产品。该产品具备多模智融、时空睿搜、态势明察三大核心能力，解决了信息组织碎片率高

88、、数据检索效率低、态势预测难等痛点问题。中国兵器工业集中国兵器工业集团团 五洲人工智能创新中五洲人工智能创新中心心 中国兵器工业集团五洲人工智能创新中心（简称“创新中心”）为工业企业提供面向制造业全流程的智能制造整体解决方案与自主可控的软硬件产品，全面覆盖生产、质量、安全、物流、能源等核心业务环节，为智慧工厂、智慧园区赋能。中国兵器装备集中国兵器装备集团团 智元研究院智元研究院 2024 年 8 月，智元研究院某智能指控系统研究项目顺利通过全面验收；2024 年 9 月，智元研究院首款智能化产品“机动抗毁边缘云&群体智能算法”正式发布；2024 年 12 月，智元研究院申报的两项作品灵巧机动外

89、骨骼、腰部助力搬运外骨骼在可穿戴设备、医疗设备、工业等类目中，共斩获国际缪斯设计奖、纽约产品设计奖六项金奖。数据来源：集团官网、官方微信公众号、工业互联网产业联盟，兴业证券经济与金融研究院整理 （三）他山之石：美国军事人工智能龙头 PALANTIR 案例分析 Palantir 成立于 2003 年，重要客户包括美国海陆空部队和特种作战司令部等，企业成立初期曾获得 CIA 的投资。早期，Palantir 的主要工作是帮助上述客户从纷繁复杂的信息中识别出所需的重要情报。目前，Palantir 已研发出包含 AIP、Gotham、Foundry、Apollo 在内的多款产品，业务范围也逐渐由军事拓展

90、到了金融、工业等领域。公司已于 2020 年 8 月 25 日在纽交所上市（股票代码“PLTR”），截至 2025 年 3 月 1 日，公司市值约为 1992 亿美元。公司 2024 年营收 28.66 亿美元，归母净利润 4.62 亿美元。2018-2024 年，公司营业收入由 5.95 亿美元增长到 28.66 亿美元，复合增长率为29.94%；毛利率维持在较高水平，处于 67.29%-80.62%之间；归母净利润由负转正，从 2018 年的-5.98 亿美元增长到 2024 年的 4.62 亿美元。公司归母净利润持 续为负的主要原因是公司费用支出较高，公司 2020 年在招股说明书中表示

91、，随着业务范围继续扩大，公司将投入更多的资金用于升级公司的基础设施、雇用更多的员工、开展研究和开发以及加强营销等。图图21、2018-2024 年公司营业收入与归母净年公司营业收入与归母净利润利润 数据来源：iFinD，兴业证券经济与金融研究院整理 分产品看，公司政府部门业务（含军品）和商业部门业务收入均逐年提高，其中政府部门业务（含军品）收入从 2018 年的 2.55 亿美元增长到 2024 年的 15.7 亿美元，复合增长率达 35.38%，超过公司综合收入复合增长率（29.94%）。图图22、2018-2024 年按客户划分营业收入情况年按客户划分营业收入情况 数据来源：iFinD，兴

92、业证券经济与金融研究院整理 5.957.4310.9315.4219.0622.2528.66-5.98-5.88-11.66-5.20-3.742.104.6272.22%67.36%67.74%77.99%78.56%80.62%80.25%-50%0%50%100%-15-10-5051015202530352018201920202021202220232024营业总收入（亿美元，左轴）归母利润（亿美元，左轴）毛利率（右轴）2.553.466.18.9710.7212.2215.73.43.974.826.458.3410.0212.960%20%40%60%80%100%201820

93、1920202021202220232024来自政府部门收入（亿美元）来自商业部门收入（亿美元）目前，公司主要有四大平台型核心产品，分别是Gotham、Foundry、AIP与Apollo。其中与军事领域联系较为紧密的是 Gotham 和 AIP 两款。Gotham：Gotham 是 Palantir 为国防和情报部门开发的产品，该产品可以识别出隐藏在数据集（包括各类情报源）深处的关系与模式，帮助使用人员发现并应对威胁。在情报分析领域，Gotham 至少具备以下能力：1）验证开源情报数据的准确性，识别开源情报中的伪造信息，确保数据和情报的真实性；2）自动化执行任务，短时间内处理海量数据，为情报

94、分析人员节省更多时间；3）扫描、发现被标记为异常的关键信息，为情报分析人员提供早期指标和预警信号；4）帮助情报分析人员对情报目标保持持续感知态势，进而发现模式、趋势和相互关系；5）可视化展示情报目标之间的关系和网络，辅助情报分析人员推断其中关键影响因素；6）实时监控目标环境的新变化，及时发现异常行为，防止微弱却重要的信号在日常情报工作中被遗漏。AIP：2023年4月，Palantir发布了其最新产品AIP（Artificial Intelligence Platform，人工智能平台），该产品将类似于 GPT-4 的大语言模型整合进其原有产品体系中。整合后，使用者可以直接使用自然语言与 AIP

95、 对话，大大提高了 Palantir 产品的易用性和交互能力。可以说，AIP 为 Palantir 原有产品理解和解决真实世界问题提供了巨大助力。Palantir 以某区域的模拟作战情况阐释了 AIP 的能力。当用户输入“目标区域内有何种敌方目标”时，AIP 会自动判读，并向使用者反馈“需要派遣新的侦察设备以补充获取目标区域影像信息”，同时给出侦察设备的派遣备选方案。当用户向 AIP 下达“派遣 MQ-9 无人机执行侦察任务”指令后，AIP 派出 MQ-9 无人机并返回无人机捕获的敌方坦克影像数据。在 MQ-9 捕获到敌方坦克的信息后，用户可以要求 AIP（“生成三种打击方案”。AIP 立即按

96、要求生成三种打击方案：方案 1 为使用 F16 战机实施打击任务，方案 2 为使用海马斯火箭炮实施打击任务，方案 3 为派遣 Omega 反坦克导弹分队实施打击任务。方案生成后，AIP 从装备调遣距离、打击用时、所需人员数量等方面给出评估意见。当用户选择派遣 Omega 反坦克导弹分队执行此次打击任务后，AIP 会结合战场地理信息为 Omega 分队设计出最佳行军路线。同时，AIP 还能自主设计电子战方案以干扰 Omega 行军路线中的敌方通信，保障 Omega 分队的行军安全。Palantir 公司上市前经历过 19 轮融资，估值最高额超过 200 亿美元，上市首日市值 209 亿美元。最近

97、一年，Palantir 公司股价基本在 10 美元以下（对应 212 亿美元市值），但公司在 2023 年 4 月 26 日发布其新款 AIP 产品后获得市场广泛关 注，股价持续攀升，截至 2025 年 2 月 18 日阶段高点，公司股价达 124.62 美元（对应 2923 亿美元市值），市值较 AIP 产品发布日上涨 1683.14%。图图23、公司历史股价大幅公司历史股价大幅跑跑赢指数（赢指数（前前复权）复权）数据来源：iFinD，兴业证券经济与金融研究院整理 四、军事人工智能发展趋势及挑战（一）军事人工智能离不开算力基础设施建设 据军事大模型发展现状与算力基础设施需求分析（季鹏飞、华松

98、逸、张煜晨、肖蒙蒙、余炳晨），目前主流的军事大模型平台使用预先训练好的大模型，这些模型具有数十亿甚至数万亿的参数。模型训练过程是一个计算能力消耗巨大的海量数据处理过程，大模型对算力的需求主要体现在模型预训练、日常操作、模型优化等方面。以目前构建大语言模型的主流框架 Transformer 模型为例，对于 40个单词的文本序列，执行 Bert 推理需要 7 GFlop/s，而用于从中文翻译到英文的Seq2Seq（序列到序列）模型需要 20 GFlop/s。训练 ChatGPT 所需的计算能力约为 3640 PFlop/s-day（即，如果每秒进行一万亿次计算，则需要 3640 天），相当于训练

99、64 个 Nvidia A100 GPU 一年。此外，大模型在运行过程中需要不断优化，以确保最佳应用状态，优化过程也会消耗大量计算能力。以 ChatGPT 为例，其每月的微调至少需要 1350 PFlop/s-day 的计算能力。-300%-100%100%300%500%700%900%1100%1300%2020-09-302020-11-302021-01-312021-03-312021-05-312021-07-312021-09-302021-11-302022-01-312022-03-312022-05-312022-07-312022-09-302022-11-302023-

100、01-312023-03-312023-05-312023-07-312023-09-302023-11-302024-01-312024-03-312024-05-312024-07-312024-09-302024-11-302025-01-31PALANTIR TECHNOLOGIES标普500 （二）数据质量是 AI 训练的核心，军事领域缺乏标准化数据 深度学习是基于数据的，模型需要大量样本进行训练，而现实战争面临最大的问题就是训练样本匮乏。从目前深度学习的研究现状来看，训练样本依然是智能辅助决策系统研究的重要基础，因此，必须注重训练样本积累，以满足深度学习的需要。第一，由于我军长时间

101、处于和平状态，缺乏现代战争的作战经验和相关数据，因此，训练样本只能从历史演习数据中获取，规模非常有限。为解决训练样本积累问题，一种可行的途径是通过兵棋模拟对抗进行数据的积累，同时利用专家知识对失真样本数据进行修复，以提高样本质量;另外，可以使用生成对抗网络(GAN)自动生成大量对抗样本，从而满足研究需要。第二，对样本集的信息维度应进行合理控制，虽然高纬度数据样本能使战场态势信息更完备，但过高的维度将严重影响到算法效率；反之，样本信息维度选择过低，又难以有效描述战场信息，这就需要根据作战层次对指挥粒度的要求来具体分析，并决定取舍。第三，研究更好的特征编码和标准化处理方法，统一规范数据格式、信息流

102、程、数据库结构等，以实现对训练样本的统一管理和有效利用。（三）军事应用场景的特殊性需要实现云边协同计算 军事领域需要充分考虑通信的不可达性，因此基于数据中心的标准大模型应用模式有其弊端，而基于各级指挥所或智能设备进行智能推理也对模型的小型化和轻量化提出了很高的要求。未来，随着模型压缩技术的成熟，在保持大模型原有性能和精度的同时，可以降低对推理算力的需求。这些平台使用轻量化模型来降低边端模型的部署成本，使人工智能模型的离线应用成为可能，从而提供定制化、低延迟、高安全性和隐私性的军事应用，更好地保留了原有模型的功能，实现云边协作，确保私域安全和更好的实时性能。（四）从大语言模型到多模态大模型 适用

103、军事领域的大模型主要包括大语言模型（Large language model，LLM）和 多模态大模型（Multimodal foundation model，MFM）。大语言模型基于大量军事文本数据训练而得到的深度神经网络模型，可理解军事术语，生成具有自然语言特征的军事文书，满足智能问答、文本摘要和军语翻译等多种自然语言任务。多模态大模型融合了文本、语音、图像和视频等多模态数据进行学习和训练，可以同时处理自然语言、视觉、语音等多种复杂多模态任务。当前军事人工智能大多是基于文本模态知识图谱的研究，涵盖情报分析、装备管理、军事术语、指控保障等军事领域的各个方面，少有涉及可以处理图像、语音等多模态

104、数据的多模态知识图谱的研究与分析，但随着现代化战争从机械化向智能化转变，各类信息 化和智能化武器装备、传感器以及信息网络技术得到快速发展，多模态军事数据爆炸式增长，多模态知识图谱在军事领域的需求愈加迫切。图图24、多模态多模态军事军事数据组织运用数据组织运用流程流程 数据来源：一种面向多模态军事数据的组织运用方法研究（刘静涛、刘永海、刘超），兴业证券经济与金融研究院整理 表表9、多模态知识图谱的军事应用多模态知识图谱的军事应用 分类分类 军事图谱名称军事图谱名称 提出时间提出时间 作用作用 态势感知态势感知 基于战场态势的知识图谱 2022 年 基于知识图谱实现战场态势感知、理解和预测，为作战

105、决策提供有效支撑 响应速度有待提高，错误数据的判别率低，推理能力弱，不能很好利用部分缺失数据 战场环境多模态知识图谱智能服务系统 2021 年 整合分析战场环境数据，实现战场环境综合情报分析，提供智能辅助决策 功能模块之间交互能力弱 PLAN X 知识图谱 2012 年 以简化的作战流程在直观界面上实现与敌方的网络攻击与对抗 作战系统整合不足，未形成高效运行的网络作战系统体系 情报处理情报处理 Palantir 知识图谱 2004 年 通过与 GIS 技术结合，利用地理信息进行情报融合与分析，指导复杂战场环境下的军事行动 数据库可访问，容易遭到攻击，保密性差 KAIROS 知识图谱 2019

106、年 分析挖掘多媒体信息背后隐藏的线索信息，对情报领域的因果关系进行智能推理 只具备事件模式的理解能力，不具备独立理解并解决问题的能力 装备管理装备管理 装备领域多模态知识图谱 2022 年 有效地管理和识别军事装备数据，提供准确地战场数据 通过实体对齐融合单模态知识图谱得到多模态知识图谱，跨模态实体间的语义关联难以利用 军事装备管理数据知识图谱 2022 年 整合装备使用管理中的大量数据，应用于装备智能化保障、态势呈现、装备需求论证等领域 图谱去噪能力弱，不能很好地消除噪声对知识图谱带来的影响 天机 武器装备图谱平台 2020 年 以可视化方式保障一系列武器装备工作 平台规模庞大，包含数据量多

107、，需要配备高性能计算设备 指挥控制指挥控制 军事领域知识图谱 2020 年 解决了战略战役级联合作战信息保障面临的挑战，支持军网、民网、数据链等多种传输方式 面向级别高，体量庞大 智谋科技知识图谱平台 2023 年 以可视化模式为指挥决策提供有效的辅助支持 视频知识、多语种知识处理效果不佳 数据来源：（多模态知识图谱构建技术及其在军事领域的应用综述（奕、陈阳、杜晓明、奕天、李尚尚、鸣蔚），兴业证券经济与金融研究院整理 五、产业链及重点标的 人工智能产业链包括基础层、技术层和应用层等 3 个部分。其中，基础层主要包括数据服务、硬件设备、软件平台等；技术层包括机器学习、知识图谱、大模型、类脑算法、

108、计算机视觉、智能语音、生物特征识别等；应用层包括智能机器人、智能运载工具、虚拟数字人、智能制造、智能家居、智慧医疗、智慧城市、智慧金融、智慧军事等。图图25、人工智能产业链人工智能产业链 数据来源：中商产业研究院，兴业证券经济与金融研究院整理 在智慧军事领域，可以按照产业链环节将相关的上市公司分为特种 AI 芯片、特种AI 模型&应用、特种 AI 终端、AI 基础设施配套等四个环节。典型上市公司：特种 AI 芯片包括紫光国微紫光国微、复旦微电复旦微电、成都华微成都华微、景嘉微景嘉微等等；特种 AI 模型&应用包括中科星图中科星图、能科科技能科科技、华如科技华如科技、航天宏图航天宏图、观想科技观想科技、邦邦彦技术彦技术等等；特种 AI 终端包括航天电子、航天电子、中航机载中航机载、七一二七一二、海格通信海格通信、科思科技科思科技、集智股份集智股份、中科海讯中科海讯等等；AI 基础设施配套包括华丰科华丰科技技、中航光电中航光电、陕西华达陕西华达、海兰信海兰信等等。（详情略）