2025軍事領域人工智能應用場景、國內外軍事人工智能發展現狀及未來趨勢分析報告（37頁）.pdf

《2025軍事領域人工智能應用場景、國內外軍事人工智能發展現狀及未來趨勢分析報告（37頁）.pdf》由會員分享，可在線閱讀，更多相關《2025軍事領域人工智能應用場景、國內外軍事人工智能發展現狀及未來趨勢分析報告（37頁）.pdf（37頁珍藏版）》請在三個皮匠報告上搜索。

1、 2025 年深度行業分析研究報告yXuXzWmNtRtQnQqOxU9P8Q8OpNoOmOnQjMpPmPkPrQqQ9PqQzQvPqNvNuOnOoM 目錄目錄 一、軍事人工智能技術的發展歷史.5（一）軍事人工智能的發展歷史.5（二）人工智能的定義與分類.7（三）市場空間及復合增長率測算.8 二、人工智能技術在軍事領域的應用場景.9（一）無人作戰體系.9（二）輔助訓練系統.17（三）作戰/數據分析系統.19（四）智能化彈藥.23（五）智能單兵裝備.25 三、國內外軍事人工智能發展現狀.26（一）美國、日本、俄羅斯出臺國防安全 AI 戰略規劃，統籌人工智能發展.26（二）美國軍事人工智能

2、技術發展成熟度較高，中國軍工集團持續加大人工智能領域布局.27（三）他山之石：美國軍事人工智能龍頭 PALANTIR 案例分析.31 四、軍事人工智能發展趨勢及挑戰.34（一）軍事人工智能離不開算力基礎設施建設.34（二）數據質量是 AI 訓練的核心，軍事領域缺乏標準化數據.35（三）軍事應用場景的特殊性需要實現云邊協同計算.35（四）從大語言模型到多模態大模型.35 五、產業鏈及重點標的.37 六、風險提示.38 圖目錄圖目錄 圖 1、SAGE 系統運作模式.5 圖 2、2023-2034 年全球及美國軍事人工智能市場規模（十億美元）.9 圖 3、2023 年軍事人工智能市場地區規模占比（%

3、）.9 圖 4、無人裝備能力建設發展路程.10 圖 5、蜂群、編組、忠誠僚機模式比較.11 圖 6、實施蜂群作戰想象圖.11 圖 7、美海軍人工智能發展組織架構.14 圖 8、機器學習水聲目標識別框圖.14 圖 9、三種移動機器人.15 圖 10、美軍“Vision 60 UGVs”機器狗.16 圖 11、“機器狼”首次亮相 2024 年中國航展.16 圖 12、特斯拉“擎天柱”人形機器人.17 圖 13、俄羅斯“菲多爾”人形機器人.17 圖 14、美國綜合訓練環境系統（STE）架構.18 圖 15、基于態勢感知的動態決策通用理論模型.20 圖 16、人工智能情報信息處理流程.21 圖 17、

4、集群智能彈藥的自主能力等級.25 圖 18、單兵可穿戴裝備系統.26 圖 19、智能單兵頭盔.26 圖 20、杭州智元研究院有限公司股權結構（截至 2025 年 3 月 2 日）.29 圖 21、2018-2024 年公司營業收入與歸母凈利潤.32 圖 22、2018-2024 年按客戶劃分營業收入情況.32 圖 23、公司歷史股價大幅跑贏指數（前復權）.34 圖 24、多模態軍事數據組織運用流程.36 圖 25、人工智能產業鏈.38 表目錄表目錄 表 1、全球主要國家和地區軍事人工智能相關政策.6 表 2、機器學習的四大類型.8 表 3、美軍無人水面艦艇發展歷程.12 表 4、機器學習方法在

5、水聲探測中的典型應用.14 表 5、美國智能情報系統典型項目.22 表 6、人工智能提升彈藥及防御系統性能.24 表 7、我國軍工集團及下屬院所、參控股企業利用人工智能提升生產力.30 表 8、我國軍工集團及下屬院所、參控股企業推出人工智能相關產品/服務 31 表 9、多模態知識圖譜的軍事應用.36 一、軍事人工智能技術的發展歷史（一）軍事人工智能的發展歷史 人工智能（Artificial Intelligence，AI）誕生于 1956 年，隨著計算機能力逐漸提升、地緣政治日益緊張，被迅速投放于軍事領域。在 20 世紀 50 年代至 80 年代，人工智能主要應用于計算輔助的戰術決策方面，包括

6、對戰場情報的處理、分析與匯總等。例如，美國于 50 年代末開發的 SAGE（Semi-Automatic Ground Environment）系統，旨在“從多個雷達接收大量數據，并進行實時處理，以生成攔截飛機和導彈的目標信息”。同時，專家系統及相關技術也開始萌芽70 年代研發的 DENDRAL 系統盡管主要用于分子結構推斷，但也為后續人工智能向軍事領域的繼續滲透奠定了基礎。圖圖1、SAGE 系統運作模式系統運作模式 數據來源：Defense Visual Information Distribution Service，興業證券經濟與金融研究院整理 20 世紀世紀 90 年代至年代至 21

7、世紀初，世紀初，軍事人工智能軍事人工智能向更廣泛的領域延伸。向更廣泛的領域延伸。這一階段的核心進展之一是實現了無人作戰系統的廣泛應用，無人機、無人艦艇等無人作戰裝備逐漸成為現代戰爭的重要組成部分。例如，美國開發的“捕食者”無人機（MQ-1 Predator）在阿富汗戰爭中被廣泛應用，不僅能夠執行長時間偵察任務，還配備了用于精確打擊的“地獄火”導彈，標志著無人機從偵察功能擴展到殺傷功能的重大突破。21 世紀初至今，世紀初至今，軍事人工智能軍事人工智能在技術突破催化下進入快速發展期。在技術突破催化下進入快速發展期。大數據（Big Data）、云計算、GPU（圖形處理單元）的發展使得深度學習（Dee

8、p Learning）模型的規模和復雜性不斷增加，促進了人工智能在軍事領域的全面應用，主要包括：實現作戰指揮過程中輔助決策的專家系統、提升軍事訓練質量和效益的輔助訓練系統、提升無人作戰平臺的環境感知和自主控制、實現對作戰目標的快速識別、特征提取和計算視覺技術等。軍事人工智能軍事人工智能因其巨大的發展潛力和廣闊的應用前景，已逐步成為提升國家軍事因其巨大的發展潛力和廣闊的應用前景，已逐步成為提升國家軍事競爭力、維護國家安全的重要戰略手段。競爭力、維護國家安全的重要戰略手段。2016 年 5 月，為提升在人工智能領域的競爭力，應對新興國家的挑戰，美國國家科學技術委員會（NSTC）成立了一個臨時小組委

9、員會機器學習和人工智能小組委員會（Subcommittee on Machine Learning and Artificial Intelligence，MLAI）和一個新的跨部門工作組人工智能工作組（Artificial Intelligence Task Force，AITF）。2016 年 10 月，美 MLAI委員會發布了題為時刻準備著:為人工智能的未來做好準備的戰略報告，提出了人工智能發展的具體建議；同月，美 AITF 工作組配套發布了 國家人工智能研究與發展戰略計劃，開始從國家層面系統的規劃引導人工智能領域的發展，確保其在包括國防軍事在內的各領域的競爭。自此，軍事人工智能在國家層

10、面的競爭拉開序幕，中國、俄羅斯等國家相繼頒布相關文件，立足頂層對人工智能在軍事領域的應用進行統籌規劃。表表1、全球主要國家全球主要國家和地區和地區軍事人工智能軍事人工智能相關政策相關政策 時間 頒布文件 主要內容 美國美國 2016 為人工智能的未來做好準備 詳述人工智能帶來的若干政策機遇，并提供 23 條發展建議，包括加強跨部門數據共享等。2016 國家人工智能研究與發展規劃 提出利用人工智能維護國家和國土安全。2018 2018 年國防部人工智能戰略概要 著重強調了發展人工智能的重要意義，分析了美國防部在人工智能領域面臨的戰略形勢，闡明了美國防部部署人工智能能力戰略舉措及重點領域，包括賦能

11、軍事決策、建立共同基礎設施、培養人才隊伍、加強合作等。2019 國家人工智能戰略 對之前七個重點領域進行了全面更新，各自重點有所變化，涉及到人工智能研究投資、人機協作開發等。2020 負責任的人工智能戰略與實施途徑 提出實施人工智能戰略的六大路線：負責任的人工智能管理、戰士信譽、人工智能產品與采集周期、需求驗證、負責任的人工智能生態系統、人工智能勞動力。2023 數據、分析和人工智能應用戰略 規定了人工智能開發和應用的靈活方法，強調大規模交付和采用的速度，從而帶來五種具體的決策優勢結果，包括卓越的戰場感知和理解、自適應兵力規劃和應用等。中國中國 2017 新一代人工智能發展規劃 提出到 203

12、0 年將中國建設成為世界人工智能創新中心，強化新一代人工智能技術對指揮決策、軍事推演、國防裝備等的有力支撐。2021 中國關于規范人工智能軍事應用的立場文件 向聯合國提交，為規范人工智能軍事應用提供建設性參考。2023 全球人工智能治理倡議 重申各國應在人工智能治理中加強信息交流和技術合作，共同做好風險防范，形成具有廣泛共識的人工智能治理框架和標準規范，不斷提升人工智能技術的安全性、可靠性、可控性、公平性。歐盟歐盟 2020 人工智能白皮書 提出要建立一個“可信賴的人工智能框架”，重點聚焦三大目標：研發以人為本的技術；打造公平且具有競爭力的經濟；建設開放、民主和可持續的社會。2021 歐盟人工

13、智能戰略 調各成員國行動，共同實現歐盟占據人工智能全球領導地位的目標。2024 歐盟美國人工智能術語和分類法 聯合美國發布，標識出 65 個人工智能相關術語，旨在統一術語和概念框架，促進跨大西洋人工智能協調與合作。俄羅俄羅斯斯 2019 2030 年前國家人工智能發展戰略 提出將利用人工智能技術持續推動俄聯邦在經濟、社會、教育、衛生及市政服務等領域的發展 2024 2024 年至 2033 年俄羅斯武器裝備發展綱要 為未來 10 年武器裝備發展提供指導，強調繼續推進核武器和常規武器建設，并重點研究人工智能和機器人技術、高超音速武器等。以色以色列列 2022 人工智能軍事應用戰略 通過中央人工智

14、能部門推進國防軍的智能化轉型，保證在各個軍事部門和指揮部中加速推廣人工智能，最終實現戰場態勢圖共享和減少附帶損傷等主要作戰目標 英國英國 2022 國防人工智能戰略 提出使用人工智能的戰略和相關政策,包括通過人工智能研究、開發和實驗，通過新概念和尖端技術徹底改變武裝技術能力，并有效、高效、可信地向戰場交付最新裝備。數據來源：安全內參、中國政府網、人民網、中國國防報、美國國防部、歐盟人工智能相關戰略與政策（汪逸豐）、美國國家人工智能研究和發展戰略計劃（美國國家科學技術委員會、美國網絡和信息技術研發小組委員會）、俄羅斯“2030 年前國家人工智能發展戰略”淺析（武坤琳、葛悅濤）、U.S.DEPAR

15、TMENT OF DEFENSE RESPONSIBLE ARTIFICIAL INTELLIGENCE STRATEGY AND IMPLEMENTATION PATHWAY，興業證券經濟與金融研究院整理 （二）人工智能的定義與分類 據美國國防部聯合人工智能中心發布的人工智能技術指南，美國國防部人工智能戰略將人工智能定義為“機器執行通常需要人類智能才能完成的任務的能力”。這一定義涵蓋了美國國防部沿用數十年的人工智能技術，如飛機自動駕駛儀、導彈制導系統和信號處理系統。盡管許多人工智能技術由來已久，但在過去十年間取得了重大技術突破，極大地拓展了人工智能在實際應用中的多樣性，使其變得更強大、更實用

16、。美國國防高級研究計劃局（美國國防高級研究計劃局（DARPA）將人工智能技術分為兩個類型，手工知識和）將人工智能技術分為兩個類型，手工知識和機器學習。機器學習。早期的人工智能采用“手工知識系統”的方式，利用傳統的基于規則的軟件，將人類專家的專業知識編纂成一系列“如果輸入 x，則輸出 y”的編程規則。機器學習系統與前者不同，其“知識”并非由人類編程賦予，而是從數據中學習得來：機器學習算法在訓練數據集上運行，生成人工智能模型，同時人類在引導機器學習過程中仍至關重要，人類要選擇算法、整理數據格式、設置學習參數并排查問題。得益于海量數據集的不斷涌現、強大計算能力的支持（通過使用 GPU 芯片作為加速器

17、以及云計算）、開源代碼庫和軟件開發框架的發展，使用機器學習人工智能系統的性能和實用性得到了顯著提升。根據所訓練數據的不同，機器學習算法主要分為四類：根據所訓練數據的不同，機器學習算法主要分為四類：1）監督學習：使用由人類“監督者”標記的示例數據。監督學習性能卓越，但獲取足夠的標記數據可能困難重重，既耗時又費錢。2）無監督學習：使用數據，但無需對數據進行標記。在許多應用場景中，其性能不如監督學習，但它可用于解決監督學習難以應對的問題。3）半監督學習：同時使用標記數據和未標記數據，兼具監督學習和無監督學習的優缺點。4）強化學習：擁有自主的人工智能智能體，這些智能體通過與環境的試錯交互來收集自身數據

18、并實現自我提升。深度學習（深度神經網絡）是一種強大的機器學習技術，可應用于上述四類算法中的任何一類。表表2、機器機器學習的四大類型學習的四大類型 類型類型 特點特點 應用場景應用場景 監督學習 依賴帶標簽的數據訓練模型，性能高但標注成本高 圖像分類、預測分析 無監督學習 無需標簽，通過數據特征自動分組，適合探索性分析 異常檢測（如金融欺詐）、數據聚類分析 半監督學習 結合少量標簽數據與大量無標簽數據，平衡成本與性能 部分標注的場景（如醫學影像分析）強化學習 通過環境交互和獎勵機制學習策略，適合動態決策場果 游戲 AI、自動駕駛模擬訓練 數據來源：人工智能技術指南（Greg Allen），興業證

19、券經濟與金融研究院整理 （三）市場空間及復合增長率測算 據 Precedence Research 報告，2024 年全球軍事人工智能市場規模達到 95.6 億美元，預計到 2034 年將達到 321.7 億美元，2024 年至 2034 年的復合年增長率為 12.9%。其中，2024 年美國軍事人工智能市場規模為 24.1 億美元，預計到 2034年將達到 82.8 億美元，2024 年至 2034 年的復合年增長率為 13.14%。分地區來看，2023 年美國、歐洲和亞太地區軍事人工智能市場規模占比最高，分別為 36%、30%、24%。其中亞太地區的中國、日本、韓國正成為人工智能技術整合速

20、度最快的國家。圖圖2、2023-2034 年全球及美國年全球及美國軍事人工智能軍事人工智能市市場規模（十億美元）場規模（十億美元）圖圖3、2023 年年軍事人工智能軍事人工智能市場地區規模占比市場地區規模占比（%）數據來源：Precedence Research，興業證券經濟與金融研究院整理 數據來源：Precedence Research，興業證券經濟與金融研究院整理 二、人工智能技術在軍事領域的應用場景 從古至今，從冷兵器到機械化再到信息化，從古至今，從冷兵器到機械化再到信息化，科技的科技的變革對于軍事領域會產生顛覆變革對于軍事領域會產生顛覆性的影響。性的影響。恩格斯在反杜林論中指出：“一

21、旦技術上的進步可以用于軍事目的并且已經用于軍事目的，它們便立刻幾乎強制地，而且往往是違反指揮官的意志而引起作戰方式上的改變甚至變革?！泵绹岢雒绹岢鲴R賽克戰馬賽克戰的概念，的概念，使用大量有人使用大量有人/無人平臺以達到動態自主協同、通信網無人平臺以達到動態自主協同、通信網絡自主管理和基于絡自主管理和基于 AI 的智能輔助決策工具。的智能輔助決策工具。DARPA 在 2017 年首次提出了馬賽克對抗的概念，旨在通過先進的技術手段實現多種系統、武器平臺的實時靈活組合，并進行網絡化對抗，核心在于將低成本、高自主度的對抗單元如同馬賽克的像素點一般結合為對抗系統。2020 年 2 月，美國戰略與預算

22、評估中心（CABA）發布研究報告馬賽克戰：利用 AI 和自主系統實施以決策為中心的對抗行動，對馬賽克作戰概念的核心致勝機制及運作模式進行說明，提出實施以決策為中心的作戰概念。（一）無人作戰體系 無人智能化裝備的運用可以實現戰爭中威懾最大化與成本最小化。無人智能化裝備的運用可以實現戰爭中威懾最大化與成本最小化。據無人作戰體系構建研究初探（陳赤聯、張鍇、郭褚冰、王志剛），以俄烏戰爭為例，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全球市場規模（十億美元）美國市場規模(十億美元)36%30%24%6%4%北美歐洲亞太拉丁美洲中東和非洲 年底,約有 20 架烏克蘭 TB-2 無人機摧毀了俄羅斯至少 32 輛軍用車輛，俄羅斯僅在 4 月份就損失了 2 套“山毛櫸”地對空導彈系統(2600 萬美元/套)、道爾M2防空系統(2500 萬美元/套)、4 套 MSTA-B 拖曳式榴彈炮(120 萬美元/套)以及 14輛軍用車輛，TB-2 無人機作戰應用效費比達到了驚人的 101。無人裝備能力建設的發展是主要分為 10 個等級，三個階段，當前所處的第三階段目標能夠實現人機協同及集群自主、系統自學習/能力

24、可演進的無人作戰體系，對于智能化的要求大幅提升。圖圖4、無人裝備能力建設發展路程無人裝備能力建設發展路程 數據來源：（無人作戰體系構建研究初探（陳赤聯、張鍇、郭褚冰、王志剛），興業證券經濟與金融研究院整理 1.無人機 現階段無人機作戰體系還不具備高度自主智能的作戰能力，人在無人機作戰體系現階段無人機作戰體系還不具備高度自主智能的作戰能力，人在無人機作戰體系中仍然起著重要作用。中仍然起著重要作用。據無人機作戰體系的發展現狀研究（王響雷），根據無人機自主集成的程度，可以分為以下五級自主級別：1）傳感器感知：需要顯著的人為控制、監督與決策，無人機可以通過傳感器進行自動識別與標記目標。2）多傳感器融合

25、：需要適度的人為控制、監督與決策，無人機可以對多傳感器信息及外界信息進行數據融合，并實現信息源檢索和對外輸出。3）傳感器自主：無人機運用一定的人工智能與機器學習技術完成指令，僅在意外情況下需要人為控制與監督。本報告來源于三個皮匠報告站（）,由用戶Id:93117下載,文檔Id:616798,下載日期:2025-03-11 4）平臺彈性：無人機可以進行自主定位導航、決策打擊，人類命令優先，無命令時自主。5）平臺完全自主：無人機接受最低限度的人為控制與監督，通過單獨自主或協作集群的方式，達到從接受任務到報告結果的全過程自主。2016 年 5 月 17 日，美空軍發布了首份專門針對小型無人機系統（起

26、飛重量低于600 千克）的飛行規劃，即2016 年-2036 年小型無人機系統飛行規劃（美國空軍）。規劃中明確了美國空軍小型無人機系統近期、中期和遠期主要發展目標，特別提出了“蜂群（Swarming）”“編組（Teaming）”“忠誠僚機（Loyal Wingman）”和“誘餌（Decoys）”四種集群作戰概念，為空軍全面發展小型無人機系統奠定了基礎。圖圖5、蜂群、編組、忠誠僚機模式比較蜂群、編組、忠誠僚機模式比較 圖圖6、實施蜂群作戰想象圖實施蜂群作戰想象圖 數據來源：2016 年-2036 年小型無人機系統飛行規劃（美國空軍），興業證券經濟與金融研究院整理 數據來源：2016 年-2036

27、 年小型無人機系統飛行規劃（美國空軍），興業證券經濟與金融研究院整理 據論航空火力控制系統的智能化（陳哨東、劉躍峰），蜂群無人機主要擁有如下“蜂群”特色功能。1）智能感知：蜂群通過收集群內無人機傳感器和外部通訊信息，運用已有知識，采用分布/集中式處理方法實現對戰場環境的了解及目標的識別與跟蹤，并對未來變化進行預測；同時充分利用群內感知無人機的資源、采取最佳探測方案，保證對目標的持續跟蹤與特征獲取。2）智能認知：蜂群將群內無人機感知得到的信息進行融合、處理，綜合群內外的信息，結合無人機存儲與學習的經驗與知識，形成實時的作戰態勢并進行態勢評估。3）智能決策：蜂群綜合作戰任務、戰場態勢和群內無人機資

28、源配置情況，進行分析、規劃，形成有效、可行的行動方案。4）智能交互：蜂群將群內無人機狀態、實施的行動方案及執行情況，以恰當方式傳送給作戰指揮人員，接受并解析作戰指揮人員的任務指令；同時，保持群內無人機之間的信息互通，保證每架無人機的任務明確。5）智能執行：每架蜂群無人機可以準確接受并最優化地執行群決策指令；同時，控制機內設備精準、低耗、有效地完成預期動作。2.無人水面艦艇/無人潛航器 無人水面艦艇（Unmanned Surface Vehicle，USV）是指具有自主航行能力，通過搭載不同任務載荷遂行相關任務的水面航行器，具有綜合成本較低、機動性較強、隱身性能較好、環境適應性強等特點，在海域態

29、勢感知、水下預警探測、水下掃雷、火力支援等領域應用前景廣闊。2021 年，美國海軍發布首個無人系統領域頂層發展大綱無人作戰框架，提出“建設一支有人-無人系統無縫集成的部隊”。在框架的指引推動下，美國海軍持續組織多型無人水面艦艇參加“無人系統綜合作戰問題”“大規模演習”“環太平洋”等演習并赴印太地區廣域部署。2022 年 4 月，美國發布“美國海軍長期造艦計劃”，計劃到 2045 年建造 81 至 153 艘大型無人艦，這表明美國無人水面艦艇已基本完成建設路徑、運用模式、作戰概念等方面的論證，跨入大批量建造和列裝階段。2023 年 8 月，國防部副部長?？怂构肌皬椭普哂媱潯?，計劃 2 年內在印

30、太地區部署數千個包括無人水面艦艇在內的小型化、低成本、智能化無人裝備。表表3、美軍無人水面艦艇發展歷程美軍無人水面艦艇發展歷程 階段階段 時間時間 規劃規劃 事件事件 總結總結 探索評估階段 2007-2016 發展中小型無人水面艦艇技術裝備 2007 年 7 月，美國海軍首次發布海軍無人水面艦艇主計劃，規劃無人水面艦艇發展方向，提出重點建造 3m 至11m 級的 X 級、“港口”級、“通氣管”級、“艦隊”級等小型無人艇，探索發展 16m 級“水虎魚”中型無人艇，并相繼推出“藍色騎士”“X-2”“斯巴達偵察兵”等多個中小型無人艇項目。主要進行無人水面艦艇可行性評估和裝備技術驗證，為后續加速發展

31、和實踐運用奠定基礎?？焖侔l展階段 2017-2020 發展大中型無人水面艦艇技術裝備 2017 年，美國國防部提出“幽靈艦隊霸主”計劃，旨在發展大中型無人水面艦艇，“海上獵人”“霸主”“水手”“先鋒者”等型號的試驗艦先后交付美國海軍并開展先期測試，主要驗證關鍵技術和基本性能.無人水面艦艇技術日趨成熟、建造速度明顯加快，重點驗證了無人艦艇由“小平臺”過渡至“大平臺”的作戰性能。2020 年，美國海軍啟動“海上列車”和“無人值守艦船”項目，全力發展大型無人水面艦艇；同年，“游騎兵”號無 美軍在無人水面艦艇的具體實踐如下：1）指揮控制上采取“節點指控+自主控制”。當前，無人水面艦艇具備較強的自主控制

32、能力，但海上活動還無法實現全流程智能自主控制。從試驗情況來看，無人水面艦艇主要采取“人在回路”的模式，依托岸上或艦上指控中心進行遙控操作，進出港以及在高危海域活動還需要人工輔助，發射反艦導彈、防空導彈、反潛魚雷等彈藥主要依靠外部指令。但是，隨著人工智能技術的發展，無人水面艦艇智能自主控制程度正不斷提升，未來作戰將更加突出“任務式”指揮和“自主化”控制。2）戰場感知上運用“分散前出+協同探測”。美軍無人水面艦艇采用模塊化設計，可搭載先進的?？諠撎綔y系統，具備?？疹A警、態勢感知、目標識別和高精度目標指示能力。無人水面艦艇可以在廣闊海域與其他偵察平臺協同實施分布式機動預警探測，甚至前出至高危海域實施

33、探測，在規避有人平臺傷亡的同時，憑借分布式、小型化、大規模的優勢降低可探測性，提高靈活性和彈性，并迫使對手消耗更多偵察資源。3）火力打擊上充當“武器彈藥庫+自殺式平臺”兩種角色。根據美軍設計，無人水面艦艇未來將作為“主角”參與美軍海上作戰體系，與有人艦艇協同遂行火力打擊任務。作戰運用上，無人平臺可作為“武庫艦”，搭載大量導彈、魚雷、巡飛彈等武器彈藥，甚至充當自殺式平臺前推至交戰區。多型號、大批量無人水面艦艇還能組成海上混合集群，前出實施分布式火力打擊，壓縮對手作戰空間。無人潛航器（Unmanned Underwater Vehicle，UUV）是指沒有人駕駛、依靠遙控或自動控制在水下航行的器具

34、，主要指那些代替潛水員或載人小型潛艇進行深人艦完成從墨西哥灣穿越巴拿馬運河到美國西海岸的自主航行。實踐運用階段 2021 至今 驗證有人協同作戰和無人集群作戰能力 2021 年，美國海軍發布首個無人系統領域頂層發展大綱無人作戰框架，提出“建設一支有人-無人系統無縫集成的部隊”。在框架的指引推動下，美國海軍持續組織多型無人水面艦艇參加“無人系統綜合作戰問題”“大規模演習”“環太平洋”等演習并赴印太地區廣域部署，持續檢驗評估無人水面艦艇的作戰能力。-2022 年 4 月，美國發布“美國海軍長期造艦計劃”，計劃到 2045 年建造 81 至 153 艘大型無人艦，這表明美國無人水面艦艇已基本完成建設

35、路徑、運用模式、作戰概念等方面的論證，跨入大批量建造和列裝階段。2023 年 8 月，國防部副部長?？怂构肌皬椭普哂媱潯?，計劃 2 年內在印太地區部署數千個包括無人水面艦艇在內的小型化、低成本、智能化無人裝備，以抵消對手力量規模優勢。數據來源：美軍無人水面艦艇發展情況及實踐運用（周小利、謝達、張昌芳），興業證券經濟與金融研究院整理 海探測、救生、排除水雷等高危險性水下作業的智能化系統。據無人潛航器發展歷程及運用優勢研究（陳昭、丁一杰、張治強），無人潛航器主要功能包括海洋測繪、航路開辟、偵察監視、水下誘餌、水雷布設與清除、反艦與反潛作戰、水下毀傷效果評估等，為構建水下“狼群”戰術提供硬件基礎。

36、據無人潛航器聲視覺融合感知與航跡規劃問題研究（黃彬濤），航跡規劃技術是無人潛航器的核心部分，使用基于深度學習和計算機視覺的同步定位與地圖構建理論（SLAM）成為海外實現移動機器人自主化的核心技術。圖圖7、美海軍人工智能發展組織架構美海軍人工智能發展組織架構 圖圖8、機器學習水聲目標識別框圖機器學習水聲目標識別框圖 數據來源：美國海軍人工智能應用及其對海洋安全的影響（于宗耀），興業證券經濟與金融研究院整理 數據來源：機器學習方法在水聲信號處理中的應用進展（孟華、劉楊、李杰、李想、牛奔），興業證券經濟與金融研究院整理 據機器學習方法在水聲信號處理中的應用進展（孟華、劉楊、李杰、李想、牛奔），由于船

37、舶減振降噪技術的進步，被動船舶噪聲分類中常用的許多基于專家知識的特征已經顯著減弱，導致利用手動特征提取的經典識別方法越來越難以應對，因此借助機器學習方法強大的建模能力，從聲信號以外的其他傳感器數據中挖掘更多信息，研究多模態學習算法，可以提高水聲目標探測與識別。表表4、機器學習方法在水聲探測中的典型應用機器學習方法在水聲探測中的典型應用 機器學習方法機器學習方法 數據集數據集 模型輸入特征模型輸入特征 性能表現性能表現 CNN 南中國海實測數據集 時頻譜圖 分類準確率提升 8%多模態 CNN ShipsEar 時頻譜圖、視覺圖像 相較單模態，多模態融合識別性能更優 組合神經網絡 自建水面/水下目

38、標數據集 時頻譜圖、雙譜圖 高識別率和強魯棒性 Transformer Shipsear，DeepShip 時頻譜圖 取得與最優 CNN 相當的性能 自監督學習最大最小熵域適應 Shipsear，DeepShip CQT,梅爾譜圖,MFCC 緩解水聲環境失配問題 數據來源：機器學習方法在水聲信號處理中的應用進展（孟華、劉楊、李杰、李想、牛奔），興業證券經濟與金融研究院整理 3.機器人&機器狗 根據末端執行機構的方式不同，移動機器人可以被分為輪式機器人、履帶式機器人和足式機器人等。輪式機器人具有結構和控制簡單，易于設計和操作，平坦的地面能靈活快速移動的特點，缺點在于非結構環境下越障能力和運動平穩

39、性差。圖圖9、三種移動機器人三種移動機器人 數據來源：宇樹科技官網、申昊科技官網、金智達機器人官網，興業證券經濟與金融研究院整理 履帶式機器人有接地比壓小、支撐面積大并具備很強的道路適應能力的優點，但存在行動速度較慢且相較于輪式移動機構靈活性不足的缺點。足式機器人越障能力強，能夠實現全方位移動。在地球的陸地表面，有超過 50%以上的面積為崎嶇不平的山丘或低注潮濕的沼澤不適合輪式或履帶式機動平臺在其上行走。足式機器人可以利用孤立的地面支撐而不是輪式機器人所需的連續地面支撐，在可能到達的地面上可以選擇最優的支撐點，更加能夠適應不平坦的地面，因此具有更強的機動性和更好的適應性。另外，足式機器人腿部具

40、有多個自由度，使其具有良好的選擇性與靈活性，這些特點使得足式機器人在非結構化、存在不確定因素的環境中具有絕對的優勢。軍用場景中，輪式、履帶式已有成熟使用案例，軍用場景中，輪式、履帶式已有成熟使用案例，足足式剛剛嶄露頭角。式剛剛嶄露頭角。美國阿富汗、伊拉克軍事行動大力帶動了軍用機器人行業發展。2001 年、2003 年以美國為首的聯軍先后發動對阿富汗和伊拉克的軍事行動。兩場戰爭中，美國軍用機器人公司先驅 Endeavor（前身為 iRobot）一共提供了超過 6,000 臺軍用機器人，該公司政府和工業收入也從 2003 年的 1124 萬美元增長到 2011 年的 1.87 億美元，復合增長率高

41、達 42.1%。2020 年前后，機器狗首次在美國軍事基地與美國軍人并肩作戰，這種四足傳感器平臺作為軍隊的額外“耳朵”與“眼睛”，已經找到了越來越多的新應用。2020 年 9 月 1 日，在內華達州內利斯空軍基地舉行的高級戰斗管理系統演習期間，由費城幽靈機器人公司（Ghost Robotics of Philadelphia）制造的“Vision 60 UGVs”機器狗在巡邏邊界、走在人類士兵前面進行區域偵查，以及發現可能對人類士兵造成致命傷害的目標方面發揮了關鍵作用。圖圖10、美軍美軍“Vision 60 UGVs”機器狗”機器狗 數據來源：鳳凰網，興業證券經濟與金融研究院整理 2024 年

42、 11 月 11 日，中國兵器裝備集團自動化研究所有限公司自主研制的“機器狼”首次在中國航展現場進行動態展示，運用集群作戰的概念，可實現“人、車、狼”互聯互通，信息共享和動態自主協同。在實際作戰中，“機器狼”作戰分隊能在復雜地形上配合戰士作戰。圖圖11、“機器狼”首次亮相“機器狼”首次亮相 2024 年中國航展年中國航展 數據來源：搜狐新聞，興業證券經濟與金融研究院整理 與傳統有人裝備以及輪式與履帶式機器人相比，人形機器人具有獨特的優勢與傳統有人裝備以及輪式與履帶式機器人相比，人形機器人具有獨特的優勢。1）戰場態勢感知能力強：模擬人類視覺、聽覺、觸覺等，具有類人感知功能，且部分視覺功能甚至超越

43、人類，如機器視覺在灰度分辨力和微米大小目標觀測方面優于人類；可在戰場上直立行動，具備更廣闊的視野和更精準的感知能力，可及時、精準發現目標并快速應對；2）戰場環境適應能力強：采用雙腿設計結構，具有類人行走、跳躍能力，可在復雜戰場環境下協調穩定行進、跨越壕溝與低矮障礙，靈巧避障，機動性高；3）戰場協同作戰能力強：人形機器人的置信度增加，可與士兵組成人機編隊，在戰場上協同作戰、操控武器、支援保障、救助傷員，提升士兵戰斗力和生存力。美國、俄羅斯等國持續推動人形機器人的發展，推出了多款產品。美國、俄羅斯等國持續推動人形機器人的發展，推出了多款產品。美國陸軍于 2005年投資開展戰地撤退與救援機器人研究，

44、2008 年研制“佩特曼”人形機器人用于防護服測試。2011 年，DARPA（“機動性與操縱能力最大化”項目開始探索敏機機器人的研究，研制出以運動技能著稱的“阿特拉斯”人形機器人，具有出色的行走、奔跑、跳躍、上下樓、避障、360后空翻、三連跳等高機動能力，并在 2023年改進了其手部結構，采用夾爪設計。2020 年，美國敏機機器人公司首款“蒂吉特”人形機器人上市，該機器人具備自主感知能力，可半自主導航，其手臂可搬動重 18kg 的箱子，適于物流、倉儲、工業等領域。2022 年，美國特斯拉公司推出“擎天柱”人形機器人，可代替人類在重復、枯燥、危險的環境下作業。2017年，根據俄羅斯緊急事務部的技

45、術任務，俄羅斯安卓技術公司和先期研究基金會研制出“菲多爾”人形機器人，該機器人擁有靈活的手指，具備雙手持槍射擊、自主學習、自主行動等功能，可執行火力支援任務。圖圖12、特斯拉特斯拉“擎天柱”人形機器人“擎天柱”人形機器人 圖圖13、俄羅斯俄羅斯“菲多爾”人形機器人“菲多爾”人形機器人 數據來源：環球網，興業證券經濟與金融研究院整理 數據來源：科技日報，興業證券經濟與金融研究院整理 （二）輔助訓練系統 據軍用 AI 對訓練的影響與思考（刁曉峰、黃昉、李松、李鑫、李奧），軍用人工智能能夠根據戰場環境、敵我雙方情況，構建“人+裝備”融合的戰場環境，通過實時采集的數據進行智能分析和決策，利用智能武器系

46、統進行作戰行動模擬，優化訓練體系、提高作戰能力、拓展訓練空間。通過 VR、AR 模擬，將各種地形 虛擬出來，讓指戰員“足不出戶”便可以得到“似曾到過這里的感覺”，從而實現實戰化訓練更加精確，收獲更多綜合效益。據美國陸軍綜合訓練系統的發展現狀與趨勢綜述（王岳、王錦秀、陳晨、王亞平、沙琨），美國陸軍為了提高軍工的備戰能力，保持備戰狀態，開發了美國陸軍開始建設綜合訓練環境（Supplementary Training Equipment）STE 系統，是以士兵為中心的下一代分布式模擬訓練系統，能夠模擬最新的作戰環境，允許陸軍在現場、虛擬、建設和綜合 4 種環境中進行戰術和戰略訓練，支持部隊在陸、海、

47、空、電子、網絡和太空等多領域統一陸地作戰。其中，建設性訓練是指軍職人員輸入模擬參數，由虛擬人員操作虛擬系統，系統自動推演訓練結果的訓練。圖圖14、美國美國綜合訓練環境綜合訓練環境系統（系統（STE）架構）架構 數據來源：（美國陸軍綜合訓練系統的發展現狀與趨勢綜述（王岳、王錦秀、陳晨、王亞平、沙琨），興業證券經濟與金融研究院整理 此系統可模擬當前和未來部隊結構、武器效果、作戰功能、多軍種跨國聯合作戰、人類交互、超大規模城市地形和“近乎旗鼓相當的競爭對手”威脅，幫助陸軍擺脫訓練演習限制，支持陸軍計劃、準備、執行和評估合成兵種機動訓練及任務指揮訓練等，為地面士兵、徒步步兵、戰地指揮所等提供服務。為幫

48、助士兵在未來作戰環境中執行任務做好準備，STE 利用 AI 精確呈現地形、建筑、網絡等環境，模擬參戰國家、軍種、戰況等要素，呈現武器的精確度、殺傷力和殺傷范圍等，構建類人的虛擬人體以模擬軍隊、盟軍、敵軍和非戰斗人員的行動和反應，增加作戰環境的真實感，使士兵在實時、動態的真實環境中戰斗。（三）作戰/數據分析系統 1.態勢感知 態勢感知作為一種輔助決策和行動的方法，近年來在軍事應用、航空、交通管制、網絡安全等領域得到了越來越廣泛的應用。在軍事領域，態勢感知技術的應用最早為了提高戰斗機的作戰能力，隨著戰斗機的飛速提升以及駕駛艙內的飛機控制系統、武器系統等不斷增加，要求飛行員必須在更短的時間內快速整合

49、座艙內更加復雜的信息及敵我態勢判斷，從而采取最有力的行動方案。核心的要點包括：1）如何有效地處理收集到的各種信息，包括關鍵信息的挑選，關聯不同探測系統得到的信息，如何對收集到的各種信息進行整體加工并處理冗余信息等。2）如何通過數字化和圖形化更高效的進行數據的呈現。3）如何基于已獲得的信息建立基于動態決策的態勢感知模型，從而準確高效預測未來的狀態和演化趨勢，輔助飛行員進行行動決策。海外典型的態勢感知模型包括 JDL 模型和 Endsley 模型，JDL 模型由美國國防部提出，主要包含人機接口、數據融合、數據采集三個部分。Endsley 模型由 Mica R.Endsley 提出，將態勢感知定義為

50、態勢要素獲取、態勢理解、態勢預測三層模型，并基于此提出了依托態勢感知的動態決策通用理論模型。圖圖15、基于態勢感知的動態決策通用理論模型基于態勢感知的動態決策通用理論模型 數據來源：（態勢感知應用技術發展現狀及趨勢（鄧子涵 王紅濱），興業證券經濟與金融研究院整理 隨著態勢感知理論模型的建立及其應用技術的發展，態勢感知逐步應用于其他的軍事領域。在美國彈道導彈防御 C2BMC 系統中，已將態勢感知作為其核心的功能，用于提供導彈防御系統的總體態勢，并將各種信息轉化為指揮官在進行導彈防御時易于使用的態勢信息，協助各級指揮官在各種類型的彈道導彈威脅下快速進行最佳指揮決策。美國先后發展太空態勢感知應用技術

51、，用于太空攻防對抗，利用太空態勢感知技術對所有發生在空間的事件、威脅、活動、狀態進行感知，對影響太空活動的所有因素進行認知和分析，使指揮決策和操作人員獲取并維持空間優勢。為了增強態勢感知能力，美國一方面不斷強化其態勢感知硬件系統建設（包括地基監視雷達、地基跟蹤成像雷達、地基光學深空監視系統、船載測量雷達、空間環境監視系統、衛星信號偵察系統、天基空間監視系統等）以提升信息獲取能力，另一方面，積極將人工智能和云計算等新技術大量用于太空態勢感知系統建設中，以期解決在信息不確定、不完備，認知樣本稀缺，規則模糊，不一致等條件下的態勢感知難題，提升態勢理解及態勢預測的能力和水平。當前，態勢感知在軍事領域應

52、用技術仍在不斷升級發展中，在態勢感知模型研究方面，最近誕生了基于“反饋”的深度態勢感知模型。深度態勢感知模型既包含 了人的智慧，也融合了機器的智能（人工智能）來輔助人的決策，將有利于提升指揮速度。由于融入了機器智能，深度態勢感知既能夠在信息和資源不足的情境下運轉，也能夠在信息和資源超載的情境下運行。2.情報信息處理 情報處理是整個情報流程的核心環節，情報搜集是情報處理的前提，情報存儲是情報處理的基礎，情報服務是情報處理的目的。人工智能技術可對情報搜集、情報存儲、情報分析和情報服務等情報流程各個環節產生影響，DARPA、美國情報高級研究計劃局等部門和各軍種近年在這些領域部署了一系列人工智能技術研

53、究項目。人工智能技術可用于提高情報收集平臺的規劃、調度與任務分配的自動化程度，優化情報收集資源選擇，預測和安排收集任務。以開源信息智能抓取為例，傳統的抓取技術難以保證信息的及時性，且易被網絡技術監控阻攔，嚴重影響信息獲取效果。利用資源虛擬化技術，以多元數據為采集對象，部署智能化的采集抓取系統，通過智能化任務調度、內容過濾以及編目入庫等操作，可實現網頁、圖書、視頻、報紙、期刊、文獻、媒體信息等各類公開信息的動態獲取及持續更新。DARPA“文本深度挖掘與篩選”項目開發了用于文本分析的計算機系統和算法，以詮釋自然語言的含糊之處，幫助情報分析人員從來自眾多信息源的海量文本中提取所需信息。圖圖16、人工

54、智能情報信息處理流程人工智能情報信息處理流程 數據來源：（人工智能在美國導彈武器系統中的應用實踐分析研究（王清揚、張賀、張燁翔、張耀、金進），興業證券經濟與金融研究院整理 人工智能技術可以支撐形成知識賦能的信息服務能力，如智能信息問答、情報高效檢索和信息智能匯聚等。智能化情報服務能夠根據用戶特性和情報需求，采用智能分析，自動匹配和訂閱推送等方式，提供個性化情報產品。未來，隨著技術的發展，智能化情報服務可提供海量數據共享、自適應分級管控、新型人機交互、智能問答和個性化定制等服務，將“大服務”（感知即服務、數據即服務、處理即服務）理念融入情報服務中，最終提供全網全域任何時刻都觸手可及的智能化精準情

55、報服務。3.決策輔助 早在 20 世紀 80 年代，美國防部牽頭制訂了仿真組網計劃，服務于軍事輔助決策系統的研發，并且后續展開了如聯合作戰計劃和執行系統（JOPES）、戰區級作戰方案評估系統（CEM）、計算機輔助任務規劃系統（CAMPS）、聯合任務規劃系統（JMPS）、參謀計劃與決策支持系統（SPADS）等一系列面向聯合作戰的軍事輔助決策系統的研究。進入 21 世紀，美軍加快了輔助決策系統建設步伐。2004 年，啟動了實時作戰智能決策項目（RAID），意在作戰過程中，根據不斷變化的戰場態勢，自動生成作戰行動方案。2007 年，美國國防高級研究計劃局（DARPA）啟動（“深綠”計劃（Deep G

56、reen），希望藉此通過實時態勢仿真，實現對未來情況的預測。盡管“深綠”計劃由于戰爭復雜性導致的組合爆炸等瓶頸問題最終告失敗，但其提出的戰術級作戰指揮輔助決策系統框架構想，則具有很大的啟示作用。（“深綠”失敗后，DARPA 先后又啟動了一系列面向作戰輔助決策的研究計劃，如 Minds Eye 計劃著眼態勢認知、TRACE 計劃解決態勢目標識別表表5、美國智能情報系統典型項目美國智能情報系統典型項目 項目名項目名稱稱 啟用時啟用時間間 研究機研究機構構 主要內容主要內容 主要技術主要技術 IP2 2021 DARPA 運用人工智能算法提升圖像、視頻信息的偵察精度和情報數據的分析處理效率，從而達到

57、增強戰場環境態勢感知與指揮控制能力 神經網絡、計算機視覺、深度學習、交互式數據可視化技術 KAIROS 2019 DARPA 運用人工智能技術挖掘隱藏在大數據背后的關聯關系，實現智能情報輔助分析和戰場態勢研判，提升了態勢洞察與情報理解能力 自然語言處理、深度學習、神經網絡、邏輯推理與關聯分析 MARS 2018 DIA 構建一種針對外軍情報數據采集分析的云數據管理系統，實現多情報數據庫間數據共享 大數據、分布式與云計算、機器學習、知識推理 Maven 2017 美國國防部 輔助情報分析人員對無人機集群采集的海量戰場數據進行處理 深度學習、圖像識別、視頻數據處理 MEADE 2016 美國空軍

58、開發交互式情報問答系統輔助情報分析人員處理海量的復雜情報信息 自然語言處理、語義分析、關鍵詞抽取 CREATE 2016 IARPA 開發結構化分析技術工具，輔助情報分析人員更好地理解和評估數據，輔助決策 機器學習、貝葉斯推理網絡、結構化分析技術 數據來源：人工智能技術在軍事情報領域的應用與發展（趙亞平、黃毅、李虹、孟杰），興業證券經濟與金融研究院整理 判斷、DBM 計劃應用于空中戰場的態勢分析和協調控制、TEAM-US 計劃重點放在認知速度和精度的提升、Insight 計劃旨在提前對時間敏感的更大潛在威脅進行分析等。2012 年，隨著以深度學習為代表的人工智能技術迎來第 3 次爆發，美軍針對

59、大數據的特點和戰場態勢的復雜性，又啟動了面向作戰全過程的輔助決策研究計劃Commanders Virtual Staff，目的是為指揮官提供主動建議、高級分析及自然人機交互等決策支持?；谏疃葘W習的軍事輔助決策智能化研究（張曉海、操新文、耿松濤、張妍莉）列舉了深度學習技術在軍事輔助決策系統中三個應用方向：1）通過圖像識別進行戰場目標識別；2）將真實演習數據和兵棋系統生成的模擬數據，以及利用指揮員和軍事領域專家的經驗知識的樣本數據來進行模型訓練，識別作戰意圖識別；3）受 AlphaGo 的啟示，將深度神經網絡與強化學習結合，利用仿真推演平臺對戰場數據與作戰輔助決策進行綜合處理分析。（四）智能化彈

60、藥 智能化彈藥作為精確打擊與高效毀傷火力體系的重要組成部分，是在傳統彈藥的基礎上，面向未來智能化戰爭高動態環境、高強度對抗、多樣化任務、無人化作戰特點而發展的具有持久壓制、精確打擊與高效毀傷能力的多用途彈藥，主要包括戰術導彈、制導火箭、制導炮彈、末敏彈、巡飛彈及新概念彈藥等。早期智能彈藥被稱為靈巧彈藥，具有信息感知與處理、推理判斷和決策、并執行相應動作與完成特定任務的能力，可以搜索、探測、識別目標，選擇要攻擊的目標甚至是攻擊部位，執行偵查、監視、態勢和毀傷評估等任務。表表6、人工智能提升彈藥及防御系統性能人工智能提升彈藥及防御系統性能 性能 人工智能賦能 作戰反應速度的提升作戰反應速度的提升

61、具備人工智能特點的導彈武器裝備系統擁有更加快速的數據處理速度。其戰場情報偵查探測速度，輔助作戰指揮決策速度以及導彈武器本身獲取攻擊目標信息的速度都將得到提升 打擊有效性的提升打擊有效性的提升 導彈武器智能化意味著導彈本身就可以搜索、捕捉、識別、選擇和跟蹤目標，進行自適應制導控制，實現高智能的自主制導，進而實現導彈的精確打擊，打擊有效性也將得到提升 生存能力的提升生存能力的提升 人工智能在導彈陣地偵查，導彈發射等情報信息的快速有效處理，作戰指揮系統的快速有效決策都將為導彈攔截獲得更多的時間進行部署。使用人工智能的作戰指揮系統可以對戰場態勢進行快速準確的分析，可協助作戰指揮人員對來襲導彈做出最優的

62、攔截方案，提高攔截成功率，提升導彈武器裝備自身生存力 數據來源：（人工智能在美國導彈武器系統中的應用實踐分析研究（王清揚、張賀、張燁翔、張耀、金進），興業證券經濟與金融研究院整理 在系統性能提升下，彈藥的效費比會同步帶來提升。比如，單枚導彈打擊能力的提升可整體減少導彈的使用數量，這將使得導彈武器系統的費用（成本）得到降低，因此提高了效費比。同時人工智能在美國導彈偵查探測系統中的應用在提高了偵查探測的準確度的同時，也提高了情報數據的處理速度，這就可以降低該武器系統的運行費用和成本。由于人工智能在美國導彈偵查探測中表現出的效率和速度優勢，大大降低了對傳統人力的依賴，所需的人工數量變少，因人工成本的

63、支出比例相應降低，也降低了導彈武器系統的費用成本。伴隨著數據鏈技術能力的提升與成熟應用，人工智能技術的興起，智能彈藥的發展進入半自主、協同攻擊階段。美國近年來持續推動高自主能力階段發展“集群”類智能彈藥項目的研究，DARPA在2016年啟動的進攻性蜂群使能戰術（OFFSET）項目，項目計劃完成在 250 個異構無人平臺（無人機與無人車）規模下，設計、開發、部署蜂群戰術試驗平臺，并最終完成構造環境下的飛行試驗驗證，計劃形成城市作戰環境下 100 個蜂群戰術的數據庫。項目最終目的是通過無人集群平臺助力地面作戰部隊完成復雜城區環境下的多種作戰任務。圖圖17、集群智能彈藥的自主能力等級集群智能彈藥的自

64、主能力等級 數據來源：（集群智能彈藥的發展歷程及其未來所面臨的技術挑戰（歐繼洲、蔡軍、胡景林、陳昀、武溪、馬俊飛），興業證券經濟與金融研究院整理 （五）智能單兵裝備 單兵裝備是美軍部署最為廣泛的戰斗系統，也是美軍武庫中最重要的裝備。單兵裝備是美軍部署最為廣泛的戰斗系統，也是美軍武庫中最重要的裝備。近年來，美軍“士兵”項目執行辦公室通過開發、采辦、部署和維護等現存的單兵裝備，同時大力發展智能化單兵裝備，實現了將“士兵作為一個系統”加以管理，著力打造未來戰場上的超級戰士。美軍的新一代單兵系統將裝備情報、監視和偵察系統，具備更快的通信、戰場態美軍的新一代單兵系統將裝備情報、監視和偵察系統，具備更快的

65、通信、戰場態勢判斷、敵我識別等數據信息交互能力。勢判斷、敵我識別等數據信息交互能力。美國國防高級研究計劃局研制的未來士兵頭盔，具備抬頭顯示、綜合通信、空氣過濾、夜視、光學偵察等功能；智能作戰服重量輕、柔韌性好，通過小型傳感器、功能結構件和致動器將負重分布于士兵全身，減輕負重對關節的損傷，同時帶有生物傳感器、實時健康檢測、自主治療輔助等功能。美國智能化單兵系統陸地勇士已在戰場上被廣泛應用，該系統采用熱成像儀、數字攝像機和激光測距瞄準器，其信息系統可以對目標進行自動測定和攻擊，使普通士兵瞬間變身神槍手；防護系統不僅具備信息優勢、機動優勢、火力優勢，而且配備了性能卓越的防護裝具，除隔熱、阻燃、保溫、

66、防紅外探測外，還能防彈、防激光和防核生化。美國陸軍推出的奈特勇士手持式視頻接收裝置，使士兵能實時獲取附近無人機和地面車輛發回的信息并可隨時轉發，實現了視頻的實時獲取、實時共享、實時利用。圖圖18、單兵可穿戴裝備系統單兵可穿戴裝備系統 圖圖19、智能單兵頭盔智能單兵頭盔 數據來源：基于單兵智能武器系統的可穿戴裝備發展趨勢與設計構思（王爽英、康雋睿、周玉清），興業證券經濟與金融研究院整理 數據來源：未來戰爭單兵柔性裝備：智能頭盔（趙鶴然、嚴義君、黃維、曹中復、王詩兆、劉笛、蔡玉輝、陳明祥），興業證券經濟與金融研究院整理 三、國內外軍事人工智能發展現狀（一）美國、日本、俄羅斯出臺國防安全 AI 戰略

67、規劃，統籌人工智能發展 美國將人工智能作為美國將人工智能作為重點重點國家戰略。國家戰略。在奧巴馬政府的執政的后期，在全球各個主要國家爭相將人工智能作為提高國家競爭力的重點戰略措施之后，美國政府轉變了其前期對于人工智能的“不介入政策”，利用幕后資源支持人工智能創新發展，將人工智能上升到了國家戰略層面。2016 年 5 月，美國白宮科技政策辦公室推動成立機器學習與人工智能小組委員會，專門負責協調促進人工智能領域跨部門合作。2016 年 10 月，美國總統行政辦公室和美國國家科技委員會發布為人工智能的未來做準備，對人工智能的發展現狀、現有及潛在應用和人工智能技術引發的社會及公共政策相關問題進行系統分

68、析；同時，美國國家科技委員會網絡和信息技術研究與開發小組委員會發布國家人工智能研究與發展戰略計劃，對聯邦政府資助人工智能領域研究和開發作出總體規劃。特朗普政府延續并完善了奧巴馬政府推動人工智能發展的政策。特朗普政府延續并完善了奧巴馬政府推動人工智能發展的政策。2017 年 12 月，特朗普政府出臺新的美國國家安全戰略，強調美國在包括人工智能在內的新興技術研究、發明和創新方面發揮領導作用。2018 年 2 月，白宮公布的 2019 財年政府預算首次將人工智能指定為政府研發的優先事項；同年 5 月，特朗普和白宮舉行包括關鍵技術公司在內的美國工業人工智能峰會，重點討論資助人工智能研究、消除部署人工智

69、能技術的監管障礙、培訓未來的美國勞動力、實現戰略軍事優勢、利用人工智能提供政府服務以及與盟國合作促進人工智能研發等問題。在國防領域，美國將人工智能視為鞏固其軍事優勢的關鍵技術。在國防領域，美國將人工智能視為鞏固其軍事優勢的關鍵技術。2018 年 1 月，美國國防部發布國防戰略，其中強調使用和利用人工智能技術的重要性，表示將對人工智能等新興技術的軍事應用進行廣泛投資，以獲得軍事競爭優勢。為了加快形成基于人工智能的新能力和新的作戰概念，國防部成立聯合人工智能中心。2018 年 8 月，特朗普簽署2019 財年國防授權法案，批準成立美國人工智能國家安全委員會。2019 年 2 月 11 日，特朗普簽

70、署了一項指導美國人工智能技術發展的國家級戰略：關于維持美國在人工智能領域領導地位的行政命令，正式啟動“美國人工智能計劃”。命令發布的第二天，美國國防部發布人工智能國防戰略，詳細分析國防部在人工智能領域面臨的戰略形勢。2019 年 11 月，美國人工智能國家安全委員會發布美國人工智能中期報告，強調人工智能在促進美國國家安全方面至關重要，明確美國政府加快推進人工智能在國家安全領域應用的行動路線。（二）美國軍事人工智能技術發展成熟度較高，中國軍工集團持續加大人工智能領域布局 美國的技術應用已步入高度成熟且全面集成的階段。作為全球軍事技術強國，美國憑借雄厚的國防預算與卓越的技術創新能力，促使人工智能在

71、多個軍事領域深度滲透。以美國國防高級研究計劃局（DARPA）主導的知識導向人工智能推理圖譜（KAIROS）項目為例，該項目致力于開發能夠對現實世界事件進行上下文和時間推理的人工智能技術，從看似毫無關聯的事件中剖析出內在聯系，從而更高效地追蹤、分析全球各地的重要事件。而“獵戶座計劃”聚焦于無人機群體協同作戰，借助人工智能技術實現無人機的自主決策與協調，顯著增強作戰靈活性以及對復雜戰場環境的適應能力，其項目預算也超過 8 億美元。此外，美國在網絡防御領域也廣泛運用人工智能，通過深度學習和大數據技術對潛在網絡威脅進行早期預警和響應?？傮w而言，美國軍事人工智能技術已廣泛覆蓋作戰指揮、智能化武器、情報分

72、析等多維度領域，構建起完備的技術體系和強大的作戰能力，處于全球領先地位。美國軍方通過系統化的研發投入和多年實踐，成功將人工智能技術從研發階段轉化為實戰中的核心支撐力量，彰顯出強大的全球技術競爭力。相較之下，歐洲的軍事人工智能技術發展相對滯后，主要處于優化應用與跨國合作階段。受限于預算和技術資源，歐洲各國普遍采用合作研發模式。歐盟的“佩斯科計劃”是典型范例，該計劃旨在通過成員國間的資源共享與聯合研發，推動軍事人工智能在協同作戰平臺上的應用，其資金規模為 10 億歐元。法國的“R2S”項目運用人工智能技術進行后勤管理與資源調度，有效提升作戰支持效率和靈活性，項目資金為 2 億歐元；德國、英國等國也

73、在自動化指揮、無人平臺及數據分 析領域展開研究，推動人工智能在特定戰術層面的應用。然而，歐洲的軍事人工智能應用發展較為分散，缺乏美國那樣的技術整合和跨領域應用體系。由于各國在軍事人工智能的資金投入和技術研發上存在差異，導致整體發展速度較慢，尚未形成具有國際競爭力的綜合性技術平臺。未來，歐洲國家迫切需要加強技術整合與跨國合作，以提升軍事人工智能系統的全局性與適應性。中國中國積極開展對于人工智能發展的頂層設計，積極開展對于人工智能發展的頂層設計，各大軍工集團持續加大人工智能領各大軍工集團持續加大人工智能領域布局域布局。2017 年 7 月 8 日國務院印發了新一代人工智能發展規劃,提出發展中國人工

74、智能的戰略目標、重點任務、保障措施等,以盡快構筑人工智能發展的先發優勢。而后,中國對于發展人工智能的政策不斷出臺,以保證政策的延續性，例如2024 年國務院政府工作報告 中指出,在 2024 年數字經濟領域的重點工作在于開展“人工智能+”行動。2025 年春節前，中國人工智能公司深度求索推出了 AI模型 DeepSeek，上市后連續多日穩居蘋果 App Store 與谷歌 Play Store 全球下載榜首，體現出了中國在人工智能競爭中的競爭實力。據“國資小新”官微，2025 年 2 月 19 日，國務院國資委召開中央企業“AI+”專項行動深化部署會，總結國資央企發展人工智能進展成效，研究部署

75、下一步重點工作。會議強調，國資央企要抓住人工智能產業發展的戰略窗口期，強化科技創新，聚焦關鍵領域加快掌握“根技術”，堅定攻關大模型，積極參與開放生態建設，推動產生更多“從 0 到 1”的原始創新，加速推進成果轉化和產業化發展。要強化深度賦能，瞄準戰略意義強、經濟收益高、民生關聯緊的高價值場景，強化行業協同、擴大開放合作，加大布局突破力度。要夯實算力基座，為技術突破、應用落地提供有力支撐。要突破數據難題，分批構建重點行業數據集，建設好通用基礎數據集，做強做優數據產業。截至 2025 年 2 月 22 日，包括中國電子信息產業集團、中國電子科技集團、中國航空工業集團、中國航天科技集團、中國航天科工

76、集團、中國船舶集團、中國兵器工業集團、中國兵器裝備集團在內的軍工央企集團及其下屬的科研院所、參控股公司陸續披露人工智能技術的應用和推出相關產品/服務情況。為堅決履行強軍首責，服務國家重大戰略需要，中國兵器裝備集團于 2022 年 1 月成立了杭州智元研究院有限公司，聚焦智能裝備前沿科技，體系開展復雜系統總體、感知增強、智力增強、體力 增強、隱身與防護、新域新質裝備、智能無人平臺、智能通信、人機協同、群體智能、人工智能、新一代軟件等前沿核心技術及 人機工效、體系仿真、集成與測試等基礎技術研究，推動裝備機械化、信息化、智能化融合發展與創新超越，聚力打造全球領先的智能裝備技術策源地。中國兵器裝備集團

77、為杭州智元研究院有限公司的控股股東，截至 2025 年 3 月 2 日，中國兵器裝備集團直接持有 76.92%股權。圖圖20、杭州智元研究院有限公司杭州智元研究院有限公司股權結構股權結構（截至（截至 2025 年年 3 月月 2 日）日）數據來源：愛企查，興業證券經濟與金融研究院整理 據杭州智元研究院官微，2024 年 8 月，智元研究院某智能指控系統研究項目順利通過全面驗收；2024 年 9 月，智元研究院首款智能化產品（“機動抗毀邊緣云&群體智能算法”正式發布；2024 年 12 月，智元研究院申報的兩項作品靈巧機動外骨骼、腰部助力搬運外骨骼在可穿戴設備、醫療設備、工業等類目中，共斬獲國際

78、繆斯設計獎、紐約產品設計獎六項金獎；2025 年 1 月，智元研究院聯合北京大學第三醫院老年內科申報的“老年患者可穿戴 AI 輔助外骨骼研發項目”順利落地。據國家知識產權局，智元研究院申請了多項與人工智能相關的技術專利，涵蓋無人機控制、集群機器人、多智能體協同控制、異構外骨骼裝置等。例如，2024 年12 月 19 日，智元研究院發布一種基于強化學習的動態層次化多智能體控制方法，通過強化學習構建動態層次化多智能體策略優化模型，將智能體劃分為子群體并選舉通信代表，顯著降低系統通信負載。適用于智能交通、無人機集群協作及工業自動化領域，提升協同決策效率；2024 年 12 月 18 日，智元研究院發

79、布一種基于自適應劃分的無人機集群協同搜索方法，通過 Voronoi 圖算法劃分任務區域，結合動力學自適應機制實時調整無人機任務分配，提升搜索效率與資源利用率；2024 年 9 月 18 日，智元研究院發布（一種面向集群機器人的算法驗證系統，通過仿真環境設置模塊與數據傳遞模塊，測試集群機器人的定位、建圖、路徑規劃等算法表現，提升算法可靠性與研發效率，適用于物流、農業及緊急救援場景。表表7、我國軍工集團及下屬院所、參控股企業利用人工智能提升生產力我國軍工集團及下屬院所、參控股企業利用人工智能提升生產力 軍工集團軍工集團 集團集團/子公司子公司/院所院所 內容內容 中國電子科技集中國電子科技集團團

80、十四所十四所 十四所數智化團隊經過固化應用場景、統籌硬件算力資源、選比軟件框架、定制適配開發、部署測試驗證、工程應用優化等一系列工作，用最短時間完成了基于 DeepSeek 大模型的 AI 智能問答系統的本地化部署，實現了人工智能技術在科研生產領域的創新應用，知識問答響應時間較傳統方式縮短了50%以上，知識準確率大幅提升，有效減少了人工核驗的工作量，有力推動科研人員工作效率提升。中國航空工業集中國航空工業集團團 中航西飛中航西飛 中航西飛人工智能賦能新型工業化案例入選工業和信息化部“人工智能賦能新型工業化典型應用案例。應用案例主要應用判別式與生成式兩方面人工智能技術。判別式人工智能技術以 AI

81、 圖像識別技術為核心，可對制造及裝配質量進行輔助檢測，快速判別零部件缺陷，提升質量檢測效率。生成式人工智能技術以 AI 大語言模型技術為核心，以智能問答模式實現自助引導、專業知識推薦與生成、智能輔助寫作、機器翻譯以及代碼修復生成等效果。計算所計算所 計算所的“AI 數智賦能的企業生產過程質量管控實踐”項目，利用了 AI 算法、ESOP（企業標準作業程序）、ANDON（可視化管理系統）和大數據等先進技術，實現了對生產過程質量的高效管控。中航沈飛中航沈飛 中航工業沈飛舉辦“智造未來-AI 賦能制造業新質生產力”專題科普培訓，本次培訓為期五天，全程由數字人“小霏”主持，主要分五個單元講解 AI基礎、

82、發展趨勢及應用場景、機器人流程自動化、大模型私有化部署以及應用案例、DeepSeek 解析等相關內容，幫助各業務域人員了解人工智能技術發展趨勢，深度理解、掌握 AI 技術賦能制造業場景的應用能力，以便應用人工智能技術提升效率、降低成本、優化決策。中國航天科技集中國航天科技集團團-海南商業航天發射場的智慧發射場系統首次公開，該系統作為發射場的“神經中樞”，實現了數字化、自動化、智能化的突破，有效提高了地面設施設備保障的時效性和可靠性。2023 年年初，一院總體部中標海南商業航天發射場的智慧發射場系統建設項目。八院八院 149 廠廠 中國航天科技集團有限公司八院 149 廠復材公司通過數據與 AI

83、 協同驅動實現了材料配方快速精準開發，研制了兼具高強、高模、高韌的特性新一代環氧樹脂。八院八院 802 所所 聚焦航空航天，將人工智能融入到智能檢測中，滿足多品種、小批量的柔性測試和復雜結構、大場景的自動測試需求，不斷解放人力，提升效率和質量管控能力。一院一院 火箭院研究發展中心“具身智能”團隊研發的“智擎具身智能系統”打造出基于大模型的可賦能多種無人平臺的具身智能大腦。這一核心技術的成功研發，為多種無人設備注入了強大的智能驅動力。六院六院 航天科技集團六院西安航天動力研究所上線了智能工具“智擎 AI”?！爸乔鍭I”基于 DeepSeek，結合我所自有數據資源、算力資源，融合了先進的自然語言處

84、理、機器學習技術，開發了液體火箭發動機專業大模型，應用于輔助正向設計。中國船舶集團中國船舶集團 六六 0 一研究院一研究院 中國船舶集團綜合技術經濟研究院船舶工業經濟研究中心（中國船舶集團經濟研究中心）自主研發的船舶行業大模型“DeepIntelligences（百舸）”正式完成與 DeepSeek-R1 的深度集成。中國兵器工業集中國兵器工業集團團 物資集團北方云景物資集團北方云景 中國兵器工業集團物資集團北方云景公司完成與 DeepSeek（深度求索）的接入工作。中國中國航天科工集航天科工集團團 二院二院 小衛星智能生產線從產品數字化研發與設計、產線柔性配置、智能倉儲、在線運行監測等 8

85、個方面采取有效措施，解決了傳統衛星生產中，以手工為主的作業方式難以滿足高產能需求，以人力為主的裝配方式難以滿足高精度、高質量生產需求和以人工為主的檢驗記錄難以滿足高質量需求的三大痛點，為我國衛星規?；a提供系統性解決方案。數據來源：集團官網、官方微信公眾號、工業互聯網產業聯盟，興業證券經濟與金融研究院整理 表表8、我國軍工集團及下屬院所、參控股企業推出人工智能相關產品我國軍工集團及下屬院所、參控股企業推出人工智能相關產品/服務服務 軍工集團軍工集團 集團集團/子公司子公司/院所院所 內容內容 中國電子信息產中國電子信息產業集團業集團-2024 年 8 月 8 日，國產操作系統銀河麒麟在中國操

86、作系統產業大會上正式發布了其首個人工智能版本，展示了國產操作系統與人工智能技術深度融合的最新成果，填補了我國操作系統端側推理能力研發的空白。中國電子科技集中國電子科技集團團 電科太極電科太極 中國電科所屬電科太極在京正式發布生成式人工智能大模型產品“小可”，支撐特種場景輔助決策，助力黨政企行業應用智能化轉型升級。中國航天科技集中國航天科技集團團 八院八院 808 所所“滬航智語”“滬航智識”“滬航智檢”“滬航智問”四項人工智能（AI）技術產品成功上線運行?！皽街菣z”系統能夠輔助檢測外觀缺陷，自動采集元器件的種類、數量、批次等信息，讓預檢分選效率提升 50%以上，顯著縮短元器件質保周期?！皽?/p>

87、智語”系統不僅是信息智能傳輸工具，更是能進行內容理解、決策支持的智能引擎。系統能夠在私有化環境中準確轉錄會議語音，自動分析生成紀要，為高效辦公提供極大助力?！皽街亲R”同步推出。無論合同條款、財務發票還是復雜圖紙，該平臺都能快速精準提取信息，并無縫集成至企業級應用，顯著提升了管理的智能化水平。中國船舶集團中國船舶集團 709 所所 按照“深思”（DeepThink）整體發展戰略布局，中船集團七九所利用深耕數據處理和分析領域多年來的數據成果和技術積淀，應用“深思”（DeepThink）系列成果，推出海上 AI 情報官產品。該產品具備多模智融、時空睿搜、態勢明察三大核心能力，解決了信息組織碎片率高

88、、數據檢索效率低、態勢預測難等痛點問題。中國兵器工業集中國兵器工業集團團 五洲人工智能創新中五洲人工智能創新中心心 中國兵器工業集團五洲人工智能創新中心（簡稱“創新中心”）為工業企業提供面向制造業全流程的智能制造整體解決方案與自主可控的軟硬件產品，全面覆蓋生產、質量、安全、物流、能源等核心業務環節，為智慧工廠、智慧園區賦能。中國兵器裝備集中國兵器裝備集團團 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統研究項目順利通過全面驗收；2024 年 9 月，智元研究院首款智能化產品“機動抗毀邊緣云&群體智能算法”正式發布；2024 年 12 月，智元研究院申報的兩項作品靈巧機動外

89、骨骼、腰部助力搬運外骨骼在可穿戴設備、醫療設備、工業等類目中，共斬獲國際繆斯設計獎、紐約產品設計獎六項金獎。數據來源：集團官網、官方微信公眾號、工業互聯網產業聯盟，興業證券經濟與金融研究院整理 （三）他山之石：美國軍事人工智能龍頭 PALANTIR 案例分析 Palantir 成立于 2003 年，重要客戶包括美國海陸空部隊和特種作戰司令部等，企業成立初期曾獲得 CIA 的投資。早期，Palantir 的主要工作是幫助上述客戶從紛繁復雜的信息中識別出所需的重要情報。目前，Palantir 已研發出包含 AIP、Gotham、Foundry、Apollo 在內的多款產品，業務范圍也逐漸由軍事拓展

90、到了金融、工業等領域。公司已于 2020 年 8 月 25 日在紐交所上市（股票代碼“PLTR”），截至 2025 年 3 月 1 日，公司市值約為 1992 億美元。公司 2024 年營收 28.66 億美元，歸母凈利潤 4.62 億美元。2018-2024 年，公司營業收入由 5.95 億美元增長到 28.66 億美元，復合增長率為29.94%；毛利率維持在較高水平，處于 67.29%-80.62%之間；歸母凈利潤由負轉正，從 2018 年的-5.98 億美元增長到 2024 年的 4.62 億美元。公司歸母凈利潤持 續為負的主要原因是公司費用支出較高，公司 2020 年在招股說明書中表示

91、，隨著業務范圍繼續擴大，公司將投入更多的資金用于升級公司的基礎設施、雇用更多的員工、開展研究和開發以及加強營銷等。圖圖21、2018-2024 年公司營業收入與歸母凈年公司營業收入與歸母凈利潤利潤 數據來源：iFinD，興業證券經濟與金融研究院整理 分產品看，公司政府部門業務（含軍品）和商業部門業務收入均逐年提高，其中政府部門業務（含軍品）收入從 2018 年的 2.55 億美元增長到 2024 年的 15.7 億美元，復合增長率達 35.38%，超過公司綜合收入復合增長率（29.94%）。圖圖22、2018-2024 年按客戶劃分營業收入情況年按客戶劃分營業收入情況 數據來源：iFinD，興

92、業證券經濟與金融研究院整理 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營業總收入（億美元，左軸）歸母利潤（億美元，左軸）毛利率（右軸）2.553.466.18.9710.7212.2215.73.43.974.826.458.3410.0212.960%20%40%60%80%100%201820

93、1920202021202220232024來自政府部門收入（億美元）來自商業部門收入（億美元）目前，公司主要有四大平臺型核心產品，分別是Gotham、Foundry、AIP與Apollo。其中與軍事領域聯系較為緊密的是 Gotham 和 AIP 兩款。Gotham：Gotham 是 Palantir 為國防和情報部門開發的產品，該產品可以識別出隱藏在數據集（包括各類情報源）深處的關系與模式，幫助使用人員發現并應對威脅。在情報分析領域，Gotham 至少具備以下能力：1）驗證開源情報數據的準確性，識別開源情報中的偽造信息，確保數據和情報的真實性；2）自動化執行任務，短時間內處理海量數據，為情報

94、分析人員節省更多時間；3）掃描、發現被標記為異常的關鍵信息，為情報分析人員提供早期指標和預警信號；4）幫助情報分析人員對情報目標保持持續感知態勢，進而發現模式、趨勢和相互關系；5）可視化展示情報目標之間的關系和網絡，輔助情報分析人員推斷其中關鍵影響因素；6）實時監控目標環境的新變化，及時發現異常行為，防止微弱卻重要的信號在日常情報工作中被遺漏。AIP：2023年4月，Palantir發布了其最新產品AIP（Artificial Intelligence Platform，人工智能平臺），該產品將類似于 GPT-4 的大語言模型整合進其原有產品體系中。整合后，使用者可以直接使用自然語言與 AIP

95、 對話，大大提高了 Palantir 產品的易用性和交互能力?？梢哉f，AIP 為 Palantir 原有產品理解和解決真實世界問題提供了巨大助力。Palantir 以某區域的模擬作戰情況闡釋了 AIP 的能力。當用戶輸入“目標區域內有何種敵方目標”時，AIP 會自動判讀，并向使用者反饋“需要派遣新的偵察設備以補充獲取目標區域影像信息”，同時給出偵察設備的派遣備選方案。當用戶向 AIP 下達“派遣 MQ-9 無人機執行偵察任務”指令后，AIP 派出 MQ-9 無人機并返回無人機捕獲的敵方坦克影像數據。在 MQ-9 捕獲到敵方坦克的信息后，用戶可以要求 AIP（“生成三種打擊方案”。AIP 立即按

96、要求生成三種打擊方案：方案 1 為使用 F16 戰機實施打擊任務，方案 2 為使用海馬斯火箭炮實施打擊任務，方案 3 為派遣 Omega 反坦克導彈分隊實施打擊任務。方案生成后，AIP 從裝備調遣距離、打擊用時、所需人員數量等方面給出評估意見。當用戶選擇派遣 Omega 反坦克導彈分隊執行此次打擊任務后，AIP 會結合戰場地理信息為 Omega 分隊設計出最佳行軍路線。同時，AIP 還能自主設計電子戰方案以干擾 Omega 行軍路線中的敵方通信，保障 Omega 分隊的行軍安全。Palantir 公司上市前經歷過 19 輪融資，估值最高額超過 200 億美元，上市首日市值 209 億美元。最近

97、一年，Palantir 公司股價基本在 10 美元以下（對應 212 億美元市值），但公司在 2023 年 4 月 26 日發布其新款 AIP 產品后獲得市場廣泛關 注，股價持續攀升，截至 2025 年 2 月 18 日階段高點，公司股價達 124.62 美元（對應 2923 億美元市值），市值較 AIP 產品發布日上漲 1683.14%。圖圖23、公司歷史股價大幅公司歷史股價大幅跑跑贏指數（贏指數（前前復權）復權）數據來源：iFinD，興業證券經濟與金融研究院整理 四、軍事人工智能發展趨勢及挑戰（一）軍事人工智能離不開算力基礎設施建設 據軍事大模型發展現狀與算力基礎設施需求分析（季鵬飛、華松

98、逸、張煜晨、肖蒙蒙、余炳晨），目前主流的軍事大模型平臺使用預先訓練好的大模型，這些模型具有數十億甚至數萬億的參數。模型訓練過程是一個計算能力消耗巨大的海量數據處理過程，大模型對算力的需求主要體現在模型預訓練、日常操作、模型優化等方面。以目前構建大語言模型的主流框架 Transformer 模型為例，對于 40個單詞的文本序列，執行 Bert 推理需要 7 GFlop/s，而用于從中文翻譯到英文的Seq2Seq（序列到序列）模型需要 20 GFlop/s。訓練 ChatGPT 所需的計算能力約為 3640 PFlop/s-day（即，如果每秒進行一萬億次計算，則需要 3640 天），相當于訓練

99、64 個 Nvidia A100 GPU 一年。此外，大模型在運行過程中需要不斷優化，以確保最佳應用狀態，優化過程也會消耗大量計算能力。以 ChatGPT 為例，其每月的微調至少需要 1350 PFlop/s-day 的計算能力。-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標普500 （二）數據質量是 AI 訓練的核心，軍事領域缺乏標準化數據 深度學習是基于數據的，模型需要大量樣本進行訓練，而現實戰爭面臨最大的問題就是訓練樣本匱乏。從目前深度學習的研究現狀來看，訓練樣本依然是智能輔助決策系統研究的重要基礎，因此，必須注重訓練樣本積累，以滿足深度學習的需要。第一，由于我軍長時間

101、處于和平狀態，缺乏現代戰爭的作戰經驗和相關數據，因此，訓練樣本只能從歷史演習數據中獲取，規模非常有限。為解決訓練樣本積累問題，一種可行的途徑是通過兵棋模擬對抗進行數據的積累，同時利用專家知識對失真樣本數據進行修復，以提高樣本質量;另外，可以使用生成對抗網絡(GAN)自動生成大量對抗樣本，從而滿足研究需要。第二，對樣本集的信息維度應進行合理控制，雖然高緯度數據樣本能使戰場態勢信息更完備，但過高的維度將嚴重影響到算法效率；反之，樣本信息維度選擇過低，又難以有效描述戰場信息，這就需要根據作戰層次對指揮粒度的要求來具體分析，并決定取舍。第三，研究更好的特征編碼和標準化處理方法，統一規范數據格式、信息流

102、程、數據庫結構等，以實現對訓練樣本的統一管理和有效利用。（三）軍事應用場景的特殊性需要實現云邊協同計算 軍事領域需要充分考慮通信的不可達性，因此基于數據中心的標準大模型應用模式有其弊端，而基于各級指揮所或智能設備進行智能推理也對模型的小型化和輕量化提出了很高的要求。未來，隨著模型壓縮技術的成熟，在保持大模型原有性能和精度的同時，可以降低對推理算力的需求。這些平臺使用輕量化模型來降低邊端模型的部署成本，使人工智能模型的離線應用成為可能，從而提供定制化、低延遲、高安全性和隱私性的軍事應用，更好地保留了原有模型的功能，實現云邊協作，確保私域安全和更好的實時性能。（四）從大語言模型到多模態大模型 適用

103、軍事領域的大模型主要包括大語言模型（Large language model，LLM）和 多模態大模型（Multimodal foundation model，MFM）。大語言模型基于大量軍事文本數據訓練而得到的深度神經網絡模型，可理解軍事術語，生成具有自然語言特征的軍事文書，滿足智能問答、文本摘要和軍語翻譯等多種自然語言任務。多模態大模型融合了文本、語音、圖像和視頻等多模態數據進行學習和訓練，可以同時處理自然語言、視覺、語音等多種復雜多模態任務。當前軍事人工智能大多是基于文本模態知識圖譜的研究，涵蓋情報分析、裝備管理、軍事術語、指控保障等軍事領域的各個方面，少有涉及可以處理圖像、語音等多模態

104、數據的多模態知識圖譜的研究與分析，但隨著現代化戰爭從機械化向智能化轉變，各類信息 化和智能化武器裝備、傳感器以及信息網絡技術得到快速發展，多模態軍事數據爆炸式增長，多模態知識圖譜在軍事領域的需求愈加迫切。圖圖24、多模態多模態軍事軍事數據組織運用數據組織運用流程流程 數據來源：一種面向多模態軍事數據的組織運用方法研究（劉靜濤、劉永海、劉超），興業證券經濟與金融研究院整理 表表9、多模態知識圖譜的軍事應用多模態知識圖譜的軍事應用 分類分類 軍事圖譜名稱軍事圖譜名稱 提出時間提出時間 作用作用 態勢感知態勢感知 基于戰場態勢的知識圖譜 2022 年 基于知識圖譜實現戰場態勢感知、理解和預測，為作戰

105、決策提供有效支撐 響應速度有待提高，錯誤數據的判別率低，推理能力弱，不能很好利用部分缺失數據 戰場環境多模態知識圖譜智能服務系統 2021 年 整合分析戰場環境數據，實現戰場環境綜合情報分析，提供智能輔助決策 功能模塊之間交互能力弱 PLAN X 知識圖譜 2012 年 以簡化的作戰流程在直觀界面上實現與敵方的網絡攻擊與對抗 作戰系統整合不足，未形成高效運行的網絡作戰系統體系 情報處理情報處理 Palantir 知識圖譜 2004 年 通過與 GIS 技術結合，利用地理信息進行情報融合與分析，指導復雜戰場環境下的軍事行動 數據庫可訪問，容易遭到攻擊，保密性差 KAIROS 知識圖譜 2019

106、年 分析挖掘多媒體信息背后隱藏的線索信息，對情報領域的因果關系進行智能推理 只具備事件模式的理解能力，不具備獨立理解并解決問題的能力 裝備管理裝備管理 裝備領域多模態知識圖譜 2022 年 有效地管理和識別軍事裝備數據，提供準確地戰場數據 通過實體對齊融合單模態知識圖譜得到多模態知識圖譜，跨模態實體間的語義關聯難以利用 軍事裝備管理數據知識圖譜 2022 年 整合裝備使用管理中的大量數據，應用于裝備智能化保障、態勢呈現、裝備需求論證等領域 圖譜去噪能力弱，不能很好地消除噪聲對知識圖譜帶來的影響 天機 武器裝備圖譜平臺 2020 年 以可視化方式保障一系列武器裝備工作 平臺規模龐大，包含數據量多

107、，需要配備高性能計算設備 指揮控制指揮控制 軍事領域知識圖譜 2020 年 解決了戰略戰役級聯合作戰信息保障面臨的挑戰，支持軍網、民網、數據鏈等多種傳輸方式 面向級別高，體量龐大 智謀科技知識圖譜平臺 2023 年 以可視化模式為指揮決策提供有效的輔助支持 視頻知識、多語種知識處理效果不佳 數據來源：（多模態知識圖譜構建技術及其在軍事領域的應用綜述（奕、陳陽、杜曉明、奕天、李尚尚、鳴蔚），興業證券經濟與金融研究院整理 五、產業鏈及重點標的 人工智能產業鏈包括基礎層、技術層和應用層等 3 個部分。其中，基礎層主要包括數據服務、硬件設備、軟件平臺等；技術層包括機器學習、知識圖譜、大模型、類腦算法、

108、計算機視覺、智能語音、生物特征識別等；應用層包括智能機器人、智能運載工具、虛擬數字人、智能制造、智能家居、智慧醫療、智慧城市、智慧金融、智慧軍事等。圖圖25、人工智能產業鏈人工智能產業鏈 數據來源：中商產業研究院，興業證券經濟與金融研究院整理 在智慧軍事領域，可以按照產業鏈環節將相關的上市公司分為特種 AI 芯片、特種AI 模型&應用、特種 AI 終端、AI 基礎設施配套等四個環節。典型上市公司：特種 AI 芯片包括紫光國微紫光國微、復旦微電復旦微電、成都華微成都華微、景嘉微景嘉微等等；特種 AI 模型&應用包括中科星圖中科星圖、能科科技能科科技、華如科技華如科技、航天宏圖航天宏圖、觀想科技觀想科技、邦邦彥技術彥技術等等；特種 AI 終端包括航天電子、航天電子、中航機載中航機載、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、中科海訊中科海訊等等；AI 基礎設施配套包括華豐科華豐科技技、中航光電中航光電、陜西華達陜西華達、海蘭信海蘭信等等。（詳情略）