航空航天/国防制造企业在采用生成式 AI 时通常持谨慎态度。无论是飞机、卫星、无人机、军舰还是坦克，这些设备的制造成本极高，并且必须符合严格的军事、政府和数据安全规范。
尽管如此，生成式 AI 正在逐步渗透这一领域，最终将在提升生产效率和推动创新方面发挥重要作用。
以下是工业制造企业在规划生成式 AI 应用方向、确定未来重点以及采取必要预防和准备措施时常提出的几个核心问题。
问：生成式 AI 对航空航天/国防领域有何相关性？
答：典型的生成式 AI 应用场景——例如生成文本、音频或视觉内容，或使用实时聊天机器人回答问题——乍看之下似乎并不适用于制造昂贵、复杂、高度定制化且对安全性要求极高的设备的行业。商用飞机造价高达数千万美元，而每颗卫星至少也要花费 100 万美元。根据美国国会研究服务局最近的一份报告，一艘海军驱逐舰的造价约为 22 亿美元。
所有这些设备都必须满足严格的质量和可靠性要求，更不用说军事规范以及政府对专有或机密数据的监管与保护了。生成式 AI 在产生幻觉或导致敏感数据泄露方面的潜在风险，可能让航空航天企业和国防承包商难以接受。
然而，随着技术不断成熟，生成式 AI 将带来诸多潜在优势，例如辅助设备设计、提升预测性维护能力以及优化售后维修服务。
问：从哪里入手？
答：目前生成式 AI 最受欢迎的应用领域似乎是设备设计。根据 Capgemini 近期对航空和国防企业的一项调查，已有 41% 的受访企业正在试点使用生成式 AI 进行 3D 建模，以加快设计进程、优化部件空气动力学性能并降低成本。
（值得注意的是，“生成式设计”与“生成式 AI 设计”之间存在细微差别：前者是一种已有应用的方法，而后者则更进一步，利用深度神经网络和过往设计的数据进行优化。）
不妨看看美国国家航空航天局（NASA）戈达德航天中心（Goddard Space Flight Center）的情况。该中心的研究工程师 Ryan McClelland 于 2023 年使用商用生成式 AI 设计出一种名为“进化结构”的特殊部件，引发关注。这种 AI 在远少于人类所需的时间内，就能设计出比传统部件轻得多的零件。McClelland 表示，“你可以在短短一周内完成原型部件的设计、分析和制造，并拿到实物”。NASA 计划在未来任务中采用这些进化结构。
据波音公司首席技术官 Todd Citron 介绍，波音研究人员也在探索生成式 AI 模型如何优化飞机设计。他在最近的一次会议上解释道：“[AI] 的电子大脑能容纳比人类更多的复杂性，它能在更广阔的范围内进行优化。如果你观察经过机器学习优化的结构，它们看起来本身就截然不同。它们几乎像外星飞船，因为它们没有那种让单个人类设计师更容易设计的规则结构。”
根据 Capgemini 近期对航空和国防企业的一项调查，41% 的受访企业正在试点使用生成式 AI 进行 3D 建模，以加快设计进程、优化部件空气动力学性能并降低成本。
与此同时，EY America 航空和国防业务负责人 Raman Ram 指出，商用飞机制造企业可以利用生成式 AI 更轻松、高效地为特定运营商定制设计和制造方案。
他说：“如果飞机是为一家注重总体拥有成本 (TCO) 的航空公司设计，我可能会加入一些能最大化 TCO 的特定元素；但另一家航空公司可能更关注现金流，对 TCO 则不太在意。”
问：如果我们已经在产品设计中使用了数字孪生技术呢？
答：生成式 AI 可减少构建用于系统仿真、产品开发和预测性维护的数字孪生所需的时间和成本。
“传统 AI 仍然非常依赖人工操作，而构建数字孪生体本身也是一个极其繁琐的手动过程，”软件供应商 GridRaster 的创始人兼 CEO Rishi Ranjan 向《航空国际新闻》（Aviation International News）表示。企业最终可能利用大语言模型来消除大量这种手动[编码]工作。
Ranjan 表示：“大型 AI 模型……能够分析文本数据和图像数据，并开始自动帮助你创建这些数字孪生体。”他预测，企业最终建造数字孪生体的成本将仅为目前成本的一小部分。
关于数字孪生体的更多信息
如需了解有关数字孪生体的更多信息，请参阅《数字孪生如何驱动商业未来》以及《数字孪生的实际应用：8 个实例》。
问：我们还应期待生成式 AI 在哪些领域的应用？
答：在航空航天/设计领域，生成式 AI 还有四个潜在的应用场景：
制造流程与系统的现代化。根据 EY 公司 Ram 的说法，航空和国防制造业的运营受到嵌入式系统中仍在使用的老旧软件代码的制约。“这些遗留代码由不同供应商开发，并在多年来不断修补完善”，导致集成变得困难。生成式 AI 可充当翻译桥梁。
他说：“基于底层基础模型构建的交互式引擎，能够将碰撞避免模块的旧代码重新改写为现代编程语言。”这使得集成变得更加容易。
生成式 AI 还为航空和国防制造企业提供了机会，将目前因设备线或工厂而相互隔离的生产流程连接起来。
通过使用生成式 AI 来打通不同的技术环境，企业可以优化组织规划，管理异常情况，并更快地应对那些原本可能导致生产延误或质量问题的状况，甚至有助于预测此类问题。
质量保证。生成式 AI 可帮助质量控制系统在制造过程中检测缺陷、异常或偏差。算法可被训练以分析图像或数据，识别问题，从而提高缺陷检测的准确性和可靠性，同时减少人工检查所需的时间。一旦发现问题，生成式 AI 还能为技术人员提供分步指导，说明如何解决。
维护与维修。制造企业长期以来一直利用传感器数据、分析技术和 AI 来预测何时需要维护或部件即将失效，从而避免耗时的故障。生成式 AI 可以进一步提升这种维护方式，自动生成包含所需备件清单的分步操作说明文本或图像。
Capgemini 表示，这样的系统能让维护人员将更多时间用于实际操作，而非准备指导文件，从而提高生产效率并降低成本。
此外，Ram 还提到，目前航空航天维修车间很难准确预估发动机的返修周期，这让那些急于让飞行器重新投入运营的运营商频频遭遇延误，着实令人头疼。
但通过运用历史数据和生成式 AI，维修车间能够提供更精确的工期预估。例如，聊天机器人可向技术人员告知预期情况，使维修车间能给出准确的时间承诺，进而提升客户满意度。例如，Ram 表示：“它可以告诉你，在这种特定类型的发动机上，这六个部件通常需要在特定的间隔周期内更换，同时获取这些部件通常需要 73 天时间。”
合同投标与文件编制。政府合同由于高度详细且需定制化，准备过程耗时又昂贵。根据德勤 AI 研究院的一份报告，承包商可以使用生成式 AI 自动完成该流程的至少一部分，根据模板、历史文档或采购官员的具体提示来生成初稿。
AI 可帮助从以往的投标书、合同及其他文件中提取相关条款和要求，再由人工进行调整以完成最终合同。同样，Accenture 指出，生成式 AI 还可用于起草技术文档，从而节省时间和成本。
借助生成式 AI 提升卫星数据的实用性
尽管不属于制造业范畴，但美国国家航空航天局（NASA）已与 IBM 及克拉克大学合作，开发出一种地理空间基础模型，将帮助各机构更充分地利用现有的卫星数据。
作为背景，企业会利用来自各种卫星的数据来实现多种不同目的：例如追踪天气模式，或记录亚马逊地区树冠覆盖减少等环境影响。
像 LiveEO 这样的第三方卫星分析公司提供产品，帮助企业遵守《欧盟零毁林法案》——该法案旨在禁止与森林砍伐和森林退化相关的商品。
然而，要将原始卫星数据转化为企业实际可用的信息，通常需要耗费大量时间和精力。
该模型去年发布，基于美国国家航空航天局（NASA）卫星一年的数据进行训练，可用于将卫星数据转换为定制化的高分辨率地图，展示洪水、火灾及其他地貌特征。这一模型具有重大意义，因为它将使政府、企业和研究人员能够更快速、便捷且低成本地使用卫星数据。
美国国家航空航天局（NASA）高级研究科学家兼项目经理 Manil Maskey 表示：“这能让企业节省为特定应用开发训练数据集的成本。最困难的部分已经由模型完成，它已从[基础]数据中进行了学习。”
预期用途包括评估气候变化对农作物、建筑及其他基础设施带来的风险；监测森林以支持碳抵消项目；以及开发预测模型，帮助设计应对气候变化的适应方案。这些信息可用于指导保险和风险管理决策。
参与该项目的克拉克大学教授 Hamed Alemohammad 表示：“大家都纷纷采用这些基础模型，因为它们展现出巨大的价值。”他还说：“如果发生野火，企业可以利用卫星数据判断受损情况，而无需派人实地核实。该技术也可用于确定天气状况，这对航空、交通和航运等行业尤为重要。”
问：现在我该如何为生成式 AI 计划做准备？
答：先整理好你的数据，并完善数据治理。EY 公司的 Ram 解释道，大多数航空航天/国防制造企业在数据质量和治理方面“仍处于起步阶段”。“我们仍然缺乏良好的主数据系统，也没有统一的数据来源。”
再加上这些企业及其供应商都拥有大量需要保护的专有数据，这导致各方对协作和数据共享普遍持怀疑态度，进而造成透明度不足。
Ram 表示：“我们甚至无法看到物料清单的第一层以外的信息。如果观察主要制造企业，其成本中有三分之二来自供应链，而供应链中相当一部分由拥有自身知识产权的供应商组成。主制造企业无法掌握这些信息，这种信息缺失会逐级向下传递。”
如果你缺乏足够的技术数据，或现有数据质量差、组织混乱，生成式 AI 就难以发挥作用。如果零部件和子系统供应商不共享数据，你的整体飞机设计或数字孪生模型就会残缺不全。
一个密切相关的问题是数据安全，在这些行业中尤为重要。国防承包商必须满足特定的安全监管要求，才能参与政府合同的竞标。鉴于有报道称 ChatGPT 用户无意中泄露了专有数据，这一担忧是合理的。
总体而言，监管要求正促使越来越多的企业转向零信任架构，而这种架构需要能够连接不同数据源并管理访问权限的技术支持。
另一方面，企业有时希望共享数据，以提升整个行业的模型水平。然而，大多数企业尚未建立相应的治理机制来实现这一点。例如，航空航天企业及其供应商都希望共同开发新型轻质且耐用的复合材料，但这些数据可能混杂着各自核心机密信息。如果缺乏对模型的有效治理，企业就无法在保护知识产权的同时，将数据用于大语言模型的训练与应用。
此外，企业在从第三方提供商获取模型时，还需确保对方能够持续更新其大语言模型（LLM）。使用第三方模型的企业必须找到安全共享此类信息的方法。
问：还有哪些因素可能减缓生成式 AI 的采用？
答：严格的审计和合规要求需要进行一定的规划和监督。政府合同通常规定了数据可追溯性，和/或要求对某些流程进行审计。
例如，在质量检测系统中，生成式 AI 或许能帮助发现某个问题，比如某个部件超出规定公差，并甚至推荐可能的解决方案。但如果需要可追溯性或审计，企业就必须确保由合格的人类员工进行最终确认。
即使在无需审计的流程中，也应由人类监督生成式 AI，以补充上下文信息。例如，如果聊天机器人向维修技术人员提供操作指令，可能会包含无法实现的操作。波士顿咨询公司（BCG）最近的一份报告指出，“由于生成式 AI 模型缺乏对修复根本原因的流程以及操作人员的深入了解，它可能会忽略潜在限制，例如不可行的动作或无法进入的空间。因此，必须进行质量评估，以确保所建议的整改措施切实可行。”
问：生成式 AI 在该行业中的前景如何？
答：航空和国防行业的复杂性和谨慎特性，将使其在采用生成式 AI 方面比其他行业更为缓慢。与此同时，该领域还需克服数据和系统集成方面的挑战。
然而，持续存在的知识型人才短缺以及对质量的高度重视，可能加速生成式 AI 的应用进程。对于积极推行生成式 AI 项目的企业而言，这或将带来更快、更优的设备设计，更高效的制造流程，以及更快速、更低成本的维护服务，从而提升整体盈利能力。