航空航天与国防

美国国防部已将人工智能列为重点拨款优先事项，但国防采购体制从未设计用于以技术发展的速度去采购、测试或部署AI系统。我们的工作聚焦于AI与国防项目办公室及航空航天机构作战需求相交汇的核心节点——不是汇报幻灯片，不是演示文稿中的治理框架，而是确保AI系统在商业部署从未面临的生死攸关环境中经过验证、投入实战并符合规范的工程纪律。

FY2026 AI预算确凿无疑；但将其支出的能力仍未具备

五角大楼在FY2026预算申请中为AI与自主系统分配了 134亿美元 ——这是针对此类能力的第一个专用预算科目。国会批准了 98亿美元 用于自主和无人系统。仅海军就增加了 3.08亿美元 的AI支出，同比增长 22.7% 。资金是实实在在的。问题在于，国防采购体系的构建初衷并非以技术演进的速度去采购、测试或列装AI系统。

这些是量产级项目，而非试点：

• 陆军于2026年3月向 Anduril 授予了一项为期10年、金额高达 200亿美元 的合同，采购其Lattice AI平台，整合了超过 120 项单独的采购行动。
• Palantir 向第一多域特遣队交付了首批两套TITAN AI赋能的目标定位地面站，预计本财年内将做出全速率生产决定。
• Shield AI的Hivemind自主软件现已试飞驾驶了 26 个机型级别。
• 空军正在对 CCA 原型机测试任务自主软件包，FY26综合资助达 8.044亿美元 。

然而，将AI集成到自有系统中的项目办公室面临着截然不同的现实：与传统TEMP结构难以契合的CDAO测试与评估框架、在政策备忘录中清晰但在具体传感器融合算法中含糊不清的负责任AI要求，以及项目所需规模的安全审查AI/ML专业人才短缺。

国防AI面临着传统T&E无法解决的测试难题

传统的测试与评估假定确定性行为：相同的输入产生相同的输出。基于机器学习的系统则是概率性的。在试验场以如下准确率对车辆进行分类的计算机视觉模型： 97%准确率 在电子战（EW）效应改变输入分布时，可能会发生不可预测的性能退化（参见我们在以下方面的技术研究： 工程化构建抵御对抗性攻击的AI鲁棒性）。

政策环境仍在努力追赶。CDAO发布了T&E战略框架，副部长Feinberg于2025年8月将CDAO重新划归 USD(R&E) 管辖，以加速落地。然而，一项 2026年4月的GAO审计 发现，受审查的四家主要机构均未从AI采购中总结经验教训。国防部于 2026年1月 发布的AI战略强调速度，而安全研究界则警告称，智能体军事AI会产生“控制的错觉”，即系统以操作人员无法察觉的方式抗拒评估。

我们的方法是构建旨在生成项目经理进行里程碑决策所需验证证据的AI T&E方法论：现实对抗条件下的作战测试，以及用令测试界和作战界双方信服的语言记录故障模式和性能边界。针对GPS拒止或电子战对抗环境下的自主系统，我们针对具体威胁特征而非理想化测试条件设计传感器融合韧性与自主决策验证——这一方法展示在： GPS拒止无人机自主运行实测演示中。

国防硬件上的边缘推理是一门工程学问题

数据中心内A100上运行的Transformer模型在受尺寸、重量和功耗（SWaP）严格限制的无人机有效载荷上毫无用处。运行在 Jetson Orin 或 Qualcomm RB5 上的计算预算仅为个位数TOPS。热管理如今已成为主要瓶颈：在密闭平台中，推理发热会导致性能衰减过半。

从云端模型迈向实战边缘模型需要：

• 量化 — INT8、INT4以及对精度和延迟均至关重要的GPTQ/AWQ权衡；
• 剪枝与知识蒸馏；
• 遵循以下环境条件的验证： MIL-STD-810H 。

涉密网络内对开源工具的安全限制进一步加剧了问题：在商业云中运行良好的MLOps流水线无法直接运行在 SIPR 或 JWICS上。我们从一开始就充分考虑这些约束来设计边缘推理流水线——针对特定目标硬件的模型优化、热功耗限制下的推理基准测试，以及为系统运行的目标涉密网络环境（SIPR或JWICS）构建的验证流程（详见我们关于以下主题的技术白皮书： 自主无人机GPS拒止导航）。

CMMC 2.0现已涵盖AI，22万家承包商尚未做好准备

对于处理受控非密信息（CUI）的国防承包商而言，CMMC 2.0合规本就是主要头疼问题。2026年这一要求更为严苛。 FY2026 NDAA 对国防承包商强制实施了AI安全框架，增加了四类AI特有的安全控制措施：

• 数据输入验证与净化，以防范提示注入攻击；
• 具有多因素身份验证的模型访问控制；
• 全面的AI输出监控与日志记录；
• 对抗性攻击防御措施。

国防部必须在以下日期前向国会汇报进展： 2026年6月16日。大多数商业AI服务运行在不符合CUI处理要求的通用云环境中，使挑战成倍增加——通过商业API调用推理会将受控数据发送至您无法掌控的基础设施上。 影子AI（Shadow AI） 是审计中发现最多的问题：涉密人员在连接到CUI的网络上使用未经记录的AI工具。

与此同时， ITAR 造成了大多数项目尚未直面的并行合规难题。国务院 DDTC 与商务部 BIS 尚未就AI生成的工程技术数据是否构成受控出口发布权威指导： USML。使用LLM为军品起草规格说明的工程师可能在不知不觉中造成视同出口（deemed export）。

我们的方法是设计一体化合规架构，将CMMC 2.0 AI控制、AI工作流的ITAR技术数据处理以及 DFARS 252.204-7012 网络安全要求作为系统性工程整体对待，而非孤立的分项勾选。其目标是使您的工程团队能够有效利用AI，同时保持经得起检验的合规姿态，满足： C3PAO 评估和DDTC审计的要求。

商用航空航天面临相同的技术挑战

在民用领域，航空公司和MRO供应商正大举投资AI，用于预测性维护、机队管理和供应链完整性。全球商用MRO需求正以如下速度增长： 至2035年复合年增长率达3.2%，其中发动机维保为关键驱动力。AI驱动的视情维护（CBM）有望预判设备故障、减少计划外停飞并延长资产寿命。目前的差距在于整合： 30年 跨混合机队的异构传感器数据，构建能够输出切实可行维护建议而非无效杂音的模型。

供应链完整性已刻不容缓。2026年3月，伦敦法院判处一家在关键航电与控制系统中分发假冒电子模块的供应商有罪。 2026 NDAA 指示国防部长制定框架，应对AI供应链中的“假冒部件或数据投毒风险”。数字孪生正在从可视化工具转变为作战决策系统，但构建真正能减少计划外维保的系统需要持续传感器数据融合、经过验证的物理模型以及调度与机务人员信赖的规划交互界面。

我们致力于将国防项目级别的验证严谨性带入商用航空航天：依据真实故障数据进行验证的预测性维护模型、在异常部件进入装配前予以拦截的供应链核查流程，以及为机队规划提供可信决策依据的数字孪生架构。

为何主承包商、平台供应商和咨询巨头均存在服务空白

三类供应商各自留下了不同空白——这一工作既需要精深的ML工程功底，又需要对国防领域的深度通晓，而他们各自以不同方式有所欠缺。

我们深耕于这些领域之间的枢纽：对AI平台的供应商中立技术评估、服务于项目办公室的T&E方法论、将云端模型移植至战术硬件的边缘推理工程，以及将CMMC、ITAR与RAI视作系统性工程约束的合规架构。