以下文章来源于“航空学报CJA”，仅做分享

原文链接：西工大张伟伟团队：大模型时代航空科技的蓝图畅想 | 航空学报CJA

2025《CJA》亮点文章

　　随着DeepSeek-R1、Qwen3等国产开源大模型的竞相涌现，大语言模型正大跨步走入人类的生活。其在问题分析、代码生成等任务上展现出的巨大潜能，不仅重塑了未来人才的核心素养，更对传统航空教育的人才培养理念与教学模式发起了挑战。AI不仅成为了服务科学研究的重要工具，也促进了科学研究范式革新，“数据和知识双驱动”的研究范式正逐渐成为主流。同时，以大模型为代表的AI技术与航空产业的深度融合，正为飞行器的设计、制造及运维注入磅礴动力，孕育着产业模式的深刻变革。

论文标题：Envisioning the blueprint: Aeronautics in large models era

论文作者：Weiwei ZHANG (张伟伟), Shule ZHAO (赵书乐)

作者单位：西北工业大学等

出版信息：Chinese Journal of Aeronautics, 2025, https://doi.org/10.1016/j.cja.2025.103607.

识别以下二维码下载论文全文

　　大模型时代的降临，为航空工业开启了一个充满机遇与挑战的新纪元。一方面，大模型实现了知识资源的下放，显著提升了普通人解析复杂问题的能力，这也对航空人才的培养体系和评估标准提出了全新的要求。另一方面，在航空科学研究领域，人工智能正在重塑传统的科研范式，为解决复杂的工程难题提供了创新思路和强大工具。AI与航空产业的深度耦合，正在重构飞行器设计、制造和运维的工业全链条，实现了全方位的智能化赋能。

1 大模型催生航空工程教育的改革

　　大模型技术的蓬勃发展，正在深刻重塑教育的传统格局。现有的大语言模型在信息检索、问题分析、程序编写等多个维度展现出强大的能力。这使得大量重复性、记忆性的工作将被AI取代，促进了诸多传统学科的教育模式的转变。在工程教育领域，这种变革尤为明显。大模型显著降低了专业知识获取门槛，技能需求逐渐减弱。以飞行器总体设计为例，过去需要设计师熟记不同布局的气动特性，如今大语言模型能即时生成设计方案，大大降低了传统研究中对资料检索与知识储备的依赖。因此，提出好问题成为重要的个人素养，通过与大语言模型的有效互动可以激发多种创新路径的探索。教育者需要引导学生建立“人机协同”思维，既能运用大模型突破现有经验局限，又能通过专业知识验证优化AI输出。

　　航空工程教育的重点应转向发散思维和工程实践能力的培养，而不局限于“解决问题”的能力培养。如何考核“提出有价值科学问题”的能力成为新的教育命题。这种难以量化却至关重要的能力，正在成为创新人才的核心竞争力。

2 人工智能引领航空科学研究范式的变革

　　人工智能技术的突破性发展，特别是大模型技术的成熟，正在重塑科学研究方法论。航空科技的初始阶段依赖实验方法。莱特兄弟的突破建立在大量的试验基础上，"Cut and Try"成为早期飞行器设计的主要方法。这种经验积累虽然效率有限，却为理论突破奠定了数据基础。在普朗特、铁木辛柯、茹科夫斯基等航空先驱的开拓下，升力线理论、压缩性修正等基础航空理论的建立，为飞行器设计提供了科学指导。这一时期涌现的钝头形翼型、椭圆形机翼等创新成果，都是理论研究推动技术进步的典范。而计算科学带来了第三次范式跃迁，NASA研究表明，CFD技术在常规工况下可以减少风洞实验次数，即使在失速等极限工况，计算模拟也大幅降低了物理实验需求，数值仿真成为连接理论与实验的桥梁。

　　如今，随着海量试验和计算数据的积累，数据密集型研究范式成为研究的新手段。基于大数据智能化方法已在工程实践中展现出强大潜力，不仅提高了研发效率，也为创新设计提供了新思路。由于缺少物理规律的限制，这类方法也受到了对其可信度和生成幻觉的质疑。

　　事实上，人们从试验、计算中推演和总结理论规律，也利用理论去产生数据。这四个范式并非割裂的发展阶段，而是相互支撑、递进演化的科学研究方法。在大模型技术的推动下，数据驱动的第四范式正与传统范式深度融合，开创出了一种“数据＋知识”双驱动的研究范式。以航空领域为例，仿真和试验成本高，虽然积累了海量实验和仿真数据，但面对高维复杂系统仍显样本稀疏。通过将数据驱动方法与理论、试验中的知识进行融合，可以解决航空工程中的小样本机器学习难题，并提升AI模型的可信性和泛化性。另一方面，数据中提取知识，完备原有知识的精度与泛化性也是当前发展的重要方向。

3 大模型赋能航空行业全链条发展

3.1 智能赋能的飞行器设计

　　随着航空航天产业的蓬勃发展，飞行器型号任务日益增多，性能指标要求不断提高。而飞行器设计是一个复杂的多学科耦合问题，需要综合考虑气动、结构、控制、动力等因素才能形成最终的设计方案，这个过程往往需要多次反复迭代。传统设计方法依赖工程经验，设计方案评估需要消耗大量计算和试验资源，具有周期长、成本高等突出问题。

　　人工智能的进步正在推动飞机设计方法的革新，通过AI代理模型和改进设计空间的表征等方法，加速传统优化设计方法，人工智能还实现了强化学习和生成设计等新技术，能够快速生成符合性能目标的部件和布局。迁移学习进一步解决了历史数据的无法使用的限制，在新旧设计之间转移知识，减少了建模新型飞机的数据信息需求，提高了成本效益。

　　大模型在航天应用中正逐渐发挥重要作用。数据驱动的评价模型能够在设计阶段实现快速的流场预测，用于几何和操作参数的调整；同时，生成式大模型能够根据性能指标和初始几何结构提出概念性方案。尽管目前的空气动力学大模型性能仍有待提升，但随着域特定知识的不断融合和专业化大模型技术的不断发展，这些模型正逐步成为未来工业设计流程中的关键推动力量。

3.2 智能加持的工业制造

　　制造业是现代经济的重要基石，航空制造业作为高技术复杂度、强离散特征的先进制造领域，长期面临产品结构精密、工艺要求严苛、生产周期持续压缩等核心挑战。在数字化转型浪潮下，构建智能技术与制造工艺深度融合的创新范式，已成为全球航空工业竞速发展的战略高地。

　　智能技术正在加速航空制造的转型发展，在智能检测环节，AI利用传感器的检测数据，对于航空器部件生产缺陷快速分析识别，实现了对于生产质量和效率的进一步提升。同时智能机器人协同装配在现代工业中也已经崭露头角，对于生产工艺的精度提升起到重要作用。在生产调度方面，自然语言模型已经用于工单解析系统，实时监控核验工序， 减少工艺违规，这些突破性进展印证了智能化转型的可行路径。

　　其次是工业机理与AI融合壁垒。现有模型在工艺优化等场景存在模型可解释性不足问题，亟需将热力学、材料学等基础学科知识深度嵌入算法架构。另外也存在着场景应用生态的短板问题。针对行业小批量多品种特性，需建立"基础大模型+场景适配器"的模块化技术体系，实现跨场景自适应迁移。突破这些瓶颈需要构建工业知识与智能技术的融合创新体系，充分释放智能制造价值潜能。

　　在航空制造业中部署大模型面临3个相互关联的挑战：首先，将多模态数据集成到供应链中，要求建立稳健的数据清洗、数据融合体系；其次，工业知识与AI模型需要有效融合，保证了结果的解释性和模型的精度；最后，现有的工业制造场景对于AI模型的生态还需进一步发展，面对生产过程的复杂性，需要在构建通用大模型的基础上，实现面向不同流程的模块化集成。

3.3 智能护航的航空产业运维

　　航空产业的指数级增长促进着产业后端的运维升级，航空产业运维也存在多种挑战。驾驶过程中，驾驶员需在复杂气象条件和多传感器融合环境下同步完成态势感知、实时避障与航迹规划等高阶决策，系统高度依赖操作者的人因可靠性。在飞行器维护环节，传统的检修流程周期长、效率低，且存在监测盲区和检修标准不同等问题。除此之外，由于飞行员的培养体制严格，选拔标准高，培养周期长，导致飞行员数量难以满足行业快速发展的需求。

　　以AI为核心的智能运维技术正在重塑行业范式，飞行器智能感知与自主决策技术进一步发展，通过深度学习方法整合多源数据，快速实现目标识别、实时避障、自主导航等。在结构健康监测环节，发展了联邦学习框架下的多源异构数据融合技术，快速定位结构损伤，促进了预测与健康管理的发展。在飞行员培养方面，智能技术也展现出了良好的发展前景。强化学习打造的智能空战模拟系统，不仅实现了智能体自博弈，挖掘空战新战术，也可实现人机博弈，辅助飞行员进行训练。

　　大模型技术如何为航空产业的运维保驾护航是航空产业极为关注的话题。通过构建融合先验知识的多模态大模型，可突破传统专家系统在复杂空域协同规划中的瓶颈。而大模型技术与数字孪生技术的融合，推动了飞行器全生命周期可靠性预测实现从“数据驱动”到“物理约束下的数据-机理双驱动”的范式转变。在辅助飞行方面，具备航空专业语境的LLM Agent技术发展，可作为认知增强接口实现自然语言指令编译，辅助完成状态决策。并且收集飞行员操纵数据，构建飞行员能力评估，定制化开展飞行培训。

4 总结与展望

　　人工智能的突破正在改变航空行业，重塑教育、科研和工业实践。由于人才能力需求的转变，教育考核体系在发生着转变。科学研究正朝着数据与知识结合的范式发展，而产业链正在经历全面的智能升级。然而，大模型在工业行业的应用仍然面临诸多挑战，包括工业专用数据库的构建、历史数据如何迁移、如何保证模型的精度和泛化性、模型结果的可信任性等。专家化模型、行业特定的大模型以及全生命周期的数字孪生系统正在不断发展。解决这些挑战需要基础研究与应用场景的合作努力，打通技术攻关和应用试错。建立一个开放、赋能的航空智能创新体系，推动行业实现变革性的发展。

论文原文

团队及作者介绍

　　西北工业大学“大树之家”团队由国家级领军人才张伟伟教授领衔，现有固定教师6人（包括教授4人，副教授2人），博士后2人，研究生50余人。团队依托西北工业大学流体力学智能化联合研究所，承担了一批与气动弹性力学、智能流体力学、飞行器设计等方向紧密相关的国家自然科学基金集成/重点/面上项目、科技部重点研发计划等科研任务。团队研究成果应用于航空航天、人工智能、能源等领域十多个头部单位21个重大工程的研制，为AI4Eng形成了良好示范。

　　张伟伟，西北工业大学航空学院教授，国家级领军人才，中国空气动力学会副理事长。主要从事智能流体力学、气动弹性力学和飞行器智能化设计研究。主持国家自然科学基金等国家级项目20余项，有力支撑了我国航空、航天、兵器等十多个单位30多个型号的研制，为C919等重大型号研制做出贡献，获得省部级科研成果奖5项。在PAS、JFM等国内外知名刊物发表论文200余篇，撰写著作3部。

　　赵书乐，西北工业大学航空学院研究生，主要研究方向为智能空气动力学与飞行器设计。