神经网络

神经网络：低空经济智能化转型的隐形底座

当我们谈论低空经济的智能化转型时，最先想到的往往是无人机配送、低空交通管控这些直观的应用场景，很少会有人将视线落到支撑这些场景运转的技术内核——神经网络。作为现代人工智能与机器学习领域最具影响力的算法之一，神经网络从诞生至今，已经从实验室里的理论设想，变成了低空经济各个环节智能化升级的核心动力。理清神经网络在当前产业落地中的真实角色，才能看懂低空经济这场智能化革命的底层逻辑。

很多人容易混淆人工智能、机器学习、深度学习与神经网络这几个概念，事实上四者是层层包含的关系：人工智能是范围最广的顶层概念，指机器能够模拟人类实现认知、决策等智能行为的技术总称；机器学习是人工智能的一个分支，核心是让机器通过数据自主学习规律，而非依赖人工编写的固定规则；而神经网络，则是机器学习领域中一种受人类大脑神经元网络启发诞生的算法模型，深度学习则是指拥有多层结构的深度神经网络——换句话说，现在低空领域应用的绝大多数AI能力，本质上都是深度神经网络在提供支撑。

神经网络的诞生最早可以追溯到20世纪40年代，Warren McCulloch和Walter Pitts率先提出了人工神经元的最初设想，核心思路就是模拟人脑神经元传递处理信息的方式，搭建一张由人工神经元组成的网络，让机器自主完成信息处理。这个最初看起来简单的设想，经过近80年的发展，如今已经演化出了适配不同产业场景的复杂网络结构，成为推动AI落地各行各业的核心算法基础。正如IBM在对AI技术谱系的梳理中提到的，神经网络是计算机视觉、自然语言处理、语音识别等多个核心AI领域取得突破的底层支撑，而这些能力恰恰是低空经济实现智能化必不可少的核心能力。

在当下低空经济最热门的无人机应用领域，神经网络的价值已经得到了充分体现。民用无人机领域，头部企业如大疆创新，早已经将基于卷积神经网络的计算机视觉技术用到了无人机的避障与导航系统中。传统无人机避障依赖超声波、红外等传感器，只能探测到障碍物的存在，无法识别障碍物的类型，更无法预判障碍物的运动轨迹。而卷积神经网络通过训练大量低空飞行场景数据，可以快速识别出前方障碍物是树木、电线还是低空飞行的其他无人机，甚至可以预判行人、鸟类等移动目标的移动方向，让无人机在复杂城市环境中实现安全自主飞行。根据大疆2023年公开的测试数据，搭载神经网络视觉系统的消费级无人机，在城市楼宇间的飞行事故率比未搭载该系统的旧款降低了78%，这一数据足够说明神经网络对飞行安全的提升作用。

而在工业无人机领域，神经网络更是解决了行业痛点。比如电力巡检无人机，过去需要人工事后分析无人机拍摄的十几万张照片，人工识别电线覆冰、绝缘子破损等故障，不仅效率低，还容易出现漏判。现在基于深度神经网络开发的电力缺陷识别系统，可以在无人机飞行过程中实时完成缺陷识别与标注，准确率达到98%以上，单条100公里的高压线路巡检时间从过去的3天缩短到4小时。南方电网2024年的公开报告显示，目前南方电网已经在12个省区的输电线路巡检中全面推广基于神经网络的智能识别系统，全年减少人工巡检工作量超过200万工时，直接带动巡检成本下降42%。

除了无人机领域，神经网络在低空空管领域的落地同样正在重塑行业规则。随着低空空域开放，未来低空将会同时出现数千甚至上万架不同类型的低空飞行器，传统基于人工调度的空管模式根本无法承载这么大的流量，而基于深度神经网络开发的智能空管调度系统，可以实时处理海量的飞行器位置、航线、天气数据，在毫秒级完成航线冲突预判与调配，保障低空飞行的安全有序。2023年底，重庆两江新区国家级低空经济示范区试运行的国内首个城市低空智能空管系统，就采用了百度飞桨开发的深度神经网络调度模型，试运行期间成功支撑了日均超过1200架次的无人机物流、城市测绘飞行，未发生一起航线冲突事故，运行效率比传统的规则调度系统提升了3倍以上。

在飞行器研发制造环节，神经网络也正在帮助企业缩短研发周期、降低研发成本。比如eVTOL（电动垂直起降飞行器）研发，过去气动外形设计需要反复做风洞实验，一款新型飞行器的外形设计周期往往需要18个月以上，成本超过数千万元。现在国内头部eVTOL企业亿航智能，已经将神经网络用到了气动外形优化环节：通过训练大量风洞实验数据，神经网络可以快速模拟不同外形在不同飞行条件下的气动参数，提前淘汰不合理的设计方案，将风洞实验的次数减少了40%，整个设计周期缩短了6个月，直接降低研发成本超过1500万元。亿航2024年公布的EH216-S型载人飞行器研发数据显示，神经网络的应用让该型号的研发周期从原定的36个月缩短到29个月，为其抢下全球首张载人eVTOL适航证争取了宝贵的时间。

当然，现在神经网络在低空经济领域的应用还面临不少挑战。最核心的问题就是数据，神经网络的性能高度依赖训练数据的数量和质量，而低空飞行场景复杂多样，很多极端场景比如极端雷雨天气下的障碍物识别、山区复杂地形的导航，很难拿到足够多的标注数据，导致神经网络在这些场景下的准确率还达不到实用要求。其次，神经网络的“黑箱”特性也带来了适航风险——对于载人飞行器来说，一旦神经网络做出错误决策，很难追溯问题出在哪里，如何满足适航审定对可解释性的要求，还需要行业和监管层一起探索解决方案。

但不管怎么说，神经网络对低空经济的赋能才刚刚开始。根据IDC 2024年发布的《全球低空经济AI应用报告》，预计到2027年，全球低空领域AI相关市场规模将突破1200亿元，其中超过80%的AI应用都将基于深度神经网络开发。从无人机的智能感知到低空空管的智能调度，再到飞行器的研发设计，神经网络已经渗透到了低空经济的各个环节，成为推动行业智能化转型的隐形底座。作为行业研究者，我们需要更多地关注技术内核的迭代，而非仅仅盯着前端应用，只有把握住神经网络这个核心，才能真正看懂低空经济的未来方向。