航天行业的特殊性，让 AI 大模型短少扎根生长的土壤，AI这么热，也有价值，但AI救不了航天，或者说，航天不需求AI。
AI核心三要素，算力，算法，数据，最难处理的其实就是数据。航天行业的核心短板，就是数据，航天是典型的制造业，而且项目特别零散，和汽车、消费电子这些批量消费的行业不一样，航天项目大多是定制化研发，除了衔接器、紧固件、材料等等这些基础部件能批量消费，绝大多数产品都是针对特定义务设计的，消费一次就不再反复，根本没有 AI 模型需求的大规模反复数据。详细到零件每个批次的设计参数都能够根据义务需求调整，消费工艺也随之变化，连积累相反工况下的加工数据都难，更别说喂给 AI 迭代优化了。AI 得靠持续不断的数据投喂才能提高，没有足够的样本，算法再先进也没用，模型根本练不出智能，自然构成不了有价值的服务。
跑个题，我说一下data和number的区别，很多人很多行业常把数字当成业务数据，其实两者根本不是一回事。很多时分，大家记录的数据只是简单的数字，比如某部件加工用了 3 小时、耗费了 2 公斤原材料，这些孤立的数字是number，不带任何业务逻辑，反映不出消费全流程的关键信息。而真正有用的业务数据，是相似 “采用 A 工艺加工时，喷管的良品率是 92%，比 B 工艺节省 15% 的原材料成本，但加工工夫添加 20%” 这样能关联业务场景、支撑决策的信息，这些是data。
如今航天行业恰恰缺这种数据，比如卫星传回的遥感数据，不同义务采集的分辨率、频段都不一样，分散在各个项目组里，没法整合起来满足大模型训练的需求，并且大部分就是图像，而没有标注图像里包含的信息。制造环节的数据更乱，设计参数存在设计部门本人的系统，甚至就是某一个人的电脑里，加工数据存在工厂的设备里，质检数据又存在检测部门的表格里，有些是线上的，有些是纸质的，还有一些是纯粹在个人的脑子里存储的阅历。。。商业航天在当前阶段依然是一个次要靠人而不是靠系统靠机制来运转的形式，没有一致的管理体系，构成了有数数据孤岛，没有这样的 data 做基础，AI不就是只能是个壳？
另外还有个成绩，航天很难允许试错，而AI最核心的训练调优过程，实践上就是试错，航天行业对安全性、牢靠性的要求极高，这更放大了数据短板的影响。比如某航天器的姿控系统，AI 模型假如要参与控制决策，必须能 100% 准确判别太空环境的变化，但缺乏足够业务数据训练的模型，很能够出现误判，这对航天义务来说是致命的，AI怎样能够能有实践的数据投喂来做迭代呢？这种状况下，所谓的 AI 赋能，最终只能是停留在概念上的噱头。
AI救不了当下的商业航天，我们说动听点，就算是想先在故事层面讲得清楚，真想用好智能技术，如今不该自觉跟风 AI 热潮，得沉下心做数字化、信息化改造。建立一致的数据采集标准，比如明白记录每个零部件从设计、加工到质检的全流程业务数据，搭建一致的管理体系，把分散在各个部门、各个项目的数据整合起来，把孤立的数字变成能关联业务的 data，沉淀足够规模、高质量的业务数据。数据基础还没打牢的明天，空谈 AI 赋能航天就是缘木求鱼。航天需求的不是急着堆技术，而是踏踏实实地做基础建设 —— 先构建 data，再谈 AI，否则AI救不了航天。