旧装备接入AI,真像安装一个软件那么简单吗?

发布材料还给出一个醒目的目标：将每日处理目标的数量从100个提高到1000个。

不过，这个“十倍”是试验阶段追求的处理能力，不能直接理解为已经取得十倍作战效果[1]。

保留老系统，再给它加上新能力，这种思路很容易让人想到手机升级：硬件没换，多装一套软件，就能识别图片、整理录音。

装备能不能也这样升级？

一套装备用了多年，未必所有部分都到了更换的时候。如果原有设备还能完成任务，通过软件改进信息处理，确实比整体更换更有吸引力。

但从“模型已经运行”到“部队能够使用”，中间还有不少工作。泰雷兹自己在今年6月的AI案例集中就写得很直接：

AI并非即插即用，需要与承载它的系统深入集成[2]。

01　先弄清楚，AI准备装在哪里

“给装备加上AI”，可能指几件差别很大的事。

最容易理解的是，在已有数据后面增加一道处理。

设备继续采集图像、记录状态，AI帮助筛选值得关注的内容，或者从技术资料中查找相关条目。人仍然负责核对和处理。

再往前一步，AI开始参与判断。

例如，根据连续运行数据提示某个部件可能出现异常，供保障人员安排检查。这时，漏掉一次异常、频繁误报，都会影响后续工作。

如果AI进一步参与控制，直接改变设备动作，改动就深入得多。

计算耗时、输出范围、异常退出，都要与原有系统配合。汽车增加语音助手和修改刹车控制程序，都可以称为软件升级，背后的验证工作却相差很大。

装备智能化也不一定要装一个能聊天的大模型。图像识别、异常检测、资料检索，各有适合的方法。给操作界面增加一个对话框，并不能自动解决这些问题。

还得找到原系统究竟慢在哪里。

操作人员来不及翻看大量记录，AI可能帮得上忙；如果传感器根本没有采到所需信息，模型再复杂，也不能把缺失的观测变成可靠事实。

02　能飞起来的AI，背后改了多少东西

美国X-62A试验机提供了一个具体例子。

这是一架经过专门改装、用于研究和试验的F-16衍生机。美国空军与DARPA用它开展AI自主飞行试验。

2024年4月的官方报道披露，团队在不到一年里，从将AI程序接入飞机，推进到AI与有人驾驶飞机进行视距内对抗试验。期间：

经历了21次试飞，对超过10万行飞行关键软件进行了修改。

机上还保留了安全飞行员，能够独立切断AI控制[3]。

这组数字不能当作所有装备升级的工作量标准。X-62A属于专门的飞行试验项目，也不代表普通现役飞机已经能够照此批量改装。

它说明的是：当AI接近设备控制环节时，算法之外的系统改动和验证会占据很大分量。

对其他装备来说，麻烦可能没这么显眼，却同样具体：

• 原有计算机有没有余量？
• 增加计算模块后，供电和散热够不够？
• 处理数据的速度，能不能赶上设备产生数据的速度？
• 如果要把数据送到远端计算，链路断开后还能做什么？

这些事情，下载一个模型解决不了。

2015年，谷歌研究人员在《机器学习系统中隐藏的技术债务》中画过一张系统示意图：

机器学习代码只占中间一小块，周围还有数据采集、验证、配置、服务和监控等大量支撑部分。

论文讨论的正是这些容易被低估的开发和维护工作[4]。

现成模型能够省掉一部分研发，却也要有人把它接进原来的设备、软件和工作流程。

接口不通，要改接口；计算资源不够，要调整部署；原系统没有预留接入条件，就得先补上这些条件。

X-62A试验团队在21次试飞期间，对超过10万行飞行关键软件进行了修改[3]。

03　积累多年的数据，也有不少旧账

旧装备升级还有一份看起来很诱人的家底：多年积累的记录。

不过，留存下来和可以直接使用，往往是两回事。

以一个假设的装备保障系统为例：

同一种故障，不同人员写了不同名称；同一台设备改装过几次，旧手册和新手册放在一起；维修记录只写“恢复正常”，没有记下原因和处理过程。

熟悉情况的人可能知道这些记录该怎样理解，刚接入的模型却缺少这部分背景。

如果资料没有分清版本，AI完全可能从旧手册里找到一段文字，回答得流畅，操作步骤却已经不适用。

这种问题在其他领域也有记录。

2021年发表的一项研究访谈了印度、美国及非洲部分国家的53名AI从业者，涉及医疗、环境保护等应用。约92%的受访者表示，遇到过数据问题引发的后续连锁影响，例如反复返工、重新采集数据。

这个比例来自特定访谈样本，不能拿来推算军用AI的故障率[5]。

研究里还有一个很具体的案例：模型在干净的眼部图像上训练，到了实际使用环境，图像中的小灰尘就可能影响判断。开发时认为已经解决的问题，被现场的采集条件重新带了回来[5]。

因此，给旧装备接入AI，往往要先补做一些不显眼的工作：

把记录对应到具体设备和版本，说明数据何时产生、缺了什么，请熟悉业务的人确认标注。涉及使用权限的数据，还要明确哪些能够用于训练，哪些只能在指定环境中查询。

资料查询也不必一律靠重新训练模型。有些功能可以先检索获准访问的资料，再根据查到的内容组织回答。但旧资料是否失效、引用是否准确，仍然需要处理。

模型可以换一个，遗留的数据问题却不会随着安装包一起消失。

04　演示省下的时间，会不会花在核对上

升级完成后，演示通常很好看：过去需要人工整理的信息，几秒钟就出现在屏幕上。

到了实际岗位，时间账要算得完整一些。

还是以假设的保障场景为例。AI很快整理出一份状态报告，工作人员却发现其中引用了过期记录。为了确认其他内容没有类似问题，只好重新逐条查阅。

生成报告确实快了，完成核查却未必更快。

接入AI还会改变人的工作：过去主要负责查找，现在要判断机器查得对不对。两种工作需要的注意力和经验并不完全相同。

2024年，《自然·人类行为》发表的一项元分析汇总了106项实验、370个效应量。

平均而言，人和AI合作优于人单独完成任务，但没有超过“人单独完成”和“AI单独完成”中表现更好的那一方。不同任务的结果也有明显差异，不能据此断言所有岗位都会得到同样的收益[6]。

这项研究没有给出军用装备的试验结论。从中可以得到的启发是，人接手AI的结果之后怎样工作，也需要纳入测试。

在装备使用中，这意味着试用不能只给模型做题，还要把操作人员、原有流程和实际条件一起放进来。

换一批没有见过的数据，增加缺失记录，试试网络中断，再观察人员如何处理结果。平均准确率之外，漏掉了什么、误报多少、核查花了多久，都有必要记录。

NIST的AI风险管理框架也要求，准确率应结合能够代表预期使用条件的测试集来解释，并通过持续测试或监测检查部署后的表现[7]。

对使用者来说，能方便地追溯依据，知道系统在哪些情况下容易出错，比单独看到一个漂亮的百分比更有帮助。

AI暂时不可用时，原有工作怎样继续，也应在试用时走一遍。

图注：比较同一项工作的完整用时，将人工核查和异常返工计入。

05　这次装好了，下次谁来更新

设备交付以后，变化还会继续。

传感器换了，数据特征可能改变；设备经过改装，旧模型的适用范围需要复核；技术手册修订了，资料库也要同步更新。

即使程序还能正常启动，输出也可能逐渐偏离实际情况。

GAO在2023年的AI采购报告中，将部署后的测试、监测，以及数据变化引起的模型调整成本列为需要考虑的问题。

报告专门讨论了“漂移”：模型遇到的数据与原先训练时不同，预测可能变得不再可靠[8]。

维护工作因此多出了一些内容。

有人需要收集使用中出现的问题，判断该更新资料、调整模型，还是修改接口；新版本上线前要重新测试，出现问题时还要能恢复到已验证的版本。一次数据更新，也可能影响后面的多个功能。

这些事如果没有安排好，使用单位会很被动：模型由一家提供，设备由另一家维护，出了问题，各方都认为需要对方先检查。

所以，研制和采购阶段就得把后续更新的责任、资源和安排谈清楚。把软件交过去，并不意味着接入工作已经永久结束。

“持续学习”也不等于让系统在现场自行改变行为。

哪些内容能够更新、怎样验证、什么时候上线，都需要有明确安排。

回到标题：真像安装一个软件那么简单吗？

通常没有那么简单。

原系统接口齐全、数据可用、计算资源充足，新增功能又只是辅助查询或筛选时，升级确实可以做得比较轻量。

越深入设备判断和控制，改动和验证就越多，有时还要更换计算硬件。

手机用户看到的是一个“安装”按钮，设备厂商已经在背后完成了大量适配。旧装备接入AI，也需要有人提前做完这些工作。原来没有准备好的接口、数据和测试条件，都得逐项补上。

旧装备接入AI，完全可能以软件升级的形式交付。只是这份软件能够用起来，靠的是此前完成的数据整理、系统改造和现场试验，交付后也还要有人维护。

安装可以很快，把这些准备工作补齐，往往才是项目里最费时间的部分。

参考文献

[1] Thales. Thales unveils HexaForce: AI-powered, sovereign command and control for NATO and allied nations[EB/OL]. (2026-09-17)[2026-09-27].

[2] Thales. Thales AI in real use[R/OL]. 2026-06[2026-09-27].

[3] Kohler C. USAF Test Pilot School and DARPA announce breakthrough in aerospace machine learning[EB/OL]. (2024-04-17)[2026-09-27].

[4] Sculley D, Holt G, Golovin D, et al. Hidden technical debt in machine learning systems[C/OL]//Cortes C, Lawrence N D, Lee D D, et al. Advances in Neural Information Processing Systems 28. 2015: 2503-2511.

[5] Sambasivan N, Kapania S, Highfill H, et al. “Everyone wants to do the model work, not the data work”: data cascades in high-stakes AI[C]//Proceedings of the 2021 CHI Conference on Human Factors in Computing Systems. New York: Association for Computing Machinery, 2021: 1-15. DOI: 10.1145/3411764.3445518.

[6] Vaccaro M, Almaatouq A, Malone T. When combinations of humans and AI are useful: a systematic review and meta-analysis[J]. Nature Human Behaviour, 2024, 8(12): 2293-2303. DOI: 10.1038/s41562-024-02024-1.

[7] Tabassi E. Artificial intelligence risk management framework (AI RMF 1.0): NIST AI 100-1[R/OL]. Gaithersburg: National Institute of Standards and Technology, 2023. DOI: 10.6028/NIST.AI.100-1.

[8] U.S. Government Accountability Office. Artificial intelligence: DOD needs department-wide guidance to inform acquisitions: GAO-23-105850[R/OL]. Washington, DC: U.S. Government Accountability Office, 2023-06-29.