民用航空中的边缘智能：范式、技术与应用

一篇于2026年7月22日发布的学术论文系统梳理了边缘智能在民用航空中的应用。论文指出传统云端AI部署存在高延迟、缺乏离线能力和隐私风险，提出通过压缩、协同推理和分割学习等技术将AI感知与决策逻辑移至数据源附近，以降低延迟、减少带宽占用、增强隐私保护并在断连时保持运行。该综述涵盖了操作动机、技术、计算范式及未来趋势。

此前民用航空AI主要依赖云端集中处理，面临延迟、隐私和离线能力缺失等瓶颈。该研究系统论证了边缘AI作为补充方案的价值，首次将边缘推理与边缘学习技术体系化地映射到民航场景，为行业从纯云端架构向边缘-云协同转型提供了理论依据和技术路径。

边缘AI通过模型压缩减小模型体积，利用协同推理将部分计算分流到边缘设备，采用分割学习让模型训练在数据本地与云端之间拆分，从而在靠近数据源的位置完成感知、预测和决策。这样做减少了数据上传量，降低了网络延迟，在通信中断时仍能基于本地模型工作，同时敏感数据不出域，提升了隐私与主权合规性。

民航产品研发需调整架构：将AI推理模块从云端迁移至机载或地面边缘设备（如塔台终端、维修手持终端），要求硬件支持压缩模型或协同推理协议；同时需重新设计数据流以支持离线场景，并确保边缘结果与云端模型的一致性，增加边缘设备管理与模型更新流程。

• 开发面向驾驶舱的边缘推理设备，用于实时飞行参数预测与告警，降低对卫星链路的依赖。
• 构建机场塔台的边缘AI模块，实现机位调度与跑道异物检测的本地化处理，减少回传延迟。
• 推出面向航空维护的离线预估服务，利用边缘设备上的压缩模型在无网络机库中诊断故障。
• 设计支持分割学习的民航AI训练平台，使多家航司在不共享原始数据的情况下协作优化模型。

• 不同民航场景（如飞行控制、维护、空管）下边缘AI相比云端的延迟降低幅度是否有具体实测数据？
• 边缘设备在民航严苛安全认证（如DO-178C）下的部署成本与技术挑战尚未在证据中量化。
• 论文提出的协同推理与分割学习方案是否已在实际民航系统中得到验证？
• 边缘AI模型更新与联邦学习策略在民航多利益相关方环境中的治理机制未明确。