北约AVT-411研究专家会议评估了机器学习和人工智能在国防应用中的飞机、舰船、地面车辆及空间系统设计领域日益凸显的作用。此次会议基于北约AVT十年来的工作基础之上，该系列工作已确立多学科设计优化与多保真度分析作为现代车辆研发的支柱。本次会议重点关注在威胁快速演变与环境约束日益严格的背景下，数据驱动及物理信息融合技术如何能够缩短研发周期、降低成本并提升性能裕度。来自十五个北约及伙伴国家的一百二十余名研究人员与实践者贡献了二十六篇经同行评议的技术论文和五篇特邀主题报告，共同勾勒了从基础研究到形成实际能力的发展轨迹。

在三天的会议中，演讲者展示表明，代理模型与多保真度建模技术已趋于成熟，高斯过程层级模型、克里金法变体及深度学习方法能够将高保真度仿真调用减少一个数量级，同时保持量化的不确定性。深度学习方法——特别是图神经网络和卷积架构——能够表征高度非线性的流动物理趋势，从而实现实时控制律综合。同样引人注目的是物理信息学习的进展：报告人展示了如何将偏微分方程约束、激波探测器和模态结构数据嵌入神经网络，从而产生比纯数据驱动的代理模型外推更可靠的模型。以GPU为中心的高性能计算的广泛采用放大了这些算法进步。多个团队报告称，以往需要大型集群才能执行的工作流，现在可以在多GPU工作站上运行，标志着面向设计工程师的“桌面超级计算”时代已经到来。

具体案例演示突显了该技术当前已具备的应用条件。美国HPCMP CREATE-AV团队利用GPU加速的Helios瞬态流场快照训练增量神经网络，以提取旋翼在悬停和低速飞行状态下的尾流物理特征。热那亚大学的研究人员采用代理模型辅助的稳健优化方法重新设计了船用螺旋桨，降低了不确定来流条件下的空化风险。代顿大学与空军研究实验室的合作将多保真度伴随框架应用于超音速翼身融合体设计，在保持颤振裕度的同时实现了减阻。伊斯坦布尔理工大学提出了一个卷积神经网络降阶模型，其预测武器舱气动声学的速度比传统计算流体力学方法快五十倍，从而支持快速的信号特征缩减研究。在美国陆军导弹空气动力学问题上演示的SAGE多保真度仿真器，在精度损失低于百分之三的情况下节省了百分之八十的运行时间。其他论文还涵盖了通过神经常微分方程研究滑行艇动力学、空腔流动声学、基于GPU的尾迹扩展模型，以及用于战斗机载荷分析的SMARTy代理模型生成。这些例子共同证实，人工智能/机器学习正从实验室的探索走向具有实用价值的阶段。

与会情况反映了广泛的兴趣范围：约半数的论文关注航空平台问题，另外三分之一涉及船舶流体动力学，其余则涵盖地面系统、空间飞行器或跨领域工具链。方法论多样性同样显著，大约三分之一的成果集中在代理模型或高斯过程建模，另外三分之一关注深度学习与几何网络，其余则分布于物理信息网络和贝叶斯优化等领域。

尽管取得了进展，但仍暴露出若干不足。需要建立经过筛选的基准案例，以便对诸如气动弹性机翼、滑行艇体和空腔流动等问题进行代理模型精度与不确定性的严格交叉比对。许多优化算法仍受限于CPU计算能力；需要发展面向GPU的原生设计优化求解器、可扩展的物理信息网络以及能够利用未来计算进步的分布式贝叶斯搜索策略。所展示的大部分人工智能/机器学习工作（除DLR的SMARTy和CREATE的Sage外）均为一次性模型，尚未形成软件工程化的工作流。最后，在有效利用大语言模型辅助设计工作流方面，尚未形成主要的研究推力。

总而言之，AVT-411会议证实，人工智能和机器学习已经在重塑车辆设计领域。代理模型、融合物理信息的神经网络及GPU赋能的工作流程通常能够在不牺牲预测精度的前提下，实现一到两个数量级的加速。为巩固此优势，北约应建立跨领域基准、开发以高性能计算为核心的算法，并培育在整个设计企业中嵌入人工智能的可信数字助手。此类举措将缩短从概念到形成能力的时间线，增强不确定性下的稳健性，并有助于保持技术优势。