“双碳”目标下低空经济的AI变革之路

Path of AI-driven transformation for in the low-altitude economy under the “dual carbon” goals

摘要

“双碳”背景下，以人工智能（AI）为核心的低空经济融合发展成为重要趋势.低空经济与 AI 深度融合既涉及效率安全又涉及能耗减排，因而面临三大重要挑战：AI 在低空典型任务中实现效率与安全如何影响能耗，当前深度融合的重要约束瓶颈是什么，受“双碳”目标约束的技术路径该如何设计与执行.本文基于感知—决策—执行链，从感知、智能、数字等方面，综述多源感知、边缘智能与数字孪生技术的低空物流、应急、农情等典型应用场景及任务相关研究和产业应用，提出以“技术-场景-绿色”为核心的AI•低空•双碳的整合机理模型，识别出标准、话语权缺失，低空空域治理碎片化，算法—能效—安全不协同三类瓶颈，明确任务能耗、能耗强度、排放因子等指标口径，并给出面向政策、产业与技术协同的可执行路线，即“场景适配型认证-智能数据与UTM 底座-绿色能源与能效一体”的路线建议，以期为我国低空经济智能化与低碳化提供分析框架与实施抓手.

Abstract

Under the background of the “dual-carbon” goals， the integrated development of low-altitude economy with AI has become an important trend. Nevertheless， in-depth integration of the low-altitude economy and AI involves both efficiency， safety， and energy consumption reduction， thus facing three major challenges： how the realization of efficiency and safety by AI in typical low-altitude tasks affects energy consumption； what the key constraints and bottlenecks of the current in-depth integration are； and how to design and implement the technology path restricted by the “dual carbon” goals. Based on the perception-decision-execution chain， this paper reviews the research and industrial applications related to typical application scenarios and tasks （such as low-altitude logistics， emergency response， and agricultural condition monitoring） of multi-source perception， edge intelligence， and digital twin technologies from the perspectives of perception， intelligence， and digitalization. It proposes an integrated mechanism model of “AI·Low-Altitude·Dual Carbon” with “technology-scenario-green” as the core.Three types of bottlenecks are identified： lack of standards and discourse power， fragmented low-altitude airspace governance and misalignment among algorithms， energy efficiency， and safety. Indicators such as task energy consumption， energy consumption intensity and emission factors are clarified. Available paths for the coordination of policies， industries， and technologies were put forward， namely “scenario adaptable certification-intelligent data and UTM （unmanned traffic management） infrastructure-integration of green energy and energy efficiency”. It is expected to provide an analytical framework and implementation tools for the intelligent and low-carbon development of China’s low-altitude economy.

Graphical abstract

关键词

低空经济 / 人工智能 / 双碳 / 数字孪生 / 边缘智能

Key words

low-altitude economy / artificial intelligence / dual-carbon / digital twins / edge intelligence

实现碳达峰碳中和是一场广泛而深刻的经济社会系统性变革，人工智能（artificial intelligence， AI）作为新一轮科技革命的核心力量，已开始逐步在各行各业起到关键性作用，在助力新数字技术发展、提高产业效能、促进产业绿色方面都有广阔的应用前景^［1］.

低空经济是适应“双碳”背景的新兴产业.基于“碳达峰、碳中和”发展要求，2021年国务院发布的《国家综合立体交通网规划纲要》上，首次提出低空经济的概念，并选取了5个省作为低空经济发展的试点地区.这也意味着低空经济产业开始向数字化、智能化、无人化等通用技术领域延伸，在传统制造、通航、保障、综合服务链基础上延伸出低空经济产业链，涵盖了智慧物流、空地协同、低空数字孪生产业链等，预计2030年市场规模将达到2×10¹²元 ^［2］.

AI 和低空场景的交叉融合具备时代价值，能够优化能源结构、提高能源效率，支持低空场景下的低碳转型；低空场景则能够为 AI 算法应用提供场景，促进 AI 技术迭代和产业化.已有研究从边缘计算、深度学习与多源感知的角度，系统论述无人机（unmanned aerial vehicle， UAV）在物流、应急及农业等低空场景中的智能化运行，但多从算力、时延与可靠性的工程优化出发，在UAV在低空场景中综合考虑社会与环境影响的生命周期评价（life cycle assessment， LCA）指标体系还未嵌入任务级的优化与治理框架之中^［3-5］.与此同时，低空交通管理与治理（unmanned aerial vehicle traffic management system/unmanned aircraft system traffic management， U-Space/UTM）在服务分层和运行概念上逐渐完备，实际部署也面临法规衔接、跨域数据协同、规模化自动化等问题，社会与环境影响度量框架仍在探索中^［6-7］.“双碳”目标要求下，无人机与传统运载方式全生命周期的排放差异表明明显“场景敏感性”，需要构建以任务能耗、能耗强度、排放因子为评价口径并耦合进AI决策闭环^［8］.据此，本文在综述国内外相关研究和产业应用基础上，围绕下述3项研究问题进行系统、全面的探讨.1） AI（含多源感知、边缘智能和数字孪生）如何在低空典型场景中同时提高效率和安全，以及对任务能耗和能耗强度分别产生何种影响；2） 当前 UTM/Uspace与低空管控在并发治理与数据协作上的瓶颈和障碍，以及阻碍 AI 赋能规模化应用落地的瓶颈；3） 如何在双碳约束下发展“技术-场景-绿色”的机理一体、可操作的架构与路线，进而实现算法-管控-能源侧的协同优化.

1 政府政策与市场结构协同作用

1.1 政府政策推新

近年来，中央及地方各级政府陆续出台低空经济相关政策，政策支撑成为推动低空经济发展的重要力量.从政策对低空经济发展的价值而言，体现了经济视角下的市场规模目标、战略视角下的产业链安全诉求、实践视角下的空域资源开发价值，形成了从市场目标、产业链安全到空域资源的政府政策三维支撑体系，有力地推动了低空经济的产业落地.

《国家综合立体交通网规划纲要》提出了总体政策方针，随之国家及各省（自治区、直辖市）相继出台相关政策，制定配套措施.在具体政策落地层面，地方政府表现亮眼.四川省2025年出台的《支持低空经济发展的若干政策措施》颇具代表性，对 A 类通用机场建设支持力度最大.《通用航空装备创新应用实施方案（2024—2030年）》提出万亿级的产业发展愿景，通过应急、物流、通航等示范场景引导，指导企业创新发展.至2025年，已有26个省或城市在政府工作报告中提及低空经济，《深圳经济特区低空经济产业促进条例》成为全国首部低空领域专项性地方立法，促进当地低空相关的企业注册数量攀升.自2010年低空空域管理改革启动以来，低空经济被纳入战略性新兴产业链条，《无人驾驶航空器飞行管理暂行条例》等法律法规的连续出台，也进一步推进政策破题，打通体制机制堵点，增强市场信心.

1.2 市场结构调整

低空经济市场结构随着政策的放开和引导而优化调整，在市场结构形成阶段，低空制造带动了低空经济产业的形成，低空经济市场为生产导向模式，行业集中度相对较大.以无人机产业价值链来看，原材料、零部件及整机制造等所占市场份额达到了\mathrm{79.4}\mathrm{\%}.消费需求端产值仅为全产业链的\mathrm{15}\mathrm{\%}左右.但近年来，随着技术的进步与应用场景的拓展，市场结构逐渐发生转变，产业价值链重构趋势明显，特别是低空载人领域.例如，“亿航智能”旗下子公司获得中国民航局颁发的“载人类”民用无人驾驶航空器运营合格证，产业发展重心开始由单纯的低空制造向“制造+运营”并重转变，部分企业通过垂直整合，向产业链上、下游延伸，增强了自身在产业链中的控制力，激发了低空经济活力的内生动力​.

这一转型表现在市场结构多元化，市场集中度下降，市场竞争更加充分，消费需求端潜力被逐步开发，市场活力得到进一步释放.运营服务环节发展带动相关配套领域发展，如低空金融服务、低空数字服务等，部分企业通过水平多元化，开拓现有业务所延伸的领域，从单点突破向产业链协同共建的全链式市场结构重构，打造更为完善、更具活力的市场生态格局.与此同时，低空经济市场表现出明显的市场细分，市场按应用场景可细分为物流、载人、应急救援等多个细分市场，不同细分市场的需求特点和发展趋势各不相同，产品差异逐渐加剧，企业通过提供独具产品特质的产品或服务开拓市场占有率^［9］.

1.3 协同作用创新

政府政策与市场结构调整相互作用，能够产生乘数效应.政策导引决定了市场结构优化的方向，政府通过产业政策引导资源向低空经济的重点领域和薄弱环节聚拢，带动市场结构向合理、高效的体系方向演进.

在研发端，深圳市政府出台了扶持低空经济发展的政策，构建了“研发—制造—服务”的全产业链条，促进了产业价值链条重构.在上游研发环节，财政补贴覆盖\mathrm{80}\mathrm{\%}的研发投入，助力与研究院合作提升无人机续航能力；中游通过优先保障零部件企业土地指标，吸引200余家零部件企业聚集，在一定程度上影响了市场集中度；下游开放50条低空物流航线并降低市场准入门槛，促使“丰翼科技”成长为全球最大物流无人机运营商，日均配送量达20 000单，还通过水平多元化，拓展了低空飞行在城市管理、文旅、应急救援等多领域应用.

同时，市场结构的良好优化对市场主体发展的反馈机制，也要求政策出台要随之调整，不断优化和完善市场结构.如杭州无人机产业成熟后，市场内企业围绕技术规范、飞行行为和数据接口达成初步共识，市场集中度回归理性，杭州无人机联盟提出“低空数据安全共享倡议”，杭州市制订《低空数据安全管理办法》，政策由政府主导转向“政企共治”.同时，杭州开展“低空经济应用场景创新大赛”，以企业应对城市治理难题提出的无人机应用方案，体现出明显的差异化，并暴露出现行制度缺口，要求杭州市应急管理局修改《应急响应联动机制》，将无人机作为常态化应急力量纳入其中.上述案例很好地反映出政府政策与市场结构在低空经济发展中携手合作、协同促进的作用，促进低空经济实现“双碳”背景下高质量、可持续发展目标.

2 AI赋能低空经济命脉

2.1 核心技术呈现

以AI为代表的新一代信息技术融合发展而催生的基于低空的新兴经济形态^［10-11］.低空经济是新一代信息技术与现代飞行控制技术融合发展的产物，是基于AI促进从低空需求（潜在需求）到现实需求（实际需求）转变的引擎变量^［9］.AI被广泛应用到以低空为场景的目标探测和跟踪、场景理解中，与强化学习协同应用于低空路径规划和自主避障中的时延和链路不确定性；边缘智能借助任务卸载和资源编排降低时延和链路不确定性，在场景中提供稳定推理和协同的多机作业能力^［12］.数字孪生被引入到无人系统的制造-测试-运行闭环中来支持无人平台（系统）的高可信虚拟仿真、任务级（子系统）的参敏研究（参数敏感性研究）和在线健康管理，但与任务能耗、能耗强度等绿色指标还不能很好内生耦合，绿色效益更多地以“事后”性能评估表现而不是作为优化目标前置^［13］.以人工智能与低空经济融合文献为代表的学术期刊文章以及出版机构发布的研究报告正以显著数量增长，2015—2020年间，相关文献数量甚至呈现出年均超过50%的增长（图1）.围绕3大核心问题，分别设计布尔检索式并合并去重，纳入标准限定于 AI 与低空系统场景下的研究，包含发展趋势、交叉研究和应用场景三个角度，按技术、场景与绿色指标三维度进行标注与分类（图2）.年度分布、主题交叉与场景覆盖等结果客观准确地可视化表达 AI 在低空经济的应用场景.

2.1.1 AI算法优化

AI和其子项机器学习是现代化和优化各行各业（包括低空行业）的关键技术.AI和机器学习方法可在高空以及低空领域均予以承诺实现效率、安全和可持续性的改善.AI技术和机器学习技术正在低空领域进行转变，它应用于低空行业的各种领域.AI工具（包括智能互联技术）的进步为低空应用提供了众多机会.包括机器学习、自然语言处理、计算机视觉等几乎已涵盖了现代低空的各个方面^［14］.

1） 机器学习算法：机器学习算法被大量运用在飞行器状态监控和故障预测方面，通过对低空经济的飞行器发动机、飞行控制系统等核心部件运行数据的大规模采集，训练基于支持向量机（support vector machine， SVM）、随机森林等算法构建的预测模型.如某无人机制造商将SVM算法在无人机飞行数据的分析中预测无人机电池的性能衰退和电机故障的预测准确率达到\mathrm{90}\mathrm{\%}以上，大大提升了无人机可靠性和安全性，节约了维护成本^［1］.

2） 深度学习算法：卷积神经网络（convolutional neural network， CNN）、循环神经网络（recurrent neural network， RNN）为代表的深度学习算法在低空目标识别跟踪中扮演重要角色.CNN适用于复杂低空环境，快速从摄像头采集的图像数据提取特征，精准识别低空环境目标物体，如城市低空物流配送的无人机识别建筑上的配送标识，精准停靠等.RNN能够胜任处理时间序列数据，实时跟踪预测目标物体运动轨迹，为飞行决策提供依据^［15］.此外，目标检测类算法也常用于适应复杂场景，改善高速低空运动模糊等问题^［16］.

当今人工智能技术快速成熟的应用正在根本上改变低空业的局面.从飞机维修、飞行计划到飞行中的应用，诸如机器学习、自然语言处理和计算机视觉等AI驱动的工具被几乎融入了现代低空的各个方面.人工智能创新在增强人类能力、提升安全和效率方面的前景非常广泛，但却给低空教育和培训带来挑战.这种范式转换要求低空专业人员具备新兴技术和对其应用能力，以便于在日益以AI为基础的工作环境中发挥其作用^［17］.

机器学习模型在最近几年已经被证明可有效地用于优化飞机性能，包括用于优化空气动力学系数和管理噪音、燃烧.同时，利用人工智能管理风险的潜能也为预测和分析潜在线运营的灾难奠定了基础，可以有效地为更智能的主动性的决策提供支持.

在低空交通复杂度上升，尤其是无人机系统（UAS）接入后对传统UTM/U-space系统进行了严峻考验，需要在系统中处理越来越多的信息和对优化算法需求增多，保持空域安全和效率的效率^［10］.人工智能包括机器学习（machine learning， ML）、可解释人工智能（explainable AI， XAI））等技术在UTM中集成展现了改进运营性能和决策的前景.例如利用递归神经网络对航班预计到达时间（estimated time of arrival， ETA）进行预测已验证其有效性，并能更好实现机场资源的规划和管理^［18-19］.另外，人工智能模型在飞机性能预测和优化中已被成功应用在空气动力学、燃烧和结构完整性等研究中，这些成果对飞机性能的提升和对空中运营的安全性和可持续性的助力显著^［19］.表1是各种算法类型对比总结，并表明精度范围、计算价格、优势和局限性.从业务规模来看，全球的AI市场规模仍然保持高速增长的态势.低空经济领域AI的发展不仅仅是在技术理论上，也表现在飞行器控制系统、风险评估系统以及航班配载系统中的应用，促进交通运输业走向现代化.

2.1.2 数字孪生技术优化

数字孪生技术通过建立相对应的虚拟模型实现低空领域真实系统的实时映射与仿真分析，低空经济中可以应用于设计验证飞机、飞行训练、低空交通管理等.以某飞机制造公司开展的新型通用飞机研发为例，在研制过程中，利用数字孪生技术建立飞机数字孪生模型，模拟飞机各种状态下的飞行性能，提前暴露设计缺陷、进行优化，将飞机的研发周期缩短了约\mathrm{30}\mathrm{\%}^［20］.

基于低空数字孪生技术创建低空经济物理环境和过程的数字化副本，并对其进行相应控制，将对空域资源智慧化管理提供良好的支撑.AI赋能的低空数字孪生系统可以实时获取气象、飞行器运行状态数据、空域流量大数据，进行模拟和预测.比如低空空域管理中的空域堵塞情况预测以及为飞行器提供最优飞行路线选择，由机器学习算法指导的低空数字孪生平台实现对飞行器健康监测、故障预判，降低机械设备故障.随着5G、物联网的进一步推广，低空数字孪生平台将成为数字技术赋能低空经济转型的重要底层架构.

2.1.3 其他关键技术优化

1） 多源传感器融合技术：低空飞行器平台配置的各种传感器通常有GPS传感器、IMU传感器、激光传感器、摄像头传感器等，获取的信息更加全面.多源传感器融合技术即对不同的传感器信息进行信息融合，消除单源传感器的误差，增强获取到的信息可靠性.例如在低空测绘应用中，飞行器上的激光传感器获取的高精度的高程数据与摄像传感器拍摄得到的信息，进行传感器融合，得到更加准确精细的地理信息模型，为城市规划、土地测绘等提供真实可靠的地理数据支撑.

2） 边缘计算技术：低空经济应用的各类数据在实时性上有很强的要求，以满足飞行控制、目标识别等任务需求，边缘计算技术将数据处理能力下沉，使数据处理不需通过云端运算而实现就近实时处理的方式，可以有效降低数据传输的时延.如在电力巡检的无人机上安装边缘计算设备，将电力巡检相机拍取的输电线路现场图像实时分析，快速识别出线路存在故障信息，并将结果及时告知使用者，大幅度提升了巡检的效率和反应速率.

2.2 应用场景普适化

低空经济在不同领域中的应用前景伴随着人工智能技术融入而发生质变并在不同领域中持续开发出新的应用场景，大大地提升了效率，降低了成本，激发了不同领域的发展活力（图3）.

2.2.1 智能飞行控制

AI在低空经济中的关键应用为智能飞行导航.无人机等低空飞行器基于深度强化学习（deep reinforcement learning）以及计算机视觉，可即时解读环境感知资料信息，自主确定航路点，主动规避障碍物，在必要时改变自身飞行状态；而在密集城市中心，基于AI算法可即时处理传感器所获取的资讯数据，辨认出周边障碍物：楼塔、植栽，计算航路路径，有研究证实基于CNN的视觉导向系统在动态避障感知的准确率达到\mathrm{99}\mathrm{\%}^{［10， 21］}.

人工智能实现了飞行器根据飞行中的实时天气环境如遇到突发恶劣天气、自身设备出现故障、状态异常等情况自主适应修改控制飞行控制的参数以保障飞机飞行安全.强风、暴雨等恶劣的气象环境中搭载AI控制系统的“贝尔407”直升机可高速自动修正调整旋翼桨距和发动机功率自动保持飞行姿态的稳定顺利完成救援物资运送、紧急转移人员等重大任务.2024年，一次山区抗洪抢险救援行动中，在复杂气象环境该机在系统的帮助下往返多次，及时将救援物资送到灾区群众的手里，取得了卓越的 AI 自适应控制技术保障飞行安全的效果.

2.2.2 低空交通管控

在低空经济安全管理中应用AI技术，能够利用机器学习、计算机视觉等技术自动采集、分析监控空域中飞行器的所处位置、速度、航迹等关键数据信息，提早灵敏感知空中飞行器间的冲突，并及时采取自动偏离航迹、增速等措施迅速化解冲突.例如，针对机场周围的低空空域，可以利用AI系统实时感知无人机的飞行，并迅速识别无人机违规飞行的行为并警报提示^［22］.大疆利用AI智能飞行管理系统实现多个无人机协同，在深圳市进行夜间航拍城市夜景项目，AI系统实时感知每个无人机的飞行状态，利用准确的算法模型计算出多个无人机间的距离，使得多个无人机飞行时始终保持在安全的间隔范围内.整个航拍过程中，系统有效避免了无人机之间发生多种碰撞事故的发生，为低空飞行的安全保驾护航，体现出了AI在复杂的低空飞行场景中智能协调的能力.基于深度学习的模式识别算法可以识别飞行器的飞行轨迹以预测可能发生的碰撞冲突及应对方法.相关研究表明，在异常行为的检测中，借助AI的智能监控系统检测到异常行为的准确率已经接近\mathrm{98}\mathrm{\%}.

AI技术通过深度挖掘综合分析历史的飞行数据、实时的交通数据、实时的气象数据等海量多源数据，精确预测低空交通流量的变化情况，进而通过合理的低空飞行计划、分配合理的飞行航线，实现低空交通运行的高效有序.在上海低空物流配送的忙碌时段，菜鸟网络自主研发的AI智能调度系统根据不同时间的实时交通流量预测结果动态为每架配送无人机规划了最优飞行航线，某时段配送高峰时段，系统成功调整了数百架无人机的飞行航线，缓解了交通拥堵问题，物流配送的效率提高了约\mathrm{10}\%.

2.2.3 能源优化

AI可将飞行器动力进行精准调控，并且能够实时根据不同的飞行任务特点、气象气流情况变化，调节发动机功率、螺旋桨转速、桨叶偏转角等关键信息，实现对能量的最大化使用.以“亿航智能”电动垂直起降飞行器（electric vertical take-off and landing， eVTOL）EH216-S为例，它的AI动力管理系统通过感应飞行过程中的载荷、飞行速度、气温变化等情况，动态调节飞行器电机功率、旋翼转速，其在一次城市空中出行的模拟测试中，在电量相同情况下，其飞行能力可增加约\mathrm{20}\mathrm{\%}^［23］.

AI在调度任务与协调上的运用极大地降低了低空经济的运作成本.借助多智能体系统（multi-agent system）任务的分配算法实现无人机编队的有效协作，如在输电线路巡航任务中，通过智能系统的调度，可以根据任务的重要性程度、无人机的性能、气候环境等因素，对无人机进行任务分配和最优线路规划，降低航行时间、节约成本^［24］，经试验显示，在传统人工调度的基础上，运用人工智能算法对航班进行智能调控，能够提高\mathrm{15}\mathrm{\%}以上的运行效率.

2.2.4 安全防空

采用AI技术对低空目标进行快速精准识别分类，区分民用航空器、非法入侵无人机等目标类型，有效做到准确预警.首都国际机场周边部署了低空目标人工智能检测系统，采用雷达、光电传感器等多种数据源、强大的AI算法支持，数秒内即可对进入目标监视区域内低空目标进行识别.在一次非法无人机入侵模拟试验中，目标在5 s内被识别，触发系统警报，为机场周边低空防护争取了时间.

针对检测到的目标类别、目标运动轨迹等信息，AI系统能够自动规划相应的驱赶措施，例如对非法飞入无人机采取电子压制或诱捕等相应措施，保障重要区域内重要地段低空安全.在军事设施防守训练过程中，当AI系统检测到模拟非法入侵无人机时，AI系统启动相应电子压制设备，有效干扰无人机的通信和导航信号，使其失控并安全软着陆，有效清除安全隐患，证明了人工智能系统制定的驱赶对策高效、可靠.

2.2.5 拓展领域

AI赋能的无人机和前面介绍的eVTOL能够在城市物流配送中发挥快捷、精准的货物投递作用，通过与电商、物流企业的信息系统进行对接，根据订单信息、交通状况等信息合理规划配送路线，对飞行器进行配送任务安排. 2024年起，美团在部分城市推行无人机外卖配送.无人机借助人工智能技术，能根据订单地址、路况以及餐厅出餐时间等信息，规划出最优路径，其在某试点区的平均配送时间较传统人力配送时间节约20 min，能够提升配送效率，降低人员接触风险，能为特殊时期物资配送提供高效的方案.

AI技术的应用不仅仅体现在物流配送方面，很多农业生产的环节都能够应用到人工智能技术.通过低空飞行器携带的多光谱相机、AI图像识别技术，能够对农作物生长情况进行监测，包括病虫害识别、土壤墒情分析等等，给农业生产者提供精准化的农业生产决策，实现农业生产管理的精细化、智能化.在黑龙江的一片10 000亩农田中，大疆的农业无人机载着多光谱相机以及AI图像识别系统，定时对农田进行监测，在对数据进行分析的过程中，系统识别出农田中的病虫害类型、范围等信息，及时为农户提供具体的防治方案.使用这套系统之后，这片农田病虫害的防治率提升约\mathrm{35}\mathrm{\%}^［25］.

低空飞行器在自然灾害、突发事件等应急救援应用场景中也可用人工智能技术实现高效率应用，如搭载热成像相机和AI救援算法的低空飞行器可在复杂灾害环境中快速定位受困人员，通过AI规划出最优路径，为救援人员指示前往最优救援位点.同时，实时传输现场图像数据、图像信息分析为指挥中心制定救援策略提供帮助，提升救援效率，护航人民生命财产安全.2025年四川某地地震救援中，搭载热成像相机和AI救援算法的低空飞行器进入灾区，通过分析灾区复杂环境，在1 h内快速搜索到多个被困人员位置，并及时传输信息至指挥中心，救援人员根据无人机规划出的最优路径，快速到达被困人员所在位点，成功解救多批受困群众，提升了救援效率，发挥出人工智能在应急救援中的重要价值.

3 后发先至中的绿色跃迁

3.1 全球竞争格局与差异化优势

低空经济作为一种国家战略性新兴领域，“双碳”战略下AI技术与低空经济融合发展是低碳绿色发展新的切入点.当前，中国、美国与欧盟形成了“三足鼎立”的国际低空经济竞争格局.

美国以顶层牵引力和高水平研发制造先进技术为核心引领发展：2023年《AAM协调与领导》法案将电动垂直起降飞行器（eVTOL）作为联邦层面优先发展项目，由NASA牵头建立的UTM解决了飞控算法、空域融入技术，JobyAviation倾转旋翼机获得FAA特殊适航认证并能做到65 db以下噪声水平.同时，建立了“隔离-混合-集成”三个层次空域模式，在纽约推出eVTOL与直升机混用空域航线，形成了以硅谷区域的11家eVTOL公司和以纽约市的7家机场为双中心，融合低空计划于2026年正式商用化运行体系中出租服务^［26］.

欧盟的法规形成了全球最严格的监管体系.欧盟“欧洲地平线”投入超过2亿欧元，欧洲航空安全局（European Union Aviation Safety Agency， EASA）的SC-VTOL（special conditions -vertical take-off and landing）适航特许条款，是从研发到测试到运营的全生命周期认证法规，突破性地将低碳化的绿色发展标准融入了技术标准，具体表现为，欧盟对采用动力电池飞行的eVTOL进行\mathrm{50}\mathrm{\%}研发经费的扶持；法国要求eVTOL产品的全生命周期内二氧化碳排放相比现有传统低空器少\mathrm{30}\mathrm{\%}；欧洲的U-Space，能让欧盟全境内80 000 m²的区域空域采用分层管理.荷兰鹿特丹物流无人试验运载量提高了\mathrm{40}\mathrm{\%}，布鲁塞尔首个跨境的eVTOL机场显示规则输出的决心.

中国凭借政策驱动、场景创新，后发突围.即使学界对低空经济的定义是在美国与欧盟之后，目前也并未形成统一认识，但因社会与公众需求的驱动，以通用无人机经济为主的低空经济在国内已经历了多年发展.尤其是通用低空智能化改型中，无人机将加速替代有人机，进而主导成为低空经济的主体.天眼查数据显示，国内在近五年内无人机企业新增注册资本4.3×10¹¹元，显示其相关企业发展进入了加速部署低空经济的高潮.随着低空空域改革与信息技术的发展，无人机将加速替代人工的行业渗透与空间替代，面向无人机的低空经济产业将成为焦点与热点.在城市内无人机大规模应用，譬如2023年无人机全国能源电力巡检里程已超1.5×10⁶ km^［27］，实景三维模型建设覆盖城市超过200个^［28］，农田森林植保作业3×10⁹亩次^［2］，应用于智慧城市中交通流量监测，在数字城市中实景三维数据采集，在平安城市中应急救援执法，在UAM中物流配送等.面向无人机应用扩张，中国民用航空局牵头开展无人驾驶航空试验基地（试验区）试点工作^［29］，2020—2022年上海、深圳等20个城市获批成为试验基地，面积与数量均为全球之首，引领无人机城市管理迈入新模式^［2］.

中国凭借制造业体量优势、应用场景优势以及执行产业政策的积极性，在低空经济领域有“后发先至”的现象，但是同美国、欧盟等先行者相比，依然存在低空航路政策标准主导权及低空绿色认证机制的优势不足，需要另辟蹊径.

3.2 AI赋能关键挑战

尽管AI在我国低空经济发展上充满潜力，但仍存在不少挑战，包括国内市场并未掌握AI行业技术标准、受低空经济发展影响的外部问题、算法与能源瓶颈的低效问题等.

3.2.1 AI技术标准话语权缺失

我国印发的《电动垂直起降飞行器适航管理程序》虽然压缩了一半认证时间，但适航认证体系仍相对落后于欧美制定eVTOL适航标准，同时氢动力飞行器、超视距运行等新型技术规范也未达到和国际互认的条件.这在一定程度上增加了中国企业的国际市场销售难度.面向低空经济的应用需要解决的复杂动态环境，如城市低空空域的密集飞行器流和变化多端的天气环境.但主流AI算法如深度学习、强化学习虽然在图像识别、时间序列分析和动态决策等任务上表现出良好的性能，但是高度依赖高质量的大规模数据，而且算法实时计算性弱，对于人工智能算法的限制和约束也不容小觑^［21］.此外，人工智能算法的有效性需要具备高质量数据保障，而低空经济的数据资源收集与整合存在一定困难.如无人机飞行数据、气象数据和空域流量数据来源分散且数据格式标准化不够.上述低空数据存在差异性和碎片化以及完整性不足直接导致人工智能模型训练与部署的精确化不足等问题^［10］.另外，低空经济的人工智能的高算力、高消耗特征也与低空经济的低碳化发展目标存在矛盾冲突.特别是边缘计算、实时处理等工作特征均给低空经济的计算基础设施的提出了更高要求.

3.2.2 空域管理碎片化

从外部发展环境方面看，政策法规及基础设施不完备，低空空域管理模式碎片化严重.一是低空飞行涉及市场监管（生产质量）、工信（通信网络）、公安（黑飞处理）等多个部门，不同监管部门权责冲突，存在权责不分明、数据不互通等现象.二是底座数字不通，各自建平台无法互联、互通，如成都试点“空天地一体化系统”和深圳“低空经济大脑”数据协议不兼容等.三是低空经济发展属于新兴产业，健全的政策法规也是支撑低空经济快速发展的保障措施.但当前低空空域相关法律制度尚不完备，如无人机飞行许可、空域划分和安全管理方面的规定尚不清晰，导致一些商业应用难以按正常途径落地^［30］.四是低空经济基础设施建设落后限制了低空经济产业的大规模运营.其中低空经济关键性基础设施如无人机机场、充电站、空域监控系统等建设严重滞后于市场需求，尤其是城市低空空域的数字化、智能化程度低，难以支撑起大规模的无人机运营.五是社会公众对低空经济认可度较低，当下消费者对如智慧物流、低空旅游等低空经济领域无人机飞行的安全以及隐私性等保障还持疑问，这也在一定程度上限制着低空经济市场需求的释放.

3.2.3 算法与能源效率瓶颈

AI与低空经济融合发展过程中也暴露出一些因技术、政策及实践而造成的阻碍，这些问题的存在成为制约AI与低空经济深度融合，阻碍低空经济智能化、规模化发展的“绊脚石”.算法与能效深度融合存在技术与实践结合的痛点问题，在算法层面，感知算法存在瓶颈，恶劣天气下（大风、雨雾）无人机避障算法稳定性的缺失.在2024年深圳暴雨期间，美团无人机存在一定的误判率.而美国NASA开发的UAM管理系统通过超算仿真百万级场景，误判率控制在\mathrm{5}\mathrm{\%}以内.绿色动力技术滞后，eVTOL动力电池能量密度普遍低于300 Wh·kg^-1，制约载重与航程.德国Lilium采用模块化氢燃料电池，能量密度达450 Wh·kg^-1，而我国混动系统仍依赖传统燃油增程.此外，因整个行业的标准和技术接口未能统一，飞行控制系统、空域管理平台以及AI算法平台存在兼容性，提高了技术融合难度，增加了技术集成的复杂性和成本^［30］.同时，AI技术的引入虽然提升了效率，但也带来了新的安全与隐私风险^［31］.例如，无人机导航数据可能受到网络攻击，进而导致飞行器失控或数据泄露.此外，AI算法的“黑箱”特性使其决策过程难以解释，这在涉及公共安全的应用场景中可能引发信任危机^［32-33］.更为重要的是，AI技术的研发和部署成本较高，而低空经济作为新兴产业，其市场规模尚未完全释放，这使得企业在短期内难以实现投资回报，进一步限制了AI技术的广泛应用.

3.3 “技术-场景-绿色”三角体系　的构建

针对上述挑战，需立足中国应用场景优势，构建AI驱动的低空经济绿色发展路径.

3.3.1 建设自主技术体系

对AI技术本身来说，破解规范壁垒，推动eVTOL、无人机等适航审定国际互认，在深圳、成都等城市试点“场景兼容型认证”，对于农业植保、物流配送等低风险场景，简化认证流程；对载人交通等高风险场景，搭建“数字适航镜像平台”，运用超算模拟出100 000+飞行场景替代\mathrm{30}\mathrm{\%}的测试，推广“亚洲低空标准倡议”，联合东南亚国家构建区域性技术规范，解决空闲领域电池回收的碳核算、AI算法的伦理评价等空白点.另外，构建以深度强化学习为基础的决策系统能有效增强AI系统在高密度空域的智能判断能力；构建多维数据平台对提升模型性能至关重要，该平台要利用包括ADS-B、气象信息、空域流量等多个维度来支撑AI模型训练性能；对AI系统的边缘计算架构做进一步优化降低系统功耗，使得系统更高效地进行实时性运算，确保系统在复杂环境下可靠稳定地运行^［33-34］.

3.3.2 构建智能数字底座

除积极研究和不断完善政策措施之外，应打开“信息孤岛”，借鉴中科星图“全域赋能平台”，完成低空规划、军民融合等方面协作，再破除市场监管、工信、公安等单位的信息壁垒，建设“空天地一体化感知网”，联合5G-A通感基站、低轨卫星等、地面雷达等，建立覆盖3 km以下空域的厘米级精度定位，到2027年，完成全国重点区域覆盖的智联网的建设.研究发现，低空空域管理法律体系的健全建设可以有效给低空经济提供具体发展的政策方向，低空“智能基础设施网络”的建设，无人机机场、充电机及监控系统等基础设施的互相匹配都不可或缺，对市场的培育，以及普及教育也是重要的部分，只有通过有效系统的教育和相关市场的推广才可以让更多的人以更便捷的方式去接受和使用，从而实现有效发展（图4）^［36］.

3.3.3 优化能源结构

融合发展探索中，应该尝试突破绿色技术，发展绿色能源动力，加快氢电混合技术产业化：围绕“太行氢燃料发动机”项目攻关，突破高压储氢罐轻量化、电堆低温启动等关键技术.打造“光储充飞”一体化设施：在通航机场、起降点铺设光伏顶棚，配备储能设施，到2027年绿色能源供电超过\mathrm{70}\mathrm{\%}.另外统一技术标准与接口.研究表明，标准化的技术系统有利于系统和系统间的无缝连接，从而提供高效的综合服务.另外基于可解释AI技术的安全评估机制对于提高用户信任程度具有积极作用.最后建立产学研协同创新机制，可以充分利用多方的力量和资源来降低成本，快速对新技术进行开发并推向市场^［2］.

我国低空经济崛起的本质就是“技术红利”和“制度创新”共振，以三大工作为总体部署，就能够较好解决目前的主要矛盾，即政府、企业、包括科研单位携手，通过共建技术、政策和市场三大技术发展系统这样一个联动发展的创新发展生态，实现在低空经济的新兴战略赛道上续写“后发先至”到“全面领先”的绿色奇迹.

3.3.4 整合机理模型

通过以上对于核心技术的研究发现，AI技术在低空经济的应用已经由各自的技术“点式突破”转变为“协同运行”.如飞行器通过机器学习算法故障预测准确率达到\mathrm{90}\mathrm{\%}以上，减少维护成本与资源浪费；城市低空物流通过CNN算法准确识别建筑物，减少\mathrm{35}\mathrm{\%}农药使用量；数字孪生技术缩短新型飞机研发周期\mathrm{30}\mathrm{\%}以上，提前识别设计缺陷.这些技术创新将成为后续场景应用实现可大规模绿色转型的基础.新兴技术应用在新兴场景想要实现绿色产出，并不是一帆风顺的，它必须从系统边界和产业环节着眼点，将AI技术能力簇与典型场景映射到可优化的绿色产出指标，建立AI·低空·双碳的整合机理模型，如图 5所示的三角逻辑量化升级图，使AI等新兴技术对于可量化支撑双碳目标的路径得以明确.即在三角体系中，AI技术通过感知—决策—执行链路，提升低空运行效率与飞行安全，通过数字孪生与预测性维护降低资源冗余与故障成本，通过任务调度与航线优化降低单位任务能源消耗与碳强度，从而可支持双碳目标的达成. 以物流应用场景为例，基于多智能体任务分配与路径优化可以在同等任务负载下减少航时与等待时间，结合AI技术的动力管理的eVTOL的能效相比同等电量可在同样执行任务距离上延长40%航时，同样的航线在“飞的”的通勤场景也可以在同样电力提供同样的服务能力的情况下减少30%碳排放；相似的应用对于通航航空飞行训练、植保等场景进行整合评估与筛选，在此基础上，支持空地资源双降损^［37］.

4 结语

本文在综述低空经济相关研究的基础上，凝练“技术—场景—绿色（双碳）”耦合机理：以感知—决策—执行链为核心，把边缘智能和数字孪生嵌入物流、应急、农业等场景下，并以任务能耗、能耗强度与排放因子为统一指标口径，实现算法优化、UTM数据底座及绿色能源一体化的协同路径，弥补现有工作在“三者整合”与“指标口径-治理落地”之间的断裂，在应用场景实现“效率-安全-能耗”三元优化，进而提出“场景适配型认证-智能数据与UTM底座-绿色能源与能效一体化”的实施方案，为低空经济在双碳目标下的规模化与安全高效运行提供可执行指南.

未来，低空经济要顺应以AI技术与低空技术深度融合为代表的新一轮智能化趋势，以支撑“双碳”目标达成，探索中国低空经济创新的路径.聚焦产业应用场景创新与政策环境的塑造，以规模化模式应用为基础，以智能绿色化为特征，探索并拓展中国特色的低空经济场景模式.下一步应聚焦场景模式应用过程中的AI算法架构结构模式设计与实现，以及AI低空技术与系统绿色低碳、智慧绿色能源系统等技术研发应用模式，大力推进智能高效、数字互联的低空基础设施环境构建，探索与拓展包括智能立体物流、智能立体交通、智能智慧城市绿色生态监测和维护应用场景等模式的发展.

当前，还存在工业发展急需的技术标准体系尚不健全，空域资源管理统筹力度不够，算能比不足等问题.可以构建政产学研联合攻关机制，加快实现自主可控关键技术算法、芯片的研发；加快低空空域分类管理推进监管国际标准；探索建立“风光储充”能源网突破绿色环保动力的产业化.推进制度、技术双轮驱动发展夯实筑牢安全基础.

在探索实现人类碳中和梦想的时代背景下，中国仍应加强统筹规划，完善规划布局，抓紧完善科技创新研发、应用场景试验、标准体系建设-验证-反馈-再设计的低空经济全链条和生态体系，重点培养国际性的龙头企业；加强低空经济和数字经济、绿色经济的合作，助推其高质量发展，最终形成良性循环的发展格局.在政府引导、市场主导的力量下，我国低空经济的未来一定是智慧的、绿色的和包容的，能够为构建人类命运共同体增添能量和助力.

参考文献

[1] KABASHKIN I， MISNEVS B， ZERVINA O. Artificial intelligence in aviation： new professionals for new technologies［J/OL］. Applied Sciences， 2023， 13（21）［2025-07-23］.

[2] 廖小罕，徐晨晨，叶虎平. 低空经济发展与低空路网基础设施建设的效益和挑战［J］. 中国科学院院刊， 2024， 39（11）： 1966-1981.

[3] LIAO X H， XU C C， YE H P. Benefits and challenges of constructing low-altitude air route network infrastructure for developing low-altitude economy［J］. Bulletin of Chinese Academy of Sciences， 2024， 39（11）： 1966-1981. （Ch）.

[4] XIA X Y， FATTAH S M M， BABAR MALI. A survey on UAV-enabled edge computing： Resource management perspective［J］. ACM Computing Surveys， 2024， 56（3）： 1-36.

[5] SINGH R， GILL S S. Edge AI： a survey［J］. Internet of Things and Cyber-Physical Systems， 2023， 3： 71-92.

[6] JANßEN M， PFANDZELTER T， WANG M H， et al. Supporting UAVs with edge computing： a review of opportunities and challenges［DB/OL］. （2023-10-18）［2025-07-23］.

[7] APOSPORIS P. A review of global and regional frameworks for the integration of an unmanned aircraft system in air traffic management［J/OL］. Transportation Research Interdisciplinary Perspectives， 2024， 24［2025-07-23］.

[8] BANEA M， KULJANIN J， LEGRIFFON I， et al. Measuring U-space social and environmental impact［DB/OL］. （2024-12-06）［2025-07-23］.

[9] STOLAROFF J K， SAMARAS C， O’NEILL E R， et al. Energy use and life cycle greenhouse gas emissions of drones for commercial package delivery［J/OL］. Nature Communications， 2018， 9［2025-07-23］.

[10] KASHYAP R. Artificial intelligence systems in aviation［M］//SHMELOVA T， SIKIRDA Y， RIZUN N， et al. Cases on modern computer systems in aviation. New York： IGI Global， 2019： 1-26.

[11] XIE Y B， PONGSAKORNSATHIEN N， GARDI A， et al. Explanation of machine-learning solutions in air-traffic management［J/OL］. Aerospace， 2021， 8（8）［2025-07-23］.

[12] DEGAS A， ISLAM M R， HURTER C， et al. A survey on artificial intelligence （AI） and eXplainable AI in air traffic management： Current trends and development with future research trajectory［J/OL］. Applied Sciences， 2022， 12（3）［2025-07-23］.

[13] ZHOU L， YIN H， ZHAO H T， et al. A comprehensive survey of artificial intelligence applications in UAV-enabled wireless networks［J］. Digital Communications and Networks， 2024［2025-07-23］.

[14] SARANTINOUDIS N， VITZILAIOS N， ARAMPATZIS G. Applications of digital twins in UAVs［C］//2024 International Conference on Unmanned Aircraft Systems （ICUAS）. June 4-7， 2024， Chania-Crete， Greece. IEEE， 2024： 450-457.

[15] TIKHONOV A I， SAZONOV A A， KUZMINA-MERLINO I. Digital production and artificial intelligence in the aircraft industry［J］. Russian Engineering Research， 2022， 42（4）： 412-415.

[16] YANG C Y， HUANG C Y. Natural language processing （NLP） in aviation safety： systematic review of research and outlook into the future［J/OL］. Aerospace， 2023， 10（7）［2025-07-23］.

[17] 杨秀娟， 曾智勇. 基于YOLOv5的无人机航拍改进目标检测算法Dy-YOLO［J］. 福建师范大学学报（自然科学版），2024，40（1）： 76-86.

[18] YANG X J， ZENG Z Y. Dy‑YOLO: improved UAV image target detection algorithm base on YOLOv5［J］. Journal of Fujian Normal University (Natural Science Edition), 2024， 40（1）： 76-86.（Ch）.

[19] KULIDA E， LEBEDEV V. About the use of artificial intelligence methods in aviation［C］// 2020 13th International Conference “Management of large-scale system development” （MLSD）. September 28-30， 2020， Moscow， Russia. IEEE， 2020： 1-5.

[20] TEIXEIRA K， MIGUEL G， SILVA H S， et al. A survey on applications of unmanned aerial vehicles using machine learning［J］. IEEE Access， 2023， 11： 117582-117621.

[21] SINGH G， PASHCHAPUR R A， BALLAL H. Recent trends on UAS-UTM ecosystem and integration challenges［C］//2024 International Conference on Unmanned Aircraft Systems （ICUAS）. June 4-7， 2024， Chania - Crete， Greece. IEEE， 2024： 529-537.

[22] HOSSEIN MOTLAGH N， TALEB T， AROUK O. Low-altitude unmanned aerial vehicles-based Internet of Things services： comprehensive survey and future perspectives［J］. IEEE Internet of Things Journal， 2016， 3（6）： 899-922.

[23] LI S. Analysis of the prospect of new energy and low-altitude economy industry combination under the background of low-carbon economy［J］. Academic Journal of Business & Managemen， 2024， 6（8）： 179-183.

[24] HURTER C， DEGAS A， GUIBERT A， et al. Usage of more transparent and explainable conflict resolution algorithm： air traffic controller feedback［J］. Transportation Research Procedia， 2022， 66： 270-278.

[25] CHA G W， MOON H J， KIM Y C. Comparison of random forest and gradient boosting machine models for predicting demolition waste based on small datasets and categorical variables［J/OL］. International Journal of Environmental Research and Public Health， 2021， 18（16） ［2025-07-23］.

[26] WELLS J Z， PURANIK T G， KALYANAM K M， et al. Prediction of aircraft estimated time of arrival using a supervised learning approach［J］. IFAC-PapersOnLine， 2023， 56（3）： 43-48.

[27] TAFUR C L， CAMERO R G， RODRÍGUEZ D A， et al. Applications of artificial intelligence in air operations： a systematic review［J/OL］. Results in Engineering， 2025， 25［2025-07-23］.

[28] WARGO C A， CHURCH G C， GLANEUESKI J， et al. Unmanned Aircraft Systems （UAS） research and future analysis［C］//2014 IEEE Aerospace Conference. March 1-8， 2014， Big Sky， MT， USA. IEEE， 2014： 1-16.

[29] SKORUP B. Drone technology， airspace design， and aerial law in states and cities［R］. Arlington： George Mason University， 2020.

[30] 韩瑞玲. 基于空域资源时空优化配置的航空碳减排研究［J］. 地球科学进展， 2023， 38（3）： 309-319.

[31] HAN R L. Research on aviation carbon emission reduction based on optimal spatial and temporal allocation of airspace resources［J］. Advances in Earth Science， 2023， 38（3）： 309-319. （Ch）.

[32] ORTNER P， STEINHÖFLER R， LEITGEB E， et al. Augmented air traffic control system-Artificial intelligence as digital assistance system to predict air traffic conflicts［J］. AI， 2022， 3（3）： 623-644.

[33] PÉREZ-CASTÁN J A， PÉREZ SANZ L， FERNÁNDEZ-CASTELLANO M， et al. Learning assurance analysis for further certification process of machine learning techniques： case-study air traffic conflict detection predictor［J/OL］. Sensors， 2022， 22（19）［2025-07-23］.

[34] HASHEMI S M， HASHEMI SALI， BOTEZ R M， et al. Aircraft trajectory prediction enhanced through resilient generative adversarial networks secured by blockchain： Application to UAS-S4 ehécatl［J/OL］. Applied Sciences， 2023， 13（17）［2025-07-23］.

[35] MADEIRA T， MELÍCIO R， VALÉRIO D， et al. Machine learning and natural language processing for prediction of human factors in aviation incident reports［J/OL］. Aerospace， 2021， 8（2）［2025-07-23］.

[36] ROSE R L， PURANIK T G， MAVRIS D N. Natural language processing based method for clustering and analysis of aviation safety narratives［J/OL］. Aerospace， 2020， 7（10）［2025-07-23］.

[37] LEE H， MADAR S， SAIRAM S， et al. Critical parameter identification for safety events in commercial aviation using machine learning［J/OL］. Aerospace， 2020， 7（6）［2025-07-23］.

[38] TIKAYAT RAY A， BHAT A P， WHITE R T， et al. Examining the potential of generative language models for aviation safety analysis： case study and insights using the aviation safety reporting system （ASRS）［J/OL］. Aerospace， 2023， 10（9）［2025-07-23］.

[39] DOĞRU A， BOUARFA S， ARIZAR R， et al. Using convolutional neural networks to Automate aircraft maintenance visual inspection［J/OL］. Aerospace， 2020， 7（12）［2025-07-23］.

[40] KABASHKIN I， MISNEVS B， PUPTSAU A. Transformation of the university in the age of artificial intelligence： Models and competences［J］. Transport and Telecommunication Journal， 2023， 24（3）： 209-216.

基金资助

国家自然科学基金项目(62465014)

赣鄱俊才支持计划‑主要学科学术和技术带头人项目(20232BCJ23096)

江西省自然科学基金项目(20232BAB212016)

江西省自然科学基金项目(20224BAB202006)