AI研究员与企业家，专注于计算机视觉、自主无人系统与人工智能
一架比笔记本电脑还便宜的无人机就能让一座国际机场瘫痪。2025年秋天，欧洲以惨痛的方式认识到了这一点。在数周时间里，来历不明的无人机迫使哥本哈根和奥斯陆、慕尼黑以及其他一系列机场和军事基地反复关闭，导致航班停飞、飞机改道、数千名乘客滞留，并引发跨境紧急应对。仅慕尼黑一起事件中，就有十七个航班停飞，约3,000名乘客受到影响。没有投放任何载荷。没有开一枪。仅仅是一架无人能识别的飞行器的存在，就足够了。
这种不对称性——一台千元级机器造成数百万美元的后果——是当今安全领域最重要的事实。它解释了为什么反无人机系统（C-UAS）在短短几年内，从一个小众的国防奇趣话题变成了机场、公用事业、港口、监狱、体育场馆和政府的董事会级优先事项。它也解释了为什么该领域最有趣的问题不再是是否要防御空域，而是如何可靠、自主且大规模地看清空域中有什么。
本文为这个问题提出一个明确的答案：一个仅使用视觉数据和计算机视觉来检测、分类和跟踪空中威胁的AI“大脑”。
第一部分：为什么我们需要反无人机系统，以及为什么是现在
无人机威胁不再是假设性的，也不再是罕见的。几个数据点勾勒出了它的轮廓：
在美国，仅2025年第一季度，FAA就记录了411起美国机场附近的非法无人机入侵事件，该机构表示每月仍收到超过100起机场附近的无人机目击报告。
据NORAD和美国北方司令部负责人称，2024年，美国100个不同军事设施共记录了超过350起无人机探测事件。
多年来，无人机一直被用于攻击关键基础设施，包括2020年一起试图用拖曳铜线的无人机使宾夕法尼亚州一座变电站短路的事件，联邦机构称这是已知首例改装无人机针对美国能源基础设施的案例。
有组织犯罪已将无人机走私产业化。仅在佐治亚州，当局就在一项多州联合行动中逮捕了约150人，该团伙利用无人机向监狱运送毒品、手机和武器。
叠加在这一民用图景之上的是战场。在乌克兰，小型廉价无人机已成为现代战争的核心，西方和乌克兰官员估计，无人机现在造成约70%至80%的战场伤亡，不过这些数字主要来自官方声明，而非独立核实的数据。那场冲突已成为无人机攻击和无人机防御的活体实验室，其经验教训正直接传播到每个西方军队的采购计划中。
经济账才是让这个问题变得持久而非暂时性的原因。传统安全支出以概率为依据：攻击发生的可能性有多大？无人机风险则将这一逻辑翻转为后果：哪怕一次中断的代价有多高？当尝试攻击的门槛是一架业余级四旋翼无人机，而应对成本是整座机场关闭、一次 perimeter sweep 以及一份公开的脆弱性记录时，即使实际上什么都没被摧毁，攻击者也是赢家。换句话说，反无人机能力正变得不再像一次性硬件采购，而更像网络安全监控——一层永久的运营韧性。
三股力量正在汇聚，将这种认识转化为一个市场。
威胁正在升级且显而易见。2025年欧洲机场浪潮被广泛解读为对手以极低成本和可否认性试探西方防御；丹麦当局公开将哥本哈根事件视为对关键基础设施的可能混合攻击。这正是迫使政府采取行动的那种不对称压力。
监管终于跟上来了。多年来，民用空域中的约束性限制不是技术，而是权限。对大多数运营者来说，干扰一架飞机——即使是敌对的飞机——完全是非法的。这种情况正在改变。在美国，《SAFER SKIES Act》被纳入FY26《国防授权法案》，并于2025年12月18日签署成为法律，为经过培训和认证的州、地方、部落和领地执法及惩教机构提供了一条合法途径，以探测、跟踪和缓解对人员、关键基础设施、重大活动或监狱构成可信威胁的无人机。与此同时，FAA于2026年5月发布了一项期待已久的拟议规则，将允许关键基础设施设施申请在其场地上空实施无人机飞行限制。在2026年FIFA世界杯之前，FEMA向主办州和国家首都地区授予了首批2.5亿美元的反无人机拨款。
资金已经到位。预测因方法而异，但都指向同一方向：急剧、持续的增长。2026年C-UAS支出的估计范围从大约40亿美元到超过140亿美元不等，未来几年的复合年增长率集中在约18%至26.5%之间。噪音中的信号是合同流：2026年3月，美国陆军授予Anduril一份为期十年的企业合同，上限高达200亿美元，其首个任务订单是反无人机指挥与控制订单。据报道，仅2026年第一季度，全球公开宣布的C-UAS合同就超过290亿美元。
日益增长的威胁、清晰的法律路径，以及大量资本的涌入。这就是为什么是现在。
第2部分：没人谈论的探测问题
大多数关于反无人机系统的公开讨论都集中在“杀伤链”的戏剧性末端——干扰器、网捕、激光、动能拦截器。但你无法中和你看不到的东西，而探测正是该领域真正挣扎的地方。探测无人机有四种经典方法，每一种都有其关键的失效方式。
射频（RF）传感器监听无人机与其操作员之间的通信链路。它们是被动的、廉价的，有时甚至能通过指纹识别出无人机的具体型号。但它们都有一个致命假设：无人机在发射信号。RF拦截对几乎不辐射信号的自主平台无效。
雷达探测的是物体而非信号，因此它看到静默无人机的方式与任何其他移动物体相同。其问题在于区分能力。小型消费级四旋翼的雷达截面积通常与鸟类相似，这推高了误报率。在密集城市环境中，杂波和靠近地形的低空飞行可能使雷达完全无法发现低空飞行的威胁。
声学传感器识别螺旋桨和电机的声学特征。它们成本低廉，并在乌克兰经过大规模实战验证，但探测距离短，在嘈杂环境中性能下降，而最新、最安静的无人机正是为规避它们而设计的。
光电和红外（EO/IR）摄像机提供视觉确认，这是其他模态无法提供的。然而，在经典架构中，摄像机被降级为辅助角色：一个由其他传感器引导至可能位置的云台单元，然后由人工操作员盯着画面判断是否为威胁。EO是目击者，而非侦探。
更深层的问题是误报。这是已部署C-UAS中最被低估的现实之一：一个调校得足够激进以捕捉每一架小型无人机的系统，会产生如此多的干扰性警报——包括鸟类、天气、昆虫、反射——以至于操作员不再信任它。警报疲劳随之而来，真正的威胁开始被忽视。一个“狼来了”的反无人机系统比没有系统更糟，因为它制造了攻击者所需的恰恰是那种自满情绪。（我在《鸟还是无人机？反无人机中最难的分类问题》中对此进行了更深入的探讨。）
第3部分：频谱正在变暗
视觉优先方法的最有力论据并非替代方案的弱点。而是一种趋势：威胁正朝着使非视觉模态过时的方向演变。
射频检测和射频干扰的全部前提是无人机与电磁频谱绑定。这一前提正在崩塌。
完全自主无人机通过惯性测量、光流和机载视觉进行导航。它们起飞、执行任务并返回，全程无需与操作员通信。预编程任务完全不需要链路，这意味着没有可检测的指挥控制信号，也没有可干扰的链路。
光纤系留无人机，目前在乌克兰双方广泛使用，在操作员和飞行器之间运行一条字面意义上的物理发丝细线缆。它们完全与频谱解耦，对射频探测器不可见，并且从设计上免疫于射频干扰器。
拒止GPS和视觉引导导航意味着无人机可以在卫星导航不可用或被主动欺骗的环境中精确飞行，从而消除了对手可能利用或防御者可能检测的又一个信号。
直白地说：下一代威胁将是射频静默的。主要建立在监听无线电发射之上的防御架构，是在准备打上一场战争。面对一架黑暗中的自主无人机，你只剩下两种无法被关闭的物理现象：物体反射光，以及物体具有在空间中移动的形状。这两者都是计算机视觉的天然领域。
第4部分：为什么选择纯视觉，以及为什么它必须等待现代AI
视觉优先的检测大脑具有一系列结构性优势，随着威胁演变，这些优势看起来越来越具有决定性。
它是被动的。摄像头不发射任何东西。它不宣告自身存在，不干扰无线电频谱，不需要传输许可，也无法被它所监视的无人机检测到。对于保护敏感场所而言，隐蔽且无辐射是一种特性，而非脚注。
它回答了法律上唯一重要的问题。检测告诉你某物在那里。分类告诉你它是什么。而视觉层是能够区分武器化威胁与爱好者、送货无人机或授权测绘平台的那一层。你不会干扰一架警用无人机。根据新的缓解授权，法律触发条件是“可信威胁”，而确立可信性从根本上是一个感知与分类问题，而非信号检测问题。
它在正确的层面上解决了鸟类问题。雷达将四旋翼与鱼鹰混淆，因为对雷达而言，它们是大小相似的斑点。视觉模型不推理雷达截面积。相反，它推理外观、结构和运动。鸟会拍翅；四旋翼保持刚性并通过旋转旋翼悬停。基于语义和运动的区分从源头攻击误报问题，而不是事后用传感器融合来掩盖它。
它是软件定义且可扩展的。摄像头是商品化硬件。智能存在于模型中，这意味着能力通过软件更新而非推倒重来的硬件升级来提升。新威胁类型？重新训练并重新部署。这与雷达和效应器硬件栈相比，是一条截然不同且更便宜的成本曲线，也是唯一能够在不花费巨额单次拦截成本的情况下应对千元无人机的经济模型。
那么为什么纯视觉尚未胜出？因为在反无人机的大部分历史中，摄像头无法成为大脑。广域视觉扫描在计算上不可行，分类不够可靠，无法在没有人类的情况下信任，而基于帧的摄像头在帧与帧之间实际上是盲的。光电传感器需要雷达来指向它，需要人来解读它。
这一限制正是最先进的AI所消除的。现代目标检测实时运行。边缘推理将这种能力放在传感器旁的小型伴生计算机上，而不是遥远的数据中心。剪枝和优化可以将检测模型缩小约五分之一或更多，同时提高准确率，因此它们能适配嵌入式硬件并快速运行；近期剪枝和量化检测器报告在Jetson级边缘设备上端到端延迟约为36毫秒，完全在小型快速目标所需的数十毫秒预算之内。新兴的神经形态、基于事件的视觉传感器通过以微秒级时间分辨率报告变化，基本消除了帧间盲点问题，而细粒度运动分析可以读取目标的振荡特征：小型无人机的螺旋桨以大约1,000到6,000 rpm旋转，产生的频率对鸟类和其他空中物体来说不常见，这使系统能够区分机器与动物。
换句话说，摄像头终于可以从目击者晋升为侦探了。瓶颈从来都不是镜头，而是镜头背后的大脑，而那个大脑现在已经存在了。
第5部分：最先进的空中威胁大脑实际上必须做什么
论证纯视觉检测的合理性是容易的部分。构建能够实现这一目标的大脑才是困难的部分，而值得具体说明的是，这里的“最先进”意味着什么。一个严肃的视觉优先 C-UAS 感知系统必须在边缘端实时串联多项能力：
在杂乱且不断变化的天空背景中检测小型、快速、低对比度目标，这是目标检测中真正困难的一端，目标可能只有几个像素。
在帧间持续跟踪每个候选目标，在遮挡和机动过程中保持身份，通常使用运动估计滤波器，例如扩展卡尔曼滤波器，来预测目标下一步的位置。
以足够高的置信度对它所看到的目标进行分类，以便采取行动：无人机、鸟类、有人驾驶飞机还是授权平台，并且要以足够低的误报率做到这一点，使操作员持续信任这些警报。
在足够紧凑、足以应对数秒内穿越天空目标的延迟预算内做出决策并升级处置。
集成到作战图景中，输出标准化的态势感知结果（例如 Cursor-on-Target / TAK 消息），使检测结果接入现有指挥控制、视频管理和响应系统，而不是孤立存在。
决定这类系统是否真正有用的不起眼指标是误报率，尤其是鸟类误报率。一个对每只海鸥都触发警报的检测器是负担；而一个能够自信排除鸟类的分类器，才能把原始检测转化为可信情报。这是视觉优先系统必须被评判的基准，也是如果处理得当，就会成为其决定性优势的基准。
底线
无人机威胁正在升级，应对它的法律授权终于到来，资本也在大量涌入。在这种背景下，检测层正悄然成为决定性的战场，而威胁也正朝着那种静默、自主、与频谱解耦的机器演进，从而击败业界一直依赖的射频甚至雷达方法。
无法被关闭的是光和形状。无人机会反射光子，并让一个实体在空间中移动，而这些正是视觉系统读取的信号。在该领域的大部分历史中，摄像头缺乏仅凭这些信号采取行动的智能。最先进的 AI 改变了这一点，将被动、低成本、软件定义的传感器转变为自主大脑，使其能够看到空中威胁、识别它、跟踪它，并将其移交以进行响应。
这就是一个仅凭视觉就能检测空中威胁的 AI 大脑的论据。它不是作为附加在雷达上的确认层，而是作为面向一代旨在对其他一切不可见的威胁的主要感知手段
用于构建智能家居 AI 的物理服务器与云服务器
关于作者
AI 研究员与企业家，专注于计算机视觉、自主无人系统和人工智能
转载声明：本文为转载整理，原文版权归原作者及原站点所有。
原文来源：Hacker Noon
原文作者：vishwa vimukthi gammuduwaththage；如有侵权，请联系管理员删除。
