本文来自微信公众号： 太空与网络 ，作者：老谭
谈到中国AI+航天应用，常见叙事是：中国有卫星、有算法、有巨大场景，却缺少能够对标海外公司的产品。
这句话有一定道理，但不能把现实简化成“国外已经产品化，中国仍然只卖数据”。
应急管理部已经利用应急减灾卫星和民商卫星开展洪涝、火灾、地质灾害和基础设施损毁监测；农业农村部门使用卫星遥感监测耕地种植情况；电网企业也在把卫星、无人机和地面感知结合起来进行线路风险巡查。
中国缺的不是第一批案例，而是把案例变成标准产品的能力。
···
一、已有应用为什么还没有形成规模产品
专项工程通常围绕一次任务、一个地区或一个客户建设。项目可以解决当下问题，却不一定能直接复制到下一位客户。
原因包括数据来源不同、业务口径不同、系统接口不同，以及验收标准不统一。一个在某省洪灾中表现不错的模型，换到另一地区后可能受到地形、建筑和影像条件影响，需要重新调整。
此外，客户需要的往往不只是识别结果。应急部门不只想知道哪里被淹，还要判断道路是否可通、哪些乡镇需要优先核查；保险公司不只想看到作物受灾，还要把结果对应到保单和赔付规则；电网企业也不只需要一张风险图，而要生成巡检工单并跟踪处置。
产品化的难点，不是把模型做成一个网页，而是把结果接到客户接下来要做的事情上。
···
二、应急减灾：从灾害识别走向影响评估
应急减灾是中国卫星应用基础较好的场景之一。
应急减灾二号卫星能够支持洪涝水体、森林火点、滑坡堰塞湖和大型基础设施损毁等监测。2025年，应急管理部还披露，正在发挥民商卫星资源优势，完善卫星遥感应急监测机制，并结合社会无人机力量支持灾情研判和救援作业。
下一步的产品机会，不是重复建设一个“看灾害的地图”，而是缩短从观测到行动的距离：
自动汇集灾前、灾中和灾后影像；
识别淹没、滑坡、道路中断等变化；
叠加人口、建筑、农田和交通数据；
按行政区和任务优先级生成核查清单；
记录结果来源、置信度和人工修订过程。
这样交付的就不再是“洪水范围提取算法”，而是一套灾情快速研判工具。
但系统也不能直接替代现场核查。卫星适合提供大范围线索，基层信息、无人机和现场调查负责确认具体损失。真正可用的产品必须允许多种信息相互校验。
···
三、农业：最大的机会在规模管理，不只在服务单个农户
中国农业经营主体多、地块差异大，直接向大量小农户销售单独的卫星AI订阅并不容易。
更现实的客户包括农业农村部门、农垦和大型经营主体、保险机构、粮食企业及农业服务平台。
农业农村部已经要求利用卫星遥感等技术开展耕地种粮情况监测，高标准农田建设规划也提出构建天空地一体化监测监管体系。2024年，中央财政安排562亿元农业保险相关预算，其中超过200亿元支持三大主粮保险发展。
这些政策和业务形成了真实需求，但卫星AI必须回答具体问题：
哪些田块种了目标作物；
哪些区域出现旱涝、倒伏或长势异常；
申报面积与实际种植是否一致；
灾后哪些保单需要优先查勘；
监测结果能否被复核并用于支付。
农业产品不能只给出一个“95%准确率”。不同地区、作物和季节的数据条件不同，更重要的是明确误差范围、抽检方法和争议处理机制。
···
四、基础设施：用卫星筛选风险，用现场力量完成处置
中国拥有大规模铁路、电网、管网和水利设施。卫星遥感适合做广域、周期性筛查，无人机和人工则适合做局部、高精度核查。
国网电力空间技术有限公司已经具备调用多颗遥感卫星数据资源的能力，电网企业也在探索卫星遥感、无人机和可视化监控结合的巡检体系。
这一场景最适合采用“卫星初筛—无人机复核—现场处置”的分层模式：
卫星发现大范围地表变化、施工活动、植被和地质风险；
无人机对重点区段进行精细检查；
现场班组确认并处理隐患；
结果回到资产管理系统，形成持续更新的风险档案。
产品能否成功，取决于它是否减少了无效巡查、提高了问题发现率，并顺利接入已有工单系统。只展示识别截图，无法形成长期采购。
···
五、四个产品化瓶颈
第一，数据能用，但不一定容易组合
遥感影像、人口、道路、保单、资产台账和现场调查数据分别属于不同机构。产品要产生业务结果，通常必须同时使用多类数据。
因此，问题不只是“数据是否开放”，还包括授权范围、更新频率、坐标和字段标准，以及能否在安全合规前提下完成关联。
第二，项目有验收，产品缺少统一评价
算法论文可以比较精度，业务系统却需要比较响应时间、漏报风险、人工工作量和最终处置效果。
如果没有场景化评价标准，客户很难比较供应商，优秀产品也难以证明价值。
第三，结果能展示，却未接入后续流程
很多系统停在可视化大屏。真正的产品还要生成工单、报告、核查任务或赔付建议，并把处理结果重新反馈给系统。
没有反馈闭环，模型就无法知道哪些预警有用、哪些只是误报。
第四，每个项目都重新定制
定制可以帮助企业拿到第一批客户，但如果接口、模型和报告都要从头开发，收入就会一直依赖项目人力。
规模化需要把共性能力做成模块，只把地区规则、数据源和业务参数留给配置。
···
六、从一个具体工作流开始，而不是先做大平台
创业公司最容易犯的错误，是一开始就建设覆盖应急、农业、环保和基础设施的“遥感AI平台”。
更可靠的路径，是选择一个高频、可验证、有人负责的工作流。例如：
洪灾发生后24小时内形成重点核查清单；
农业保险报案后自动筛选需要现场查勘的田块；
输电线路周边出现施工或地质变化后生成巡检任务；
耕地用途变化后形成待复核图斑。
一个工作流跑通后，再复用数据接入、任务管理、人工复核和报告生成能力，扩展到相邻场景。
这比先建设一个功能庞杂的平台更慢，却更容易找到真实预算和持续使用者。
···
七、不同角色应该补上什么
政府和行业客户：采购服务结果，而不只采购数据
采购文件应尽量描述业务目标、交付时间、核验方式和责任边界，让供应商围绕结果设计方案。
这不意味着现有制度“不能采购AI服务”，而是需要更清楚地定义服务内容，避免合同只写数据数量，却没有说明客户最终要得到什么。
企业：把模型、软件和行业服务放在同一个产品里
客户不会为了使用AI而改变全部工作方式。产品需要兼容已有流程，并保留人工复核、结果解释和异常回退。
真正稀缺的人才也不只是同时懂遥感和算法，而是能够与客户一起把业务规则写成产品逻辑的人。
科研机构：提供可复现的基准和验证方法
公共数据集、仿真环境和场景化评测能够降低重复研发成本。评价不仅要看识别精度，也应包括跨区域泛化、响应时效和不确定性表达。
投资者：先看客户使用，再看技术演示
判断团队时，可以重点关注：谁拥有预算、产品多久使用一次、结果是否进入正式流程、续约是否依赖重新招标，以及新增客户需要多少定制工作。
一个模型指标领先的团队，不一定比真正减少客户工作量的团队更有商业价值。
···
结语：让卫星分析成为工具，而不是演示
中国已经拥有丰富的卫星数据、行业场景和工程团队。下一步最重要的，不是再证明AI能够识别洪水、农田或施工活动，而是让识别结果成为客户可以稳定依赖的工具。
从场景到产品，中间隔着的不是一个更大的模型，而是一整套业务工程：数据怎样进入、结果怎样验证、任务怎样下发、错误怎样处理、价值怎样衡量。谁能把这条链路做完整，谁才可能把中国的场景优势转化成产品优势。
子专题5到这里完成了从国外场景、产业逻辑到中国启示的讨论。下一个子专题将继续观察，AI与航天结合后，如何形成更广泛的产业生态和协作网络。
主要参考资料
应急管理部：应急减灾二号卫星与卫星遥感应急监测资料
农业农村部：耕地种粮遥感监测与高标准农田建设规划
财政部：农业保险保费补贴政策资料
国家电网：卫星遥感、无人机与输电线路巡检资料