中小型无人机的短板，从来不在机身，而在动力。传统锂电池能量密度提升缓慢，多旋翼电动平台续航普遍只有三四十分钟到一小时，撑不起长距离巡检、物流与靶机这类任务，市场对涡喷、涡扇等燃油动力的需求因此快速抬头。但燃油发动机眼下仍靠基于固定参数的PID控制律运转：油门一旦快速突变、飞上高空稀薄大气，这类非线性工况就让推力响应与燃油经济性难以兼得，为了不把发动机推入喘振，控制系统还不得不保守地限制供油，于是动态响应和任务效率又被进一步牺牲掉。要更猛的动力，就得冒更险的工况；要安全，就得让出性能——这道两难，是行业迟迟没解开的结。
另一重负担来自维护。绝大多数中小型航空发动机至今仍按固定周期保养，系统并不清楚涡轮叶片、轴承这些关键部件此刻究竟退化到了什么程度：定期维护因此常常是过度维护，钱花在不必动的部件上；而真正可能引发非计划停飞的隐患，又未必赶得上下一次保养窗口。对一支要靠出勤率说话的无人机队来说，这种“看不清状态、只能按时拆检”的模式，直接压在全生命周期的成本与可用性的账上。
更难绕开的是供给。这一推力级别的动力，长期要么依赖进口，要么握在体制内院所手里，市场化的国产供给存在明显缺口；国外同类产品——捷克的PBS Velká Bíteš、德国的JetCat等——价格通常是国产的三到五倍，供货周期长，还随时可能因地缘政治因素断供。工信部等四部门已经把话挑明：到2027年，无人机核心部件的自主供给率要提到70%以上。需求是现成的，约束是硬的，缺的是一条既能自主、又足够聪明的技术路径。
这三件事其实指向同一个缺口：一套既能把动力性能榨出来、又不至于拿安全冒险，还能实现国产的中小型航空动力方案。玉踪科技想填的正是这个缺口，而它切入的方式，是把人工智能放进发动机的控制回路里——只是第一步，先想清楚怎么把AI管住。
让AI接管控制，前提是先把它关进“安全笼”
玉踪科技选择的技术路线是安全约束深度强化学习（Safe RL）。团队没有一上来就追新算法，而是把SAC、TD3、PPO等主流的强化学习控制算法逐一对比：SAC探索效率高但训练不够稳，TD3的确定性输出适合控制却样本利用率偏低，最后落在PPO上——因为PPO在策略更新时靠裁剪机制天然给出了一层信赖域约束，方便再往上叠安全屏障函数（CBF）、动作限幅和独立的保护逻辑。换句话说，AI的每一条控制指令在被执行前，都要先穿过一道预设的安全边界，超出范围就作废。
这里有个和直觉相反的设计：AI并不拥有最终拍板权。玉踪科技采用的是“AI建议、传统控制器裁决”的双余度架构，AI的输出要经安全包络监视器校验后才放行，真正的最后防线始终由独立的传统保护逻辑守着。换来的是团队想要的性能空间——按仿真环境的初步验证，相比传统PID，加速时间有望缩短15%到20%、油耗有望降低5%到8%，喘振裕度的设计目标是最小不低于8%、动态波动带来的裕度损失控制在5%以内。但这些数字目前都还停在仿真和设计目标层面，团队在文档里写得很直白：实际性能待台架试验验证。
要把一个会算力的模型放进发动机这种安全关键系统，实时性和可认证性是两道绕不过的坎。工程化上，AI推理模块计划跑在航空级嵌入式平台（比如Xilinx UltraScale+ FPGA或车规级的NXP S32V）上，网络经过量化蒸馏做轻，控制回路的目标响应时间压在一毫秒以内。更难的是认证：AI用在安全关键系统上，全球航空当局目前都还审慎，CAAC、EASA、FAA都没有成熟的AI控制律认证标准。玉踪科技没有回避这一点，而是把路径设计成“先以传统控制为主、AI性能增强为辅”，先降低准入难度，再参照EASA的《AI in Aviation Roadmap》和CAAC的相关指南，逐步向认证靠拢。
再加一层“看得懂自己”的健康管理，和两台还没造出来的发动机
控制之外，玉踪科技想解决的是前面那笔维护账。它规划里的健康管理平台，核心是一个融合Transformer与LSTM的混合模型：Transformer负责从长序列传感数据里抓全局关联，LSTM处理时间序列的局部动态，两者配合去预测涡轮叶片、轴承等关键部件的剩余使用寿命（RUL），再结合数字孪生把物理发动机的状态同步映射到虚拟空间。目标口径是故障诊断准确率不低于90%、排气温度裕度（EGTM）预测平均精度高于90%，把定期维护升级成“退化到阈值才触发”的条件维护，预期把非计划停飞率压低六成以上、把全生命周期运维成本降三到四成。同样，这些都建立在真实运行数据积累之后才谈得上验证的前提上。
落到产品上，玉踪科技排了两代节奏：第一代是100kgf推力级的微型涡喷，面向靶机、测试和中小型无人机，计划24个月内完成首台样机总装、30个月左右做首次地面台架试车、42个月完成首轮飞行验证、48个月内小批量交付；第二代是更小推力的涡扇，还在预研，目标燃油消耗率比同级传统涡喷再降25%以上。需要说清楚的是当下所处的位置——按其融资文档的自述，项目目前完成了算法概念验证，尚未造出样机。整个研发遵循“数字仿真、半物理仿真、台架试验、飞行验证”四级递进，一级一级往前拱。
至于怎么赚钱，玉踪科技设计的是一条从硬件往软件和服务走的曲线。最基础的是发动机整机销售，第一代产品目标单价10万到20万元，早期硬件毛利率在20%到30%之间；等AI控制算法和健康管理平台技术成熟并拿到认证，再以年度授权或按发动机运行小时付费的方式卖软件，这块边际成本低，成熟期毛利率目标是80%以上；再往上，基于数字孪生的预测性维护按台数或飞行小时订阅，把一次性的硬件买卖变成持续性的服务收入。按它的财务预测，项目第三年才形成约320万元的小规模试交付收入，第五年做到4600万元并实现经营性盈亏平衡。
把赌注押在“自主可控”这道题上，以及这笔钱要换什么
它的目标客户很清楚。军用一侧是航天科工、航天科技、中航工业等院所和装备采购部门，重点做靶机、侦察等中小型无人机的型号配套；民用一侧是无人机整机厂、通航和物流企业；此外还有公安、消防、应急这类政府部门。市场空间据前瞻产业研究院测算，2026年国内无人机用中小型航空发动机规模预计有20亿到50亿元，其中特种无人机与靶机动力约占四成——这也正是玉踪科技初期主攻的方向，计划在A轮前完成三到五家军工院所的客户验证。
团队的底色是“航空发动机加人工智能”的交叉。创始人黄建是机械工程出身，做过多个型号的发动机研制；负责AI算法的吴爱强专注深度强化学习与工业控制优化，有把Safe RL用在安全关键系统上的实战经验；团队里还有做过试验数据采集与PHM平台的软件工程负责人、空气动力学与结构设计负责人等，核心成员多有四川大学的航空、物理、机械背景，并计划与中国航发下属研究所、中科院工程热物理研究所等机构做产学研协同。
玉踪科技此轮想做的，是启动种子轮/天使轮融资，具体融资金额与投前估值尚未对外披露。据其规划，资金将主要投向AI算法开发与半物理仿真平台搭建，其余用于核心团队建设、设备与场地、资质合规及预备金。它对应的是一个相当明确的目标：24个月内完成算法闭环验证与首台发动机总装，约30个月做首次台架试车。而团队自己也承认摆在面前的硬骨头——样机和台架数据还没落地，AI控制律的认证在全球都无先例，回报周期被估到五到八年。这些都不是靠一笔钱能直接跳过的问题。对一家还在“从概念验证往样机走”阶段的早期硬科技团队来说，真正要回答的，是发动机能不能在台架上把仿真的那组数字兑现出来。
玉踪科技是一家为无人机提供智能航空动力的公司，业务覆盖发动机自适应控制与健康管理，目前处于种子轮/天使轮融资阶段。