海洋工程中的生成式AI：专有数据集不足正限制其实际应用

现代计算正显著改进造船与海洋工程的设计与建造流程，但相当数据集的捉襟见肘正在阻碍其进一步融合。

造船与海洋工程（NAME）这一学科名称可能只有几百年的历史，但其起源却可以追溯至几千年之前的古代文明，当时人类就已经在建造船只来探索世界、开展商业活动。包括阿基米德、布格和查普曼在内的许多人，已经将浮力、稳定性和船舶设计概念提炼成科学的方法和理论。

造船与海洋工程属于专业工程学科，涵盖海洋船舶与结构的设计、建造、测试、测量、维护及运营。我（作者）毕业于美国海岸警卫队学院，拥有海洋建造与海洋工程学士学位，并在加州大学伯克利分校获得硕士学位。在过去22年以来，我一直在一家私营海洋咨询企业 担任船舶建造师，从事客轮、海洋研究船、驳船及其他船舶的设计工作。

从设计浮动码头、到复杂的1200英尺游轮甚至是如同海上小镇般的航空母舰，造船工程是个包罗万象的学科。相关专业人士还经常负责设计海上风力平台、潜艇、集装箱船、自主船舶以及几乎一切运行在水下/水上的船舶。

虽然包括我自己在内，当代的造船工程师在大学的课程中一直使用铅笔、绘线和小模型来学习专业知识，但实际设计过程已经在全面结合基于机器学习的高级计算机应用程序。

课堂上的绘线用于勾勒船体形状，借此评估船舶的设计和建造流程。在使用铅笔和绘线时，往往需要反复绘制和擦除，并用目测法来判断曲线是否足够平滑。但现在，不少软件都能够帮助我们快速绘制船体线图，并利用算法用收集到的历史数据对当前方案做出验证。

现代计算能力的增强，使得工程师能够在几秒钟之内测试变量并评估其有效性，这项工作在以往可能需要几个小时、甚至是几天时间。而之所以能够实现这种效率提升，离不开过去几百年间人们对于科学原理和计算公式的不懈探索。此外，软件当中还包含必须满足的最低安全标准与合规要求。

人们常说，海洋工业在接纳新技术方面永远行动缓慢。但如果大家走进现代造船厂或者工程设计公司，就会看到3D建模、计算流体动力学、有限元分析和机器人制造的常规使用，所以刻板印象往往并不准确。而现在，造船业也是时候考虑引入机器学习和AI等更多高级工具了。

如今，造船与海洋工程师们使用先进的软件包，大大提高了设计开发的效率和准确性，而其中一些工具特别适合与机器学习和AI相结合。例如，计算流体动力学（CFD）就主要使用纳维-斯托克斯方程来对船舶行驶的流体进行建模。

得益于现代计算能力的提升，我们可以通过计算来评估物理现象。但即使使用目前最强大的计算机，这类模拟也往往需要大量时间和可观投入。因此，目前人们仍然广泛使用拖曳水箱来评估和衡量船体形状及性能。但借助计算流体动力学，我们现在也可以创建一段“虚拟”的拖曳水箱会话，与AI讨论如何优化船体形状，之后再通过实际场景做更进一步的测试和验证。在理想情况下，甚至无需做实体拖曳水箱测试即可找到最优设计。机器学习能够减少此类模拟的运行时长、为客户节约资金，同时减少可能出现的错误。

但目前在基础机器学习算法之外进一步应用AI的主要障碍，就在于可供AI使用的专有数据集太过有限。为了让AI取得成功，AI系统往往需要大量数据来提取并构建有效的查询响应。如果缺少强大的数据集，AI生成的结果将无法在造船与海洋工程领域发挥作用。我们公司也意识到，在多年周期之内收集并应用实际数据已经成为减少错误、改进设计的重要前提，因此开始采取措施在未来的设计中积极整理并使用这些数据。

造船和海洋工程学科的某些领域确实积累了大量数据集，而且正被用于改进工程设计，其中包括海浪与洋流测量、船舶操纵记录以及海洋设备性能日志。可尽管此类活动对应大量可用数据，但它们通常由政府机构、运营商和设备制造商负责维护，目前并没有可供所有利益相关方轻松访问的全球数据集。

基于多种原因，船舶设计数据的实际应用还相当有限。其中包括私人或政府资助的设计（数据仅限所有者使用）、专业船舶设计（只针对某种特定类型的船舶，因此适用范围非常有限），同时缺少对实际可用数据进行收集、验证和交付的必要资金。

澳大利亚船舶设计厂商Austal透露了其DeepMorpher工具的一些细节。这款工具使用AI与机器学习技术来优化船体形状，该公司在新闻称中称其中使用高性能计算以减少计算流体动力学的执行时间，同时配合其3D船体设计数据集。Austal拥有庞大的船体形状库，并在测试和验证后发现DeepMorpher的性能比其他几种现有模型高出好几个数量级。

如果能够全程保证数据匿名，且开放数据访问确实能给所有者带来可量化的好处，那么目前专有数据的严格限制未来应该能得到缓解。此外，某些特定设计决策（例如针对特定用例或客户需求而设计的总体规划）可以继续保留专有属性、不对外开放。

然而，不少其他设计决策是为了满足适用于整体设计的数学确定性或监管要求。如果包括政府机构在内的业主能看到数据和AI系统给设计工作带来的效率提升，那么他们也许愿意主动提供数据集。

但在各种特殊的船型方面，也没有太好的办法了。其中的应用空间也就是不同船舶之间可能在某些部分可以通用，因此可以尝试挖掘相应数据。但即便如此，这种验证数据并检查其是否可以转用的过程也需要大量时间和金钱，因此需要想办法对数据做“清洗”以控制成本、提升其实际适用范围。

造船与海洋工程是个有趣的工程领域，需要在船体形状、内部结构、发电、配电、室内设计、生活和工作安排、人体工程学等层面做好设计，从而形成一个可维持生命运转的海上浮动平台，并协助船员在平台之上完成工作。

所有空间和系统设计都需要相当长的时间，同时必须满足多方需求，并及时发现和解决各种潜在的设计错误。AI可用于减少错误、确实遵守合规要求、满足各种人体工程学需求，并提供一套“行之有效”的电气系统和设备布局设计。

如今的现代船舶拥有广泛的电气与控制系统，整个船舶都在使用计算机进行控制，而新型全电动/混合动力渡轮更是需要搭配先进的控制与监控系统。AI能够在设计阶段帮助我们发现并解决这些系统之间的相互冲突，速度比人类专家更快，而且有望减少判断失误。

近90%的贸易货物通过水上运输，数百万人乘坐渡轮及其他客船前往世界各地。海洋行业对人才的需求量很大——由于合格的船员有限，不少定期船只的航行被迫推迟或取消。美国只有少数几所大学开设造船与海洋工程学位，因此难以找到合格人才来推动机器学习和AI技术在这一领域的探索和应用。

人力资源问题可以通过强大的AI技术来解决，但这就又陷入了先有鸡、还是先有蛋的死循环。考虑到政府项目往往已经签署了关于多艘船舶的合同，愿意保留一定的设计开放性（只要不影响到船舶安全）以及较为丰厚的研发资金储备，造船行业似乎可以先与美国海岸警卫队或美国海军联手，共同探寻AI技术的应用前景。

美国海军就拥有大量船只舰队，因此特别适合作为AI和机器学习的探索起点。2021年启动的Hopper特遣部队（Task Force Hopper）就希望加速整个海军水面舰队的AI能力，但主要侧重于作战层面。不过凭借大量可用数据及一系列船舶设计的加持，相信AI未来很可能被应用于实际船舶设计当中。