海洋工程中的生成式AI：專有資料集不足正限制其實際應用

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。

造船与海洋工程是一门专业工程学科，涉及海洋船舶和结构的设计、建造、测试、测量、维护和运营。本人毕业于美国海岸警卫队学院，获得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。在过去的22年里，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、驳船和其他船舶的设计工作

造船工程是一个包罗万象的学科，涵盖了设计浮动码头、复杂的1200英尺游轮，甚至像海上小镇一样的航空母舰。与此相关的专业人士还负责设计海上风力发电平台、潜艇、集装箱船、自主船舶以及几乎所有在水下或水上运行的船只

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，包括我自己在内。然而，现实的设计过程已经全面结合了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。

常言道，“海洋工业在接受新技术方面总是步履蹒跚”。但是，如果我们走进现代船厂或工程设计公司，我们会看到3D建模、计算流体动力学、有限元分析和机器人制造等技术的常规应用。这说明这种认识往往是不正确的。现在，造船业也应考虑引入更多先进工具，如机器学习和人工智能

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。

当前AI在基础机器学习算法之外进一步应用的主要障碍是可供AI使用的专有数据集太过有限。为了使AI取得成功，AI系统通常需要大量数据来提取并构建有效的查询响应。如果没有强大的数据集，AI在造船与海洋工程领域的应用将无法发挥作用。我们公司已经意识到，在多年的周期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

造船和海洋工程學科的某些領域確實累積了大量資料集，而且正被用於改進工程設計，其中包括海浪與洋流測量、船舶操縱記錄以及海洋設備性能日誌。可儘管此類活動對應大量可用數據，但它們通常由政府機構、營運商和設備製造商負責維護，目前並沒有可供所有利益相關者輕鬆存取的全球數據集。

根據多種原因，船舶設計資料的實際應用仍然相當受限。這些原因包括私人或政府資助的設計（數據僅供所有者使用）、專業船舶設計（只適用於特定類型的船舶，範圍有限），以及缺乏必要的資金來收集、驗證和交付實際可用的數據

澳洲船舶設計廠商Austal透露了其DeepMorpher工具的一些細節。這款工具使用AI與機器學習技術來優化船體形狀，該公司在新聞稱中稱其中使用高性能計算以減少計算流體動力學的執行時間，同時配合其3D船體設計數據集。 Austal擁有龐大的船體形狀庫，並在測試和驗證後發現DeepMorpher的性能比其他幾種現有車型高出好幾個數量級。

如果能夠全程保證資料匿名，且開放資料存取確實能為所有者帶來可量化的好處，那麼目前專有資料的嚴格限制未來應該能得到緩解。此外，某些特定設計決策（例如針對特定用例或客戶需求而設計的總體規劃）可以繼續保留專有屬性、不對外開放。

然而，一些其他設計決策是為了滿足整體設計所需的數學確定性或監管要求。如果包括政府機構在內的業主能夠意識到數據和人工智慧系統對設計工作效率的提升，可能會主動提供數據集

#在各種特殊的船型方面，沒有很好的解決方案。其中的應用空間可能在某些方面可以通用不同船舶之間，因此可以嘗試挖掘相關數據。但即便如此，驗證資料並檢查其是否可以轉用的過程也需要大量時間和金錢，因此需要找方法對資料進行「清洗」以控製成本，並提升其實際適用範圍

造船與海洋工程是個有趣的工程領域，需要在船體形狀、內部結構、發電、配電、室內設計、生活和工作安排、人體工學等層面做好設計，從而形成一個可維持生命運轉的海上浮動平台，並協助船員在平台之上完成工作。

所有空間和系統設計都需要相當長的時間，同時必須滿足多方需求，並及時發現和解決各種潛在的設計錯誤。 AI可用於減少錯誤、確實遵守合規要求、滿足各種人體工學需求，並提供一套「行之有效」的電氣系統和設備佈局設計。

如今的現代船舶擁有廣泛的電氣與控制系統，整艘船都在使用電腦進行控制，而新型全電動/混合動力渡輪更是需要搭配先進的控制與監控系統。 AI能夠在設計階段幫助我們發現並解決這些系統之間的相互衝突，速度比人類專家更快，而且有望減少判斷失誤。

水上運輸是貿易貨物的主要方式，約佔90%。每年有數百萬人搭乘渡輪和其他客船前往世界各地。海洋產業對人才的需求非常大。由於合格的船員數量有限，許多定期航班不得不推遲或取消。美國祇有少數幾所大學提供造船和海洋工程學位，因此在這個領域推動機器學習和人工智慧技術的研究和應用變得困難

透過強大的AI技術，可以解決人力資源問題，但這又陷入了先有雞還是先有蛋的死循環。考慮到政府專案已簽署多艘船舶合同，可以保留一定的設計開放性（只要不影響船舶安全），並擁有豐厚的研發資金儲備，造船業似乎可以與美國海岸防衛隊或美國海軍合作，共同探索AI技術的應用前景

美國海軍就擁有大量船隻艦隊，因此特別適合作為AI和機器學習的探索起點。 2021年啟動的Hopper特遣部隊（Task Force Hopper）就希望加速整個海軍水面艦隊的AI能力，但主要著重在作戰層面。不過憑藉大量可用數據及一系列船舶設計的加持，相信AI未來很可能被應用於實際船舶設計當中。

以上是海洋工程中的生成式AI：專有資料集不足正限制其實際應用的詳細內容。更多資訊請關注PHP中文網其他相關文章！