近几年来，人工智能已成为航运会议、投资路演和软件发布中雷打不动的主题。这种关注并非没有道理：航运业产生着大量数据，从船位、燃油消耗到租船合同和港口记录，而其中相当一部分仍在靠人工处理。然而，“人工智能”这一标签把成熟程度迥异的各类技术归入了同一种期待之下。有些应用如今已在日常运营中发挥可衡量的作用，另一些的时间表则要以十年而非一年来计算。

本文以从事航次租船的中小型船东和船舶经营人为视角，分析人工智能在哪些领域得到真正应用、在哪些领域期待跑在了实践前面，以及是什么决定了两者之间的差距。对这一规模的公司而言，真正的问题不是”要不要用人工智能”，而是”用在哪项工作上、基于哪些数据、由谁来把关”。

基本概念

  • 人工智能（AI）： 执行通常需要人类判断的任务（理解文本、识别模式、进行预测）的软件的统称。它不是单一技术，而是一系列方法的总称。
  • 机器学习： 不依赖人工编写规则、而是从历史数据的规律中学习的方法。预计到港时间预测和燃油消耗建模是典型例子。
  • 大语言模型（LLM）： 在海量文本上训练、能够阅读和概括文件、从中提取结构化信息并生成新文本的模型。读取租船合同和事实记录等文件工作在当下取得的进展，正是源于此。
  • 幻觉： 语言模型自信地给出源文件中并不存在、但看似合理的信息。这是文件工作中必须核验人工智能输出的主要原因。
  • 人在回路（human-in-the-loop）： 由人工智能提出建议或草稿、决定与审批仍由人来完成的工作方式。
  • 船舶自动识别系统（AIS）： 船舶定期播发其识别信息、位置、航向和航速的系统；对 SOLAS 公约第五章第19条所涵盖的船舶为强制配备。它是航运业众多人工智能应用的原始数据来源。
  • 数字孪生： 由传感器数据驱动的船舶或系统的虚拟模型，用于性能监测和维护计划。

一项人工智能应用的价值，在很大程度上取决于两点：数据的质量与出错的代价。在数据充足且一致、错误容易发现和纠正的工作中，人工智能成熟得很快；在数据稀少或分散、错误会危及人命、财产或产生法律后果的工作中，进展则较慢，而这也理应如此。下文的评估即以这两项标准为基础。

五个领域中的真实应用与期待

1. 文件读取与数据提取

真实应用： 从租船合同、事实记录（SOF）、提单、发票和电子邮件等非结构化文件中提取日期、时间、费率、港口和条款信息，是当今航运业最成熟的人工智能应用。语言模型可以大幅减少操作团队的人工录入，并将不同格式的文件转换为统一的结构。

期待： 常见的期待是文件”一读，计算结果就自动出来”。然而，租船合同中的附加条款、手写批注、质量欠佳的扫描件以及幻觉风险，使得输出结果仍必须由人来核对。对于装卸时间与滞期费这类直接关系到金钱的计算，稳妥的做法是：由人工智能读取，由人审核确认，再由基于规则、可审计的引擎完成计算。

2. 航线、到港时间与市场预测

真实应用： 气象导航（weather routing）早已是成熟的服务。机器学习目前被广泛用于结合历史 AIS 数据和天气预报，改进预计到港时间（ETA）的预测和航线建议。港口等待时间和拥堵情况的监测也属于这一领域。

期待： 期待预测”精确无误”并不现实。港口作业、代理沟通、货物备妥情况和当地限制等数据并不公开的因素，限制了预测的质量。还应注意，AIS 数据可能存在覆盖空白、延迟和录入错误。运费市场预测是另一项常见的期待；然而，航运市场由供求冲击、预期和滞后反应驱动的周期性特征，使预测的不确定性无论采用何种方法都居高不下。

3. 燃油、性能与排放

真实应用： 根据航速、装载状态、天气和船体污底对燃油消耗进行建模，及早发现性能下降（例如船体污底），以及自动化排放报告，都是成熟的应用。自2023年起实施的国际海事组织（IMO）碳强度指标（CII）、自2024年起将航运纳入的欧盟碳排放交易体系（EU ETS），以及自2025年起实施的《欧盟海运燃料条例》（FuelEU Maritime），都显著增加了这一领域对数据的需求。

期待： 模型的价值取决于为其提供数据的质量。对于仅依赖正午报告（noon report）、没有传感器数据的船舶，先进模型能带来的收益十分有限。对小型船队而言，第一步往往不是人工智能，而是规范、一致地收集数据。

4. 预测性维护

真实应用： 利用主机和辅机的振动、温度和压力数据，及早发现可能导致故障的偏差，这一做法尤其在配备传感器的新船上得到应用。

期待： 期待有一个能够预先”知道”故障的系统，在很大程度上取决于对数据和硬件的投入。老旧船舶缺少传感器、各制造商采用封闭的数据格式，以及缺乏足够的故障样本供模型学习，是这一领域的主要限制。与船级社和制造商规则的符合性，则是另一个需要单独处理的问题。

5. 自主船舶

真实应用： 当前实际投入使用的是短距离、受控的试点项目，以及辅助值班驾驶员的系统：例如通过摄像头图像识别其他船舶和物体的避碰辅助系统，以及决策支持界面。

期待： 无人驾驶的远洋商业航运这一期待，既是技术问题，也是法律问题。国际海事组织在2021年完成监管范围梳理之后，正在为海上自主水面船舶（MASS）制定规则。责任、保险、港口国监督以及国际公约的调整等问题，所需的时间比技术本身更长。对于从事航次租船的中小型船东而言，目前没有理由围绕这一期待来制定近期决策。

中小型船东可行的做法

上述五个领域的共同启示是：人工智能的价值与其说来自技术本身，不如说来自选对工作以及掌握这项工作的数据。文献与行业实践中突出的做法可归纳如下：

  1. 从工作出发，而非从技术出发： 找出人工录入最多、出错就会造成经济损失的工作，例如文件读取、滞期费计算或证书跟踪。
  2. 数据优先： 将正午报告、事实记录和各类文件集中、一致地收集在一处。人工智能的价值建立在这一基础之上。
  3. 人工把关： 人工智能的每一项输出，在产生经济或法律后果的环节都须经人审核确认。
  4. 可审计性： 记录每一项计算和决定的依据，使提交给承租人或仲裁员的不是”模型这么说”，而是附有文件和计算的理据。
  5. 从小处着手并加以衡量： 先在单一流程上开展可衡量前后变化的试点，例如处理时间、错误数量和收回的金额。

结论

在航运业，人工智能最快、最低调、也最可衡量的收益，并不出现在引人注目的领域，而是出现在文件与数据工作中。自主船舶和精准的市场预测等期待，面临的法律和经济限制不亚于技术限制。对中小型船东而言，现实的收益是在人工把关下减少人工工作量和错误。而在大多数情况下，这首先要从规范、可核验的记录做起，而不是从一项新技术开始。

本文仅供一般参考，并非对任何特定产品或服务的评价。监管时间表可能发生变化，当前情况应以相关机构的官方来源为准。

参考文献

  • IMO, SOLAS 第五章第19条：船载航行系统和设备的配备要求.
  • IMO, Resolution A.1106(29): Revised Guidelines for the Onboard Operational Use of Shipborne Automatic Identification Systems (AIS), 2015.
  • IMO, Resolution MEPC.328(76): 2021 Revised MARPOL Annex VI（EEXI 与 CII）.
  • IMO, MSC.1/Circ.1638: Outcome of the Regulatory Scoping Exercise for the Use of Maritime Autonomous Surface Ships (MASS), 2021.
  • 欧盟, Directive (EU) 2023/959（将海运纳入欧盟碳排放交易体系的修订）.
  • 欧盟, Regulation (EU) 2023/1805 (FuelEU Maritime).
  • NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), 2023.
  • Russell, S. 与 Norvig, P., Artificial Intelligence: A Modern Approach, 第4版, Pearson, 2021.
  • Stopford, M., Maritime Economics, 第3版, Routledge, 2009.