海军工程中的生成式人工智能：小型专有数据集限制了采用

现代计算显着改进了造船和海洋工程的设计和建造流程，但有限的数据阻碍了其进一步发展。

造船与海洋工程（NAME）的学科名称可能只有几百年的历史，但其起源可以追溯到数千年前的古代文明，当时人类建造船只来探索和开展商业。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的理论、科学和方法形式化。

NAME 是一门专业工程学科，涵盖海洋船舶和结构的设计、建造、测试、测量、维护和运营。我毕业于美国海岸警卫队学院，获得海军建筑和海洋工程学士学位，并在加州大学伯克利分校获得硕士学位。在过去的 22 年里，我一直在一家私人海洋咨询公司担任船舶建筑师，从事客轮、海洋研究船、驳船和其他船舶的设计。

马特·米勒 (Matt Miller) 担任造船工程师已经 22 年了。

设计包括从浮动码头到复杂的 1,200 英尺游轮和航空母舰（充当公海上的小镇）。该学科的专业人士还设计海上风力平台、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舶。

虽然当代的造船工程师，包括我自己，可能在大学课程中用铅笔、样条线和鸭子手工绘制了船舶的线条，但当前的设计过程包括结合机器学习的高级计算机应用程序。

船舶的线条提供了船体形状，用于评估船舶的设计和建造。在使用铅笔和样条时，线条是通过反复试验来绘制的，平滑度是通过目视评估的，并且纸张上散布着橡皮碎片。如今有一些软件可以立即帮助船体线开发，并基于通过历史数据收集和验证开发的算法。

现代计算能力使工程师能够在几秒钟内测试变量并评估其有效性，而过去需要花费数小时或数天的时间。这种能力大部分是建立在已经存在了数百年的公式和科学之上的。软件还包含具有必须满足才能满足安全标准的最低标准的法规。

人们常说海洋工业采用新技术的速度很慢，但如果您进入现代造船厂或工程设计公司，您会看到 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，因此相信不再准确。现在是时候考虑以机器学习和人工智能形式提供的高级工具了。

如今造船工程师和海洋工程师使用的先进软件包极大地提高了设计开发的效率和准确性。其中一些工具非常适合机器学习和人工智能的结合。例如，计算流体动力学 (CFD) 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，可以执行这些计算来评估物理现象，但即使使用当今的计算机，这些模拟也需要高性能计算机和大量时间来运行模拟。如今，拖曳水箱仍用于评估和测量船体形状性能，但借助 CFD，我们可以执行“虚拟”拖曳水箱会话并开发优化的船体形状。然后可以在拖车水箱中对其进行进一步测试以进行验证，甚至可以在不进行拖车水箱测试的情况下进行构建。机器学习可以减少运行这些模拟所需的时间，为客户节省资金，同时也减少可能的错误。

超越基本机器学习算法而使用人工智能进行船舶设计的主要限制之一是系统可用的有限且专有的数据集。为了让人工智能取得成功，人工智能系统需要大量数据来提取并构建对查询的有效响应。如果没有强大的数据集，人工智能的结果将不会对这个工程学科有用。我的公司认识到，收获和使用多年来收集的数据对于减少错误和改进设计至关重要，因此正在采取措施在未来的设计中整理和使用这些数据。

作为一名造船工程师，马特·米勒 (Matt Miller) 设计客运渡轮和各种其他船只。

造船和海洋工程学科的某些领域确实拥有大量数据集，可以并且正在用于改进设计。其中包括海浪和海流测量、船舶操纵记录和海洋设备性能日志。尽管此类活动有大量可用数据，但它们通常由政府机构、运营商和设备制造商维护。目前还没有可供所有利益相关方受益的全球数据集。

由于多种原因，船舶设计数据在当今的用途特别有限。其中包括私人或政府资助的设计（数据仅限于所有者使用）、专业船舶设计（某种类型的船舶数量有限）以及收集、验证和提供实际使用的可用数据所需的有限资金。

澳大利亚船舶设计师 Austal 透露了其 DeepMorpher 工具的一些细节，该工具使用人工智能和机器学习来优化船体形状。 Austal 新闻稿描述了使用高性能计算来减少执行 CFD 的时间，以及 3D 船体设计的数据集。 Austal 拥有庞大的船体形状库，用于测试和验证 DeepMorpher 的性能优于其他当前模型几个数量级。

如果数据可以被认证为保持匿名，并且提供对其数据的访问可以给所有者带来可衡量的好处，那么对专有数据的限制将来可能会得到解决。某些设计决策（例如针对特定用例或客户需求而设计的总体安排）可以保留专有性。

然而，许多其他设计决策是为了满足适用于所有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将通过使用数据和人工智能系统看到设计的改进和效率，那么他们可能更愿意提供数据集。

设计大量独特的船舶没有太多办法，但数据的某些方面可能与其他船舶设计相同，因此可以挖掘数据以供使用。验证数据并检查其是否消除独特的方面需要时间和金钱，因此成本再次成为使数据“干净”以供更普遍使用的一个因素。

海军建筑师马特·米勒在船上工作。

造船和海洋工程是一个有趣的工程领域，需要对船体形式、内部结构、发电、配电、室内设计、生活和工作安排、人体工程学等进行设计，从而形成一个维持生命的浮动平台并协助船员进行平台工作。

所有空间和系统的设计都需要相当长的时间，并且需要满足多方的需求，因此可能会发生设计错误。人工智能可用于减少错误、确保实现法规遵从性、满足所有人体工程学需求以及开发“有效”设计的一种方法是在电气系统和设备设计和布局中。

海上有起重机和集装箱船的造船厂的鸟瞰图。

当今的现代船舶拥有广泛的电气和控制系统，整个船舶都使用计算机，而新型全电动和混合动力渡轮则需要先进的控制和监控系统。人工智能可以在设计阶段帮助识别和解决这些系统中的冲突，速度比人类更快，并且可能会减少监督错误。

近 90% 的贸易货物通过水上运输，数百万人乘坐渡轮和其他客船前往世界各地。海洋行业对人才的需求量很大，由于合格船员有限，许多定期船只的航行被推迟或取消。美国只有几所大学提供造船和海洋工程学位，因此找到合格的人才来帮助推动机器学习和人工智能技术行业向前发展是很困难的。

人力资源问题可以通过强大的人工智能技术来解决，但目前存在先有鸡还是先有蛋的情况。考虑到政府项目通常存在的多艘船舶合同、设计的更开放性（只要它们没有安全限制）以及可用于研发的资金，那么实体追求人工智能技术似乎是可能的例如美国海岸警卫队或美国海军。

弗吉尼亚州诺福克的一艘美国海军航空母舰。

美国海军是一个拥有类似船只舰队的大型组织，因此该组织非常适合人工智能和机器学习。霍珀特遣部队于 2021 年启动，旨在加速整个海军水面舰队的人工智能，主要侧重于作战。然而，凭借大量可用数据和一系列船舶设计，人工智能未来很可能应用于船舶设计工作。