【学习园地】造船业智能化升级的核心基础

引言：AI大厦的三大基石

想象一下建造一艘巨轮：你需要坚实的船体结构（算法）、驱动航行的动力系统（算力），以及指引方向的海图与导航数据（数据）。人工智能系统的构建同样如此，数据、算法和算力这三大支柱，共同支撑起AI这座宏伟建筑的现在与未来。理解这三者的关系与各自演进，对造船企业规划智能化转型至关重要。

第一支柱：数据——智能的“燃料”与“经验库”



数据是AI学习和决策的原材料。在造船业，数据无处不在：

——设计数据：CAD图纸、三维模型、仿真结果；

——生产数据：焊接参数、装配精度、涂装涂敷率、物料消耗、工时记录；

——管理数据：供应链信息、设备状态、质量检测报告；

——运维数据：生产设施设备状态、设备传感器读数、维修历史。



数据的质量（准确性、一致性）和数量，直接决定了AI模型的“经验”是否丰富、“判断”是否可靠。当前，造船企业面临的核心挑战是如何打破各环节间的“数据孤岛”，构建统一、标准、高质量的企业级数据湖，为AI应用提供源源不断的“高质量燃料”。

第二支柱：算法——AI的“数学灵魂”与决策核心



算法是让机器从数据中学习规律、做出预测和决策的数学模型集合。它是AI的“智慧”所在。

1. 神经网络：从感知到认知的模拟



——基本原理：受人类大脑神经元网络启发，通过多层连接的“神经元”处理信息。输入数据（如一张钢板图片的特征）经过层层非线性变换，最终输出结果（如是否存在裂缝）。



——在造船中的应用：图像识别用于焊缝质量自动检测；序列模型可用于预测生产节点延误风险。

2. Transformer与注意力机制：理解复杂关联的革命



——核心突破：2017年提出的Transformer架构，其核心“自注意力机制”能让模型在处理信息时，动态“关注”并权衡所有相关部分。



——对造船业的意义：这不仅是ChatGPT等大语言模型的基础，其“把握全局关联”的思想，同样适用于理解一艘船设计中数千个部件之间的复杂相互作用，或全供应链中物料、产能、订单的动态关系，实现全局优化。

3. 关键概念：Tokens与使用成本

——Token是什么：对于大语言模型，Token是处理文本的基本单位（可能是一个词、字或标点）。模型通过处理Token来理解、生成文本。



——成本关联：当前调用商用大模型API通常按处理的Token数量计费。对于造船企业，这意味着将AI用于处理长篇幅的技术规范、设计文档或生成复杂的工艺文件时，需将Token消耗作为一项可量化、需管理的成本进行考量。

第三支柱：算力——智能的“发动机”



算力提供了执行复杂算法、处理海量数据所需的计算能力。

1. CPU、GPU与NPU是现代计算设备中三种核心的算力引擎，它们各司其职，共同构成了异构计算体系，针对不同类型的计算任务进行优化。

——CPU（中央处理器）：像“全能型总指挥官”，擅长处理复杂多变的串行任务（如企业管理系统）。



——GPU（图形处理器）：像“万人工厂流水线”，拥有成千上万个核心，特别擅长并行处理大量重复计算（如训练神经网络矩阵运算），是当前AI算力的核心载体。



——NPU（神经网络处理器）：NPU是“专注AI的精算师”，专门为人工智能和深度学习算法优化。它通过模拟神经元结构，高效执行矩阵乘法、卷积等AI任务中常见的运算。NPU在本地AI应用（如人脸识别、语音转文字、背景虚化、AI抠图）中能以极低的功耗实现高速推理，将CPU和GPU从繁重的日常AI任务中解放出来，让设备更智能、更省电。

这三者并非互相取代，而是协同作战：CPU负责任务调度与通用计算，GPU承担重型并行任务（如大模型训练），NPU则高效处理轻量、高频的AI推理。这种“CPU+GPU+NPU”三引擎架构，正成为AI PC和智能设备的标准配置，实现1+1+1>3的效能提升。

2. 算力发展的未来：专用芯片与存算一体

——趋势：为特定AI任务设计的专用芯片（如NPU、TPU） 能效比更高。存算一体（ENGRAM等前瞻方向） 旨在突破“内存墙”，让数据在存储单元内直接计算，可极大提升能效，这对未来在船载设备或边缘端部署实时AI意义重大。

在当前人工智能大模型发展的背景下，算力“卡脖子”情况下，但工程的极致优化、算法的持续创新以及数据质量的提升，可以在一定程度上缓解甚至部分弥补算力的瓶颈，形成“以软补硬”的综合解决方案。

AI的未来形态与造船业新边疆

1. 能力演进：从ANI到AGI的展望

——ANI（狭义人工智能）：只能在特定领域（如下棋、检测缺陷）表现出智能。当前所有工业AI均处于此阶段。

——AGI（通用人工智能）：具备跨领域学习、理解和推理能力，如同人类。这是长远目标，其实现将彻底重塑所有行业。

2. 形态融合：LLM与物理AI

——LLM（大语言模型）：精通文本世界的“策略家”，可辅助生成工艺文件、解读规范、进行知识问答。



——物理AI：能够感知和操作物理世界的“执行者”，如焊接机器人、自动导引运输车（AGV）、搭载3D视觉的装配辅助系统。

——融合方向：未来的智能体将是“LLM大脑”与“物理AI身体”的结合。例如，一个智能体通过自然语言接收指令（“调整第5分段的焊接顺序”），自主调度机器人并监控完成。

3. 关键技术：3D感知——AI的“空间视觉”

这对需要高精度空间操作的造船业至关重要：



——激光雷达（LiDAR）：通过激光扫描生成高精度点云，用于
大型分段的无接触三维尺寸检测和数字孪生建模。



——结构光与立体视觉：用于
引导机器人进行精密装配或扫描复杂曲面进行逆向工程。



——TOF（飞行时间）相机：实时提供深度信息，用于人员安全监控（防闯入危险区域） 或堆场物料体积估算。

给造船企业各层级的启示

1. 决策层

——战略视野：将数据视为核心战略资产，投资于统一数据平台建设。

——资源配置：合理规划算力投资，初期可混合使用云端算力与未来必要的本地化部署。

——方向把握：关注“LLM+物理AI”融合趋势，探索其在设计协同、智能生产、机器人化方面的应用。

2. 管理层

——场景落地：以业务痛点为导向（如质量检测、供应链优化），引入合适算法模型，注重投资回报率（ROI）。

——成本管理：建立AI项目成本模型，将数据治理、算力消耗（如Token成本）、模型维护纳入预算。

——团队建设：培养和引入既懂造船工艺又懂AI数据科学的 “桥梁型”复合人才。

3. 基层技术/操作层

——能力提升：理解AI的基本原理和局限，学会与智能系统协同工作。

——数据素养：确保日常工作中产生数据的准确性和规范性，你是高质量“数据燃料”的第一道把关人。

——应用反馈：作为一线使用者，为AI系统的优化迭代提供最直接、宝贵的场景反馈。

结语

人工智能并非神秘黑箱，其强大能力建立在数据、算法、算力这三大坚实且持续演进的支柱之上。对造船企业而言，系统地理解这三者，就如同掌握了未来“智能造船厂”的蓝图、材料与建造法则。从现在开始，夯实数据基础、关注算法前沿、合理规划算力，就是为在即将到来的智能化深水区中稳健航行，所做的最重要准备。

（供稿：陈建榕）   图片来源网络