內蒙古
教會人工智能駕駛汽車已屬不易，而教會它駕駛船只，則是一場更加復雜的技術挑戰。在日本瀨戶內海這樣的繁忙水道中，船舶必須在遵守航行規則的前提下，穿越密集的交通流、狹窄的航道、星羅棋布的數百座島嶼，同時應對不斷變化的水文和氣象條件。每一次轉向、每一次減速，都凝聚著船長多年積累的經驗與直覺。如今，大阪市立大學的研究團隊正試圖將這種經驗"復刻"給人工智能，為自主船舶導航開辟一條全新的技術路徑。
從規則驅動到行為學習：一條不同的路線
傳統的自主導航人工智能，通常依賴明確的目標設定和規則編碼——告訴系統"應該怎么做"。但船舶操控遠非幾條規則所能涵蓋。在擁擠水域中，船長的許多決策涉及模糊性和主觀判斷，有些甚至難以用數學公式精確描述。例如，何時該減速讓行、何時可以安全超車、如何在避讓的同時兼顧航行效率，這些都是在長年實踐中形成的"隱性知識"。
大阪市立大學工程學部助理教授Higaki Takefumi領導的研究團隊選擇了一條截然不同的道路。他們沒有用目標和規則來訓練模型，而是直接采用神戶大學訓練船"Fukae-Maru"在實際航行中執行的真實操縱動作作為訓練數據。這種方法的核心理念是：與其告訴AI"正確答案是什么"，不如讓它從人類的真實操作中自己領悟。
擴散式AI：從人類行為中"生長"出航跡
研究團隊采用的是一種被稱為"擴散式人工智能"的技術。與傳統AI試圖預測單一最佳行動不同，擴散式AI基于人類可能采取的各種操作行為，生成一條完整且連貫的航行軌跡。換句話說，它不是在做"選擇題"，而是在模擬一位經驗豐富的船長在面對復雜局面時可能做出的一整套操作——從調整航向到控制航速，從規避障礙到保持航路，形成一條自然流暢的行駛路徑。
這種方法的優勢在于它能夠捕捉人類操作中那些難以言傳的微妙之處。當研究人員將這套AI與兩種基于模仿學習的傳統機器學習導航系統進行對比時，結果令人印象深刻。在逼真的模擬環境中，擴散式AI能夠同時處理任意數量的船舶、海岸線、狹窄水道以及速度控制，有效應對其他模型難以處理的復雜情境。在船舶相遇測試中，該AI始終嚴格遵守國際防碰撞規定，與周圍船舶保持安全距離，展現出可靠的安全意識。
意外之喜：AI學會了"不成文的規矩"
更令人驚喜的發現出現在模型訓練的過程中。隨著學習的深入，AI開始展現出一些從未被明確編程的行為。例如，在穿越赤城海峽交通航線時，當地有一條不成文的通行慣例——船舶應嚴格保持在指定航道內右側行駛。這一規則并未被寫入AI的代碼中，但系統卻通過分析大量真實航行數據，自主"領悟"了這一習慣，并持續將船只引導至正確的航道。
這一現象恰恰印證了Higaki的核心觀點："本研究最顯著的特點在于，我們并未明確權衡諸如避碰、地理限制、航行效率和遵守海事交通規則等多種目標，但AI卻成功實現了這些目標。"換言之，AI不是被"教會"了規則，而是從數據中"生長"出了規則。這種從真實世界操作數據中自主學習復雜技能的能力，正是這項研究最具突破性的價值所在。
緩解人力短缺，駛向自主航運時代
這項發表在《海洋工程》期刊上的研究，其意義不僅限于技術層面。日本航運業正面臨日益嚴峻的人力短缺問題，經驗豐富的船長數量持續減少，而海上運輸的需求卻在不斷增長。如果自主導航系統能夠可靠地承擔部分駕駛任務，將極大緩解這一困境。
Higaki表示，隨著更多真實船舶操作數據的積累和應用場景的持續擴大，自主船舶導航系統有望變得更加普遍，正如近年來人工智能驅動汽車的興起一樣。研究團隊的愿景是，讓AI成為船長的得力助手，提升航行安全，降低人為失誤風險，同時為航運業的可持續發展注入新動力。
從瀨戶內海的繁忙水道出發，擴散式AI正在為自主航運繪制一幅充滿可能的藍圖。當機器學會了船長的"手感"，人類與海洋的關系，或許將迎來一次深遠的變革。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
