魏志强：加快建设我国涉海垂直领域人工智能大模型！|世界人工智能大会|大模型|智能化|魏志强

青岛大学校长、中国海洋大学原副校长魏志强

海洋人工智能大模型的研发与应用，对推动海洋经济向智能化、数字化转型具有重大意义。近年来，我国海洋人工智能研发发展态势良好，但仍面临一些亟待解决的问题。加快建设涉海垂直领域人工智能大模型，需要我们进行哪些方面的努力？

海洋人工智能大模型的研发与应用，是推动海洋经济高质量发展、提升海洋产业竞争力的关键技术支撑，对推动海洋经济向智能化、数字化转型具有重大意义，特别是在港口航运、海洋工程装备制造、海上风电等关键行业展现出重要的战略意义。近年来，我国积极布局人工智能领域，在海洋人工智能研发方面也取得了一定进展，呈现良好的发展态势。但在涉海垂直领域大模型研发方面，还面临着一些亟待解决的问题。

存在的问题

算力体系建设、大模型算法研发制约实际应用，数据治理体系仍需夯实

一是在算力方面，虽然我国算力总规模超过100EFLOPS，智能算力占比超35%，但仍落后于世界先进水平。同时，算力网络优化也有较大提升空间，尤其在海上平台边缘计算设备方面，算力仅为陆地数据中心的1/50，导致实时推理延迟高达8—12秒，无法满足海上作业对快速响应的严格要求，如船舶避碰等需要毫秒级响应的场景。二是在数据治理方面，我国海洋信息数据积累取得了一定进展，但现有的数据治理体系仍存在较多短板。如《海洋生态环境监测数据共享服务程序（试行）》虽已发布，但由于缺乏实施细则，数据确权、使用授权、风险补偿等方面存在空白，导致数据开放率低，限制了海洋数据的共享与流通，进而妨碍了数据深度应用的发展。三是在模型研发方面，现有的通用大模型，即便是语言模型GPT-4，在海洋领域的专业文本处理上准确率也仅为68%，多模态数据的联合分析能力尚未突破，使其在海洋领域的实际应用具有较强局限性。由于跨场景的协同创新不足、跨领域合作与技术整合不够等原因，尚未形成像“海洋GPT”这样的通用大模型开发联盟。

在进行海上作业的海工作业船

技术应用、高端人才适配性不足

一是在标准建设方面，我国在海洋人工智能领域的技术标准尚不完善，影响了技术和产品的推广应用。二是在技术与场景适配方面，人工智能大模型在垂直领域的技术和场景适配问题较为突出。如在海上风电领域，已经投入试点的风机叶片智能巡检系统在融合激光雷达点云、水下声波检测、气象卫星数据等多模态数据时，存在融合效率不足的问题，造成风机故障预警响应延迟，影响了风电场的智能运维效率。三是在协同优化方面，由于缺乏有效的“算法—芯片—系统”协同优化机制，使得大模型在海洋领域的应用无法实现轻量化部署，难以在边缘计算设备上高效运行，进一步影响了技术在实时数据处理和决策支持中的应用效果。此外，由于海洋湍流预测模型等技术从实验室到产业化应用的转化周期平均为36个月，使得大模型不能及时对实际应用进行支持。四是在人才方面，虽然围绕引进高端人才出台了一系列举措，但在海洋人工智能领域，尤其是前沿技术研发与核心算法方面的高端人才引进和培养依然面临挑战，人才储备和创新能力不足成为制约产业发展的关键瓶颈。

行业应用整合度低，大模型嵌入重点行业实际业务存在现实困境

一是港口航运领域。一方面，港口内部各系统之间缺乏统一的数据标准和共享机制，导致数据无法有效流通和整合，“数据孤岛”现象较为严重，影响了智能调度系统的整体性能。如船舶靠泊预测系统与堆场管理系统之间的数据交互不畅，使得调度决策不够精准，降低了港口作业效率。另一方面，港口的智能化设备和系统的可靠性有待提高，部分设备在恶劣海洋环境下容易出现故障，影响港口的正常运营。二是海上风电领域。一方面，海上风电场智能化系统的投入进一步增加了成本，使得一些企业对智能化建设的积极性不高。另一方面，海上风电场的运维环境恶劣，智能化监测设备的稳定性和可靠性面临挑战，设备故障率较高，影响了运维效率和发电效益。此外，海上风电场的智能化建设还面临技术标准不统一、数据共享不足等问题，制约了行业的整体发展。三是海洋工程装备制造领域。装备的设计、制造和运维环节缺乏统一的数字化平台，各环节之间的数据交互和协同不足，导致研发周期长、成本高。此外，海洋工程装备的智能化监测和诊断系统在复杂海洋环境下的适应性不足，部分监测设备在深海、极寒等极端条件下性能下降，影响了行业的智能化发展。

广东汕头南澳海域内的海上风电场

加快建设涉海垂直领域

人工智能大模型

夯实共性基座，筑牢海洋人工智能大模型研发根基

一是加快推进算力基础建设。推动青岛、大连、宁波等沿海城市加快建设海洋智能超算平台，构建“海洋智算联盟”，促进跨区域算力资源共享。依托“东数西算”青岛节点，设立海洋专用智算中心，提升针对海洋数据的专用计算能力，优化深度学习推理架构，降低计算成本。支持建设低时延推理芯片适配基地，引进寒武纪MLU290等国产人工智能芯片，提高海上风电、智能航运等场景的实时决策能力，将海上风电场故障诊断时延压缩至500毫秒以内。二是进一步完善数据体系建设。成立国家海洋数据资产运营公司，构建“原始数据—脱敏处理—价值挖掘”三级开发机制，提升海洋数据资源的可用性和共享性。建立数据确权、数据交易标准和安全保障体系，为数据开放企业提供研发费用加计扣除比例提升等税收优惠激励措施，促进数据流通和应用。三是加快推动模型研发与开源生态建设。设立“海洋大模型开源社区”，联合百度飞桨、华为昇思等国产深度学习框架，开发海洋专用算子库，优化模型对流体动力学、多模态海洋数据的适配能力。对通过功能安全认证的海洋人工智能模型，优先列入政府采购目录，推动模型成果在智慧港口、海洋牧场、智能航运等领域的广泛应用。

由大连海事大学自主研发的全球首艘智能研究与教学实训两用船——“新红专”轮

强化技术人才支撑，提升海洋人工智能创新能力

一是构建标准化体系。加强与国际海洋人工智能领域的合作和交流，积极参与国际海洋人工智能标准制定，提升我国在该领域的国际话语权。设立国际标准制定专项奖励，对参与国际标准制定的企业和机构给予经济上的奖励。联合国内外标准组织，牵头制定“海洋大模型功能安全评估规范”“跨域海洋数据接口标准”“海上智能装备人工智能算法适配指南”等标准，推动产业技术体系的规范化。二是加强关键技术自主创新。设立百亿级海洋人工智能专项基金，资金来源采用“政府引导（30%）+社会资本（40%）+企业自筹（30%）”的组合模式，重点支持海洋多模态大模型、边缘计算芯片、深度学习推理优化等“卡脖子”技术攻关。对海洋环境预测、船舶自主航行、海洋装备智能诊断等核心方向，采用“赛马制”研发模式，遴选15—20个并行团队，按阶段考核实施“动态淘汰—持续支持”机制，激励技术创新突破。三是推动智能化平台建设。建设港口航运智能设计平台，利用人工智能技术优化航线规划、物流调度和货物装卸，提高港口运营效率。构建海洋工程与风电高通量模拟与分析平台，开发自动化数据采集、结构性能预测和智能风机运维系统，提高风电机组的运营稳定性。建立概念验证中心，搭建从实验室研究到工程化验证的中试平台，促进科研成果的工程化落地。四是强化人才引育机制。在高校、科研院所等机构设立“海洋智能系统”交叉学科，每年投入充足资金，推动人工智能、海洋工程和数据科学的深度融合。建设10—15个海洋人工智能产教融合基地，支持高校与企业联合培养人才，形成从基础研究到产业应用的人才梯队。设立“国家海洋人工智能科技奖”，每年评选10—15个在海洋人工智能领域取得重大突破的团队并给予奖励，完善科技人才的激励机制。

中国海洋大学人工智能学院的学生在进行水下机器人科研实践

探索重点行业突破，推动海洋人工智能大模型产业化发展

一是实施“领航者”场景突破计划。在港口航运、海洋工程、海上风电三大领域率先进行智能化升级。港口航运：在青岛等港口试点“多码头协同调度大模型”，整合集装箱堆存、桥吊调度、集卡路径规划等12类子任务，目标提升吞吐效率12%—15%。海洋工程：联合国家实验室、国家重点实验室、高校等涉海科研机构，开发“海洋数字孪生设计平台”，加速深海装备研制进程，缩短工程设计周期。海上风电：部署“多模态预警系统”，融合气象卫星、激光雷达、水下机器人数据，实现风机故障智能监测，缩短故障定位时间。二是建立场景开放清单管理机制。每年发布全国海洋人工智能应用场景需求清单，首批可开放港口、风电、海洋牧场、深海采矿、智能渔业、海底电缆巡检、极地科考、海上救援、船舶智能避碰、智能物流管理等十大应用场景，推动技术与场景的精准匹配。对于采用国产大模型的企业和项目，提供财政补贴和算力支持，促进本地化技术落地。

本文作者系青岛大学校长

原载《群言》2026年第1期