將至已至 ChatGPT對航空業(yè)的影響

楊彬 江平

從對外表現(xiàn)來看，ChatGPT是一個可以依據(jù)對話場景來理解人類語言的聊天機(jī)器人，但其本質(zhì)上是基于自然語言處理（NLP）技術(shù)所創(chuàng)建的生成式大規(guī)模語言模型（LLM）。該模型以自監(jiān)督學(xué)習(xí)為基礎(chǔ)，可以從萬億字節(jié)訓(xùn)練數(shù)據(jù)中學(xué)習(xí)語言規(guī)律，從而實(shí)現(xiàn)和人類類似的認(rèn)知行為。

與之前發(fā)布的類似產(chǎn)品相比，ChatGPT對信息提取和編譯的準(zhǔn)確性有了根本性的提升，它改善了傳統(tǒng)語言訓(xùn)練模型在復(fù)雜場景下知識索引和演繹推理方面的缺陷，回答響應(yīng)迅速，文本生成基本準(zhǔn)確，被《紐約時報》譽(yù)為“有史以來向公眾發(fā)布的最佳人工智能聊天機(jī)器人”。

提升出行體驗(yàn)

提升人們的出行體驗(yàn)，是ChatGPT帶給航空產(chǎn)業(yè)最直觀的改變。從出行前的準(zhǔn)備開始，包括選擇航空公司、機(jī)型、時刻、座位，票價咨詢，當(dāng)?shù)鼐W(wǎng)約車服務(wù)和酒店房間預(yù)訂等工作，旅客都可以在ChatGPT中獲得建議和答案。大規(guī)模語言模型可以提供給旅客最新的酒店折扣信息，幫助其根據(jù)個人不同傾向選擇直飛或轉(zhuǎn)機(jī)方案，同步將旅客出行的個性化信息反饋給航空公司、酒店、旅行社和網(wǎng)約車公司等機(jī)構(gòu)，幫助后者推出定制化服務(wù)方案。

同時，基于大量數(shù)據(jù)預(yù)訓(xùn)練的NLP技術(shù)能夠極大地改善當(dāng)前智能語音服務(wù)的質(zhì)量，幫助客服主管翻譯和識別聊天中的關(guān)鍵參數(shù)，使客服人員及時響應(yīng)客戶的不滿。智能語音系統(tǒng)可以24小時待命，最大限度減少對人力資源的需求。此外，當(dāng)航班延誤或行李丟失等事件發(fā)生時，ChatGPT可以代表航空公司提供自動化的服務(wù)響應(yīng)，幫助乘客改簽和跟蹤行李，以及及時提供旅客所需的其他問詢服務(wù)。

改善航司運(yùn)營

相比航空制造領(lǐng)域，ChatGPT的出現(xiàn)率先給旅客出行和航空公司的運(yùn)行方式帶來了新的變化。2023年3月，在CAPA印度航空峰會上，塔塔集團(tuán)旗下的印度航空公司宣布其正在測試ChatGPT-4版本用以增強(qiáng)服務(wù)中的客戶體驗(yàn)，幫助旅客通過語音技術(shù)實(shí)現(xiàn)航班查詢、機(jī)票預(yù)訂和簡易登機(jī)辦理等事項(xiàng)，并盡量取代原有紙版工作程序。印度航空希望此舉可以幫助公司在降低客服資源需求的同時減少旅客響應(yīng)時間，提供更為精準(zhǔn)的信息服務(wù)。印度航空公司不是唯一一家嘗試使用人工智能技術(shù)改善經(jīng)營效果的航空公司，波羅的海航空（Air Baltic）和芬蘭航空（Finnair）公司也緊隨其后。 對于擁有成百上千架飛機(jī)的航空公司來說，飛行機(jī)組排班是一項(xiàng)復(fù)雜的工作。它需要考慮航班計劃、起降機(jī)場、機(jī)組人員資質(zhì)、執(zhí)勤時間要求、培訓(xùn)計劃、假期安排、公司運(yùn)行手冊以及機(jī)組人員最大負(fù)荷相關(guān)的適航要求等一系列因素，同時還會受到飛機(jī)定檢維護(hù)、天氣狀況的影響，以及隨時需要應(yīng)對突發(fā)事件，并及時做出最終安排。基于航空公司內(nèi)部機(jī)型、人員、維修和培訓(xùn)方面的數(shù)據(jù)統(tǒng)計，大規(guī)模語言模型可以生成初步的機(jī)組排班計劃，這部分工作可以和航空公司運(yùn)行控制中心集成在一起。更為便捷的是， ChatGPT類計算模型可以根據(jù)突發(fā)情況實(shí)時調(diào)整原有機(jī)組飛行安排，相比基于流程的類似運(yùn)行規(guī)劃軟件而言，ChatGPT可以使航空公司經(jīng)營、民航法規(guī)約束和人力資源效率之間達(dá)到較為理想的平衡。

ChatGPT不僅可以為旅客提供航班信息、行李位置等出行數(shù)據(jù)，為航空公司提供客流、機(jī)場負(fù)荷、天氣等監(jiān)控信息，還可以在航空公司廣告宣傳和媒體投放領(lǐng)域一展身手。目前，Air Baltic航空公司已經(jīng)將該程序用于新聞稿件、營銷通信等宣傳材料的撰寫，而此前，這些工作通常需要第三方外協(xié)來完成。NLP預(yù)訓(xùn)練模型可以根據(jù)客戶數(shù)據(jù)和瀏覽行為生成個性化的營銷材料，包括電子郵件、社交展示和網(wǎng)站宣傳等內(nèi)容，并通過瞄準(zhǔn)目標(biāo)受眾，以最佳的廣告投放時段和位置提高營銷宣傳工作的客單轉(zhuǎn)化率。

參與飛行訓(xùn)練

大規(guī)模預(yù)訓(xùn)練語言模型的一個特有優(yōu)勢便是虛擬現(xiàn)實(shí)場景內(nèi)容生成，這一特點(diǎn)也賦予了ChatGPT在航空培訓(xùn)領(lǐng)域的巨大應(yīng)用潛力。利用該程序，飛行員、維護(hù)人員可以在交互式人工智能場景中進(jìn)行操作訓(xùn)練，先前的模擬機(jī)、零部件車間等培訓(xùn)設(shè)施已被虛擬化場景代替，從某種角度來看，NLP模型更像是一個先進(jìn)的虛擬現(xiàn)實(shí)（VR）與增強(qiáng)現(xiàn)實(shí)（AR）算法的混合體。根據(jù)培訓(xùn)需要，ChatGPT可以創(chuàng)建個性化的培訓(xùn)項(xiàng)目，無論是例行復(fù)訓(xùn)還是緊急復(fù)飛，都可以被得到模擬。學(xué)員不僅可以切身感受真實(shí)環(huán)境中的操作體驗(yàn)，更可以在同場景互動中接受到模擬程序的反饋。

在飛行培訓(xùn)中，學(xué)員可以直接向ChatGPT提出問題，后者基于飛機(jī)性能數(shù)據(jù)、航線歷史天氣信息、飛行機(jī)組手冊、公司運(yùn)行手冊、民航法規(guī)等內(nèi)容生成回答建議，幫助學(xué)員做出下一步操作選擇。同時，根據(jù)培訓(xùn)人員的視頻操作記錄，預(yù)訓(xùn)練模型可以對其整個培訓(xùn)過程進(jìn)行評價，針對性指出學(xué)員需要改進(jìn)的特定操作，以提高培訓(xùn)成效?，F(xiàn)階段，世界各國對于人工智能程序參與航空培訓(xùn)的法規(guī)要求尚不完善，沒有咨詢通告、技術(shù)標(biāo)準(zhǔn)等文件對ChatGPT類最新科技產(chǎn)品在航空培訓(xùn)管理中的效果予以量化規(guī)定，這也是未來一段時間民航監(jiān)管局方需要著重解決的問題。

輔助飛行駕駛

近年來，盡管世界航空安全已達(dá)到較高水平，越來越多的公眾信任航空出行，但監(jiān)管當(dāng)局和航空公司始終將飛行安全放在首位。當(dāng)飛機(jī)在運(yùn)行過程中出現(xiàn)異常時，飛行員需要在綜合考慮氣象條件、故障提示、空中交通密度、當(dāng)前飛行狀態(tài)等因素下緊急做出響應(yīng)，此時機(jī)組人員的負(fù)荷將會短時間內(nèi)陡升。因此，利用人工智能技術(shù)幫助飛行人員及時做出正確判斷，降低突發(fā)事件情況下的操作壓力對于保障持續(xù)飛行安全有著重要意義。2020年，在歐盟“潔凈天空”項(xiàng)目第二期規(guī)劃的資助下，一個由法國泰雷茲公司主導(dǎo)，挪威SINTEF研究所、Sensibel公司和比利時Acapela公司等機(jī)構(gòu)共同參與的名為“語音機(jī)組交互”（VOICI）的子項(xiàng)目得到了業(yè)界關(guān)注。該項(xiàng)目旨在實(shí)現(xiàn)機(jī)艙噪聲環(huán)境下駕駛艙語音的高清晰度捕捉、識別和人機(jī)對話功能，以提高機(jī)組人員在高負(fù)荷工作下的操作效率，進(jìn)一步保障飛行安全。

VOICI項(xiàng)目最主要的技術(shù)實(shí)現(xiàn)路徑是在深度神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)和自然語言處理技術(shù)的基礎(chǔ)上，研究人員開發(fā)了一個逼真的音頻評估環(huán)境和嵌入式語音處理程序，以及以自動語音合成為主要輸出的智能對話系統(tǒng)。語音捕獲通過飛行員耳機(jī)和低噪聲光學(xué)麥克風(fēng)陣列實(shí)現(xiàn)，研究人員同時在語言模型中集成了大量航空應(yīng)用術(shù)語，以提高人工智能語言理解與合成的準(zhǔn)確性。鑒于當(dāng)時的技術(shù)發(fā)展水平，VOICI項(xiàng)目最終僅達(dá)到TRL3級水平，即實(shí)現(xiàn)概念驗(yàn)證。如今，大規(guī)模語言模型的快速成熟和ChatGPT的出現(xiàn)，可以讓此類智能語音操作項(xiàng)目的成果得到本質(zhì)改善，直接提升到工程樣機(jī)研制階段。

泰雷茲公司還在Flyt X飛行管理系統(tǒng)項(xiàng)目中利用人工智能技術(shù)對未來飛機(jī)駕駛艙設(shè)計進(jìn)行深度嘗試。這個項(xiàng)目充分集成了觸控交互、語音識別和綜合模塊化航電等先進(jìn)設(shè)計元素，為公務(wù)機(jī)和直升機(jī)提供了新的駕駛體驗(yàn)。該項(xiàng)目可以為飛行員提供語音交互功能，并直觀解釋空中交通管制設(shè)備接收到的地面信號，輔助機(jī)組人員進(jìn)行特定操作。

當(dāng)Flyt X駕駛艙現(xiàn)有的智能語言處理程序升級到大規(guī)模語言預(yù)訓(xùn)練模型后，AI技術(shù)對飛機(jī)的信息綜合生成和輔助決策能力將得到顯著提升：通過關(guān)聯(lián)ChatGPT，飛行員可以使用簡單的語音命令或文本輸入建立飛行計劃，查詢飛機(jī)狀態(tài)，并獲得天氣、航路、備降機(jī)場、空域限制等可能影響飛行決策的信息。ChatGPT可以幫助飛行員更容易理解上述信息，特別是可以明顯改善和空管員之間的溝通效率，并輔助機(jī)組人員做出及時、正確的決定。此外，ChatGPT還可以用于對飛行日志、維護(hù)報告等大量數(shù)據(jù)的定期分析，識別潛在安全隱患，向機(jī)組和地面管制人員發(fā)出預(yù)警。

泰雷茲公司計劃在2025年將Flyt X項(xiàng)目技術(shù)成果用于商業(yè)運(yùn)行，并對此保持同歐洲航空安全局（EASA）的溝通。然而，一旦基于大規(guī)模語言模型的人工智能生成技術(shù)真正應(yīng)用于飛機(jī)研制時，當(dāng)前AI程序算法的固有缺陷——不可解釋性極有可能拖慢飛機(jī)適航審定的節(jié)奏。

按照傳統(tǒng)機(jī)載航電設(shè)備研制過程保障要求（如 RTCA DO178、DO330標(biāo)準(zhǔn)等），現(xiàn)有大型語言模型（LLM）和自然語言處理（NLP）技術(shù)需要清晰展示算法程序中每一個需求在進(jìn)行數(shù)據(jù)化處理和判斷選擇時所依據(jù)的準(zhǔn)則，且軟件鑒定工具需要滿足特定的適航標(biāo)準(zhǔn)，而這些要求對于人工智能算法來講，現(xiàn)階段很難完全滿足。

促進(jìn)預(yù)測性維修轉(zhuǎn)變

在飛機(jī)維護(hù)、修理和大修（MRO）領(lǐng)域，ChatGPT的出現(xiàn)可以加速當(dāng)前維護(hù)理念向預(yù)測性維修的轉(zhuǎn)變，并在維修過程中對操作人員提供實(shí)時幫助。預(yù)測性維修工作的主要目標(biāo)是確定理想維修間隔，以便在零部件失效之前進(jìn)行針對性處理。這種方式既避免了事后檢查與零部件計劃外更換造成的非必要損失，又不需要像預(yù)防性維修一樣頻繁干預(yù)，從而節(jié)省了大量維修資源投放。預(yù)測性維修在有效降低機(jī)隊(duì)整體維修成本的同時提高了航空公司運(yùn)行效率，因此早已被業(yè)界視為航空維修工作的未來發(fā)展方向。

為了確定飛機(jī)的最佳維護(hù)時機(jī)，需要基于對飛機(jī)運(yùn)行的實(shí)時監(jiān)控記錄和歷史維修日志內(nèi)容的深入分析，在零部件失效之前對其故障進(jìn)行預(yù)測并采取行動。維修日志包含了大量關(guān)于維護(hù)時間、故障類型、維修策略等方面的信息，這些信息的分類整理對于依靠人工智能算法實(shí)現(xiàn)預(yù)先判斷至關(guān)重要。目前，已有研究人員使用深度神經(jīng)網(wǎng)絡(luò)（DNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）和預(yù)訓(xùn)練BERT等算法模型來嘗試對大量維修日志信息進(jìn)行分類處理。結(jié)果表明，預(yù)訓(xùn)練大規(guī)模語言模型是眾多算法中較為成功的一種，而ChatGPT正是基于該模型推出的典型應(yīng)用。理論上，該應(yīng)用可以對各種結(jié)構(gòu)化維修日志信息進(jìn)行有效分類，結(jié)合不同飛機(jī)機(jī)型手冊推薦的維修間隔與策略，在現(xiàn)階段人工智能決策算法基礎(chǔ)上生成預(yù)測性維修方案，并指導(dǎo)內(nèi)外場實(shí)施。

當(dāng)MRO技術(shù)人員在維修操作過程中需要查閱手冊或現(xiàn)場征求專家意見時，ChatGPT可以勝任上述兩種角色，為維修操作提供實(shí)時指導(dǎo)。基于先前維修記錄、故障報告和標(biāo)準(zhǔn)施工手冊等信息，ChatGPT可以總結(jié)并生成飛機(jī)、部附件等維修方案，對當(dāng)前疑難做出技術(shù)判斷，甚至對不同維修方案實(shí)施后的部件可靠性做出預(yù)測分析。大規(guī)模語言模型可以對來自不同維修技術(shù)專家的視頻信息進(jìn)行分解歸類，以語音和文本的形式在飛機(jī)維修過程中按需予以顯現(xiàn)；再加上智能信息檢索技術(shù)的幫助，ChatGPT完全可以成為維修工作小組的虛擬成員，實(shí)質(zhì)性參與到飛機(jī)維護(hù)與放行工作中。

人為因素事件預(yù)測

盡管世界航空運(yùn)輸已經(jīng)在高安全水平下持續(xù)運(yùn)行多年，但過去幾十年間航空事故分析結(jié)果表明，壓力、疲勞、溝通不暢等人為因素在事故中的占比呈逐年上升趨勢。對此，各國民航監(jiān)管當(dāng)局要求各航空公司采用安全管理系統(tǒng)（SMS）、維修資源管理（MRM）系統(tǒng)等手段，通過定期檢查、標(biāo)準(zhǔn)化審計等措施來識別安全違規(guī)風(fēng)險。美國聯(lián)邦航空局（FAA）、歐洲航空安全局等機(jī)構(gòu)更是針對飛行機(jī)組和維修勤務(wù)人員頒布了多項(xiàng)旨在降低其工作疲勞的特別規(guī)定。

基于自然語言處理技術(shù)發(fā)展而來的ChatGPT的出現(xiàn)，為航空人為因素事件的預(yù)測提供了新的途徑。利用大規(guī)模預(yù)訓(xùn)練模型和航空安全報告中海量的描述數(shù)據(jù)，人們可以將文本片段轉(zhuǎn)化為數(shù)值矢量投影供計算機(jī)閱讀、破譯和理解，這一過程被稱為特征提取。在此基礎(chǔ)上，結(jié)合支持向量機(jī)（SVM）、自動貝葉斯優(yōu)化算法等工具，可以構(gòu)建出“人為因素分析與分類系統(tǒng)”機(jī)器學(xué)習(xí)模型，從物理環(huán)境、智力（體力和情緒）局限、監(jiān)管缺失等不同角度對飛行操作和地面維護(hù)中人為因素所造成的不安全事件進(jìn)行分類，并對其發(fā)展趨勢進(jìn)行預(yù)測。

谷歌推出的BERT模型被用來對人為因素事故趨勢進(jìn)行預(yù)測，一個主要原因在于它可以根據(jù)單詞出現(xiàn)的頻次聯(lián)系上下文對不同語境產(chǎn)生準(zhǔn)確理解，這可以解釋為該模型具備“自我意識”特征；此外，BERT模型還使用了遷移學(xué)習(xí)算法，該算法首先提供大量數(shù)據(jù)供模型針對特定任務(wù)進(jìn)行訓(xùn)練，隨后該模型將學(xué)習(xí)記憶應(yīng)用于有待解決的任務(wù)，這樣便充分發(fā)揮了模型預(yù)訓(xùn)練過程中在相似任務(wù)處理方面已有數(shù)據(jù)所包含的潛在效用。

總體而言，基于NLP技術(shù)發(fā)展而來的大規(guī)模語言模型在航空安全管理中大有可為。由于其在文本提取、語音交互和趨勢外推方面的特有技術(shù)屬性，可以在人為因素事故預(yù)測、航空安全報告處理等領(lǐng)域帶來新的問題解決辦法。但同時，該類模型也面臨著數(shù)據(jù)質(zhì)量和一致性欠佳、信息深度有限、數(shù)據(jù)分類復(fù)雜等現(xiàn)實(shí)的挑戰(zhàn)，這也會在一定時期內(nèi)延緩此類技術(shù)在更大范圍內(nèi)的推廣和應(yīng)用。

當(dāng)前ChatGPT的局限

盡管ChatGPT應(yīng)用程序在航空產(chǎn)業(yè)有著廣泛的應(yīng)用前景，但現(xiàn)階段人工智能技術(shù)固有的“黑盒特性”使得大規(guī)模預(yù)訓(xùn)練模型在推廣過程中依然需要接受嚴(yán)格的評估和檢驗(yàn)。雖然此類模型可以通過文本提取、語音識別針對特定場景和疑問生成回答，但它仍然是一個缺乏常識經(jīng)驗(yàn)的“求解者”。

現(xiàn)階段ChatGPT可以生成與人類書寫內(nèi)容非常相似的文本，但它缺乏類似人類的理解，這將導(dǎo)致生成內(nèi)容的準(zhǔn)確性和相關(guān)性難免存在局限，有些觀點(diǎn)并非原創(chuàng)，有時對于上下文背景的結(jié)合也不夠緊密。特別是在人們不知道準(zhǔn)確答案的情況下，如何鑒別NLP技術(shù)回答的合理性便成了棘手的問題，因?yàn)闆]有辦法深入探究大規(guī)模語言模型內(nèi)部數(shù)據(jù)篩選、集成和判斷生成的最終邏輯。

同時，ChatGPT對調(diào)整輸入短語或多次嘗試相同的提問非常敏感，這導(dǎo)致有時相似問題會得到截然不同的答案。由于訓(xùn)練數(shù)據(jù)不可避免存在偏差，模型算法可能會被過度優(yōu)化，ChatGPT的回答有時會重復(fù)冗長，這表明在數(shù)據(jù)質(zhì)量適應(yīng)性方面該語言模型依然存在一定改良空間。預(yù)計隨著模型數(shù)據(jù)集范圍和容量的拓展，這一點(diǎn)會相應(yīng)得到改善。此外，在進(jìn)行單一任務(wù)處理時，以ChatGPT為代表的預(yù)訓(xùn)練語言模型可以表現(xiàn)出上佳的工作效率，但多任務(wù)并行處理將顯著降低此類模型的有效性和準(zhǔn)確性，在任務(wù)優(yōu)先級判斷方面模型還需要得到人工確認(rèn)。

在人工智能技術(shù)發(fā)展早期，占主導(dǎo)地位的推理方法多是邏輯性和象征性的。這使得多數(shù)算法模型均是通過執(zhí)行某種形式的邏輯推理來做出判斷。然而，隨著支持向量機(jī)、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法的出現(xiàn)，計算模型越來越復(fù)雜，但算法模型的透明性和可解釋性卻變得越來越差。鑒于可解釋性是AI技術(shù)實(shí)現(xiàn)可信與自主的前提條件，2015年之后這一領(lǐng)域的研究成為了業(yè)界焦點(diǎn)。

雖然NLP自誕生之日起便使用了相對透明的人工智能算法，但近年來隨著深度學(xué)習(xí)概念和大規(guī)模預(yù)訓(xùn)練數(shù)據(jù)的融合，NLP技術(shù)也逐漸趨于黑盒求解狀態(tài)。這對于極為強(qiáng)調(diào)“確認(rèn)-驗(yàn)證”遞推性設(shè)計理念的航空產(chǎn)品研制來講，無疑是一個難以跨越的技術(shù)障礙。即便是在航空維修和培訓(xùn)領(lǐng)域，人工智能生成內(nèi)容（AIGC）技術(shù)生成的虛擬場景、技術(shù)回答等內(nèi)容的準(zhǔn)確性，也需要得到標(biāo)準(zhǔn)環(huán)境和相關(guān)數(shù)據(jù)的驗(yàn)證。但可以達(dá)成業(yè)界共識的是，以ChatGPT為代表的預(yù)訓(xùn)練語言模型是現(xiàn)階段打開AI技術(shù)可解釋性局限的最佳首選，對此類算法判斷邏輯的深度理解將有助于人們解釋其他深度學(xué)習(xí)模型的決策規(guī)律。

總的來說，人工智能技術(shù)在航空產(chǎn)業(yè)的悄然滲透早已成為業(yè)界共識。無論是適航監(jiān)管局方、飛機(jī)或發(fā)動機(jī)等產(chǎn)品制造商，還是各航空公司、培訓(xùn)機(jī)構(gòu)，都在從不同角度對如何實(shí)現(xiàn)AI技術(shù)的有效應(yīng)用進(jìn)行探索。在局方發(fā)布的相關(guān)審定指導(dǎo)、主機(jī)廠內(nèi)部設(shè)計規(guī)范和航空公司積極調(diào)整的運(yùn)營策略中，航空產(chǎn)業(yè)在ChatGPT等一眾人工智能算法的促進(jìn)下每天都發(fā)生著改變。雖然技術(shù)變革在帶來機(jī)遇的同時也會帶給人們挑戰(zhàn)，但從長遠(yuǎn)來看，這將會成為行業(yè)進(jìn)步與繁榮的原動力，不斷驅(qū)動航空產(chǎn)業(yè)的高質(zhì)量發(fā)展。