航空产业ChatGPT应用前景分析

来源： 国际航空

作者： 杨彬 江平

随着人工智能技术的快速发展，以ChatGPT为代表的大规模预训练人工智能语言模型的出现极大地改变了人们的生活，并将在航空业中发挥重要作用。

 对话式生成型预训练转换程序（ChatGPT）是由美国Open AI公司于2022年11月30日发布的新一代人工智能对话系统。该产品一经推出，在短短两个月内月活跃用户数便超过1亿，成为了史上用户数增长最快的消费级应用程序。

从对外表现来看，ChatGPT是一个可以依据对话场景来理解人类语言的聊天机器人，但其本质上是基于自然语言处理（NLP）技术所创建的生成式大规模语言模型（LLM）。该模型以自监督学习为基础，可以从万亿字节训练数据中学习语言规律，从而实现和人类类似的认知行为。

与之前发布的类似产品相比，ChatGPT对于信息提取和编译的准确性有了根本性的提升，它改善了传统语言训练模型在复杂场景下知识索引和演绎推理方面的缺陷，回答响应迅速，文本生成基本准确，被《纽约时报》誉为“有史以来向公众发布的最佳人工智能聊天机器人”。

ChatGPT对航空产业的影响

       

01、提升出行体验

提升出行体验，是ChatGPT带给航空产业最直观的改变。从出行前的准备开始，包括选择航空公司、机型、时刻、座位、票价咨询、当地网约车服务和酒店房间预定等工作，旅客都可以在ChatGPT中获得建议和答案。大规模语言模型可以提供给旅客最新的酒店折扣信息，帮助其根据个人不同倾向选择直飞或转机方案，同步将旅客出行的个性化信息反馈给航空公司、酒店、旅行社和网约车公司等机构，帮助后者推出定制化服务方案。

同时，基于大量数据预训练的NLP技术能够极大改善当前智能语音服务的质量，帮助客服主管翻译和识别聊天中的关键参数，使客服人员及时响应客户的不满。智能语音系统可以24h待命，最大限度减少对人力资源的需求。此外，当航班延误或行李丢失等事件发生时，ChatGPT可以代表航空公司提供自动化的服务响应，帮助乘客改签和跟踪行李，以及及时提供旅客所需的其他问询服务。

 ChatGPT与航空出行

02、改善航司运营

相比航空制造领域，ChatGPT的出现率先给旅客出行和航空公司的运行方式带来了新的变化。2023年3月，在CAPA印度航空峰会上，塔塔集团旗下印度航空公司宣布其正在测试ChatGPT-4版本用以增强服务中的客户体验，帮助旅客通过语音技术实现航班查询、机票预定和简易登机办理等事项，并尽量取代原有纸版工作程序。印度航空希望此举可以帮助公司在降低客服资源需求的同时减少旅客响应时间，提供更为精准的信息服务。印度航空公司不是唯一一家尝试使用人工智能技术改善经营效果的航空公司，波罗的海航空（Air Baltic）和芬兰航空（Finnair）公司也紧随其后。

对于拥有成百上千架飞机的航空公司来说，飞行机组排班是一项复杂的工作。它需要考虑航班计划、起降机场、机组人员资质、执勤时间要求、培训计划、假期安排、公司运行手册以及机组人员最大负荷相关的适航要求等一系列因素，同时还会受到飞机定检维护、天气状况的影响，以及随时需要应对突发事件，并及时做出最终安排。基于航空公司内部机型、人员、维修和培训方面的数据统计，大规模语言模型可以生成初步的机组排班计划，这部分工作可以和航空公司运行控制中心集成在一起。更为便捷的是，ChatGPT类计算模型可以根据突发情况实时调整原有机组飞行安排，相比基于流程的类似运行规划软件而言，ChatGPT可以使航空公司经营、民航法规约束和人力资源效率之间达到较为理想的平衡。

ChatGPT不仅可以为旅客提供航班信息、行李位置等出行数据，为航空公司提供客流、机场负荷、天气等监控信息，更可以在航空公司广告宣传和媒体投放领域一展身手。目前，Air Baltic航空公司已经将该程序用于新闻稿件、营销通讯等宣传材料的撰写，而此前，这些工作通常需要第三方外协来完成。NLP预训练模型可以根据客户数据和浏览行为生成个性化的营销材料，包括电子邮件、社交展示和网站宣传等内容，并通过瞄准目标受众，以最佳的广告投放时段和位置提高营销宣传工作的客单转化率。

03、参与飞行训练

虚拟场景下飞行训练。

大规模预训练语言模型的一个特有优势便是虚拟现实场景内容生成，这一特点也赋予了ChatGPT在航空培训领域的巨大应用潜力。利用该程序，飞行员、维护人员可以在交互式人工智能场景中进行操作训练，先前的模拟机、零部件车间等培训设施已被虚拟化场景代替，从某种角度来看，NLP模型更像是一个先进的虚拟现实（VR）与增强现实（AR）算法的混合体。根据培训需要，ChatGPT可以创建个性化的培训项目，无论是例行复训还是紧急复飞，都可以被得到模拟。学员不仅可以切身感受真实环境中的操作体验，更可以在同场景互动中接受到模拟程序的反馈。

在飞行培训中，学员可以直接向ChatGPT提出问题，后者基于飞机性能数据、航线历史天气信息、飞行机组手册、公司运行手册、民航法规等内容生成回答建议，帮助学员做出下一步操作选择。同时，根据培训人员的视频操作记录，预训练模型可以对其整个培训过程进行评价，针对性指出学员需要改进的特定操作，以提高培训成效。现阶段，世界各国对于人工智能程序参与航空培训的法规要求尚不完善，没有咨询通告、技术标准等文件对ChatGPT类最新科技产品在航空培训管理中的效果予以量化规定，这也是未来一段时间民航监管局方需要着重解决的问题。

04、辅助飞行驾驶

 VOICI项目验证测试。

近年来，尽管世界航空安全已达到较高水平，越来越多的公众信任航空出行，但监管当局和航空公司始终将飞行安全放在首位。当飞机在运行过程中出现异常时，飞行员需要在综合考虑气象条件、故障提示、空中交通密度、当前飞行状态等因素下紧急做出响应，此时机组人员的负荷将会短时间内陡升。因此，利用人工智能技术帮助飞行人员及时做出正确判断，降低突发事件情况下的操作压力对于保障持续飞行安全有着重要意义。2020年，在欧盟“静洁天空”项目第二期规划的资助下，一个由法国泰雷兹公司主导，挪威SINTEF研究所、Sensibel公司和比利时Acapela公司等机构共同参与的名为“语音机组交互（VOICI）”的子项目得到了业界关注。该项目旨在实现机舱噪声环境下驾驶舱语音的高清晰度捕捉、识别和人机对话功能，以提高机组人员在高负荷工作下的操作效率，进一步保障飞行安全。

VOICI项目最主要的技术实现路径是在深度神经网络自学习和自然语言处理技术的基础上，研究人员开发了一个逼真的音频评估环境和嵌入式语音处理程序，以及以自动语音合成为主要输出的智能对话系统。语音捕获通过飞行员耳机和低噪声光学麦克风阵列实现，研究人员同时在语言模型中集成了大量航空应用术语，以提高人工智能语言理解与合成的准确性。鉴于当时的技术发展水平，VOICI项目最终仅达到技术成熟度3级水平，即实现概念验证。如今，大规模语言模型的快速成熟和ChatGPT的出现，可以让此类智能语音操作项目的成果得到本质改善，直接提升到工程样机研制阶段。

FlytX驾驶舱设计。

泰雷兹公司还在FlytX飞行管理系统项目中，作为利用人工智能技术对未来飞机驾驶舱设计进行深度尝试。这个项目充分集成了触控交互、语音识别和综合模块化航电等先进设计元素，为公务机和直升机提供了新的驾驶体验。该项目可以为飞行员提供语音交互功能，并直观解释空中交通管制设备接收到的地面信号，辅助机组人员进行特定操作。

当FlytX驾驶舱现有的智能语言处理程序升级到大规模语言预训练模型后，AI技术对于飞机的信息综合生成和辅助决策能力将得到显著提升：通过关联ChatGPT，飞行员可以使用简单的语音命令或文本输入建立飞行计划，查询飞机状态，并获得天气、航路、备降机场、空域限制等可能影响飞行决策的信息。ChatGPT可以帮助飞行员更容易理解上述信息，特别是明显改善和空管员之间的沟通效率，并辅助机组人员做出及时、正确的决定。此外，ChatGPT还可以用于对飞行日志、维护报告等大量数据的定期分析，识别潜在安全隐患，向机组和地面管制人员发出预警。

泰雷兹公司计划在2025年可以将FlytX项目技术成果用于商业运行，并对此保持着同欧洲航空安全局（EASA）的沟通。然而，一旦基于大规模语言模型的人工智能生成技术真正应用于飞机研制时，当前AI程序算法的固有缺陷——不可解释性极有可能拖慢飞机适航审定的节奏。

按照传统机载航电设备研制过程保障要求（如RTCA DO178、DO330标准等），现有大型语言模型（LLM）和自然语言处理（NLP）技术需要清晰展示算法程序中每一个需求在进行数据化处理和判断选择时所依据的准则，且软件鉴定工具需要满足特定的适航标准，而这些要求对于人工智能算法来讲，现阶段很难完全满足。

05、促进预测性维修转变

在飞机维护、修理和大修（MRO）领域，ChatGPT的出现可以加速当前维护理念向预测性维修的转变，并在维修过程中对操作人员提供实时帮助。预测性维修工作的主要目标是确定理想维修间隔，以便在零部件失效之前进行针对性处理。这种方式既避免了事后检查与零部件计划外更换造成的非必要损失，又不需要像预防性维修一样频繁干预，从而节省了大量维修资源投放。预测性维修在有效降低机队整体维修成本的同时提高了航空公司运行效率，因此早已被业界视为航空维修工作的未来发展方向。

ChatGPT用于维修咨询。

为了确定飞机的最佳维护时机，需要基于对飞机运行的实时监控记录和历史维修日志内容的深入分析，在零部件失效之前对其故障进行预测并采取行动。维修日志包含了大量关于维护时间、故障类型、维修策略等方面的信息，这些信息的分类整理对于依靠人工智能算法实现预先判断至关重要。目前，已有研究人员使用深度神经网络（DNN）、循环神经网络（RNN）和预训练BERT等算法模型来尝试对大量维修日志信息进行分类处理。结果表明，预训练大规模语言模型是众多算法中较为成功的一种，而ChatGPT正是基于该模型推出的典型应用。理论上，该应用可以对各种结构化维修日志信息进行有效分类，结合不同飞机机型手册推荐的维修间隔与策略，在现阶段人工智能决策算法基础上生成预测性维修方案，并指导内外场实施。

当MRO技术人员在维修操作过程中需要查阅手册或现场征求专家意见时，ChatGPT可以胜任上述两种角色，为维修操作提供实时指导。基于先前维修记录、故障报告和标准施工手册等信息，ChatGPT可以总结并生成飞机、部附件等维修方案，对当前疑难做出技术判断，甚至对不同维修方案实施后的部件可靠性做出预测分析。大规模语言模型可以对来自不同维修技术专家的视频信息进行分解归类，以语音和文本的形式在飞机维修过程中按需予以显现；再加上智能信息检索技术的帮助，ChatGPT完全可以成为维修工作小组的虚拟成员，实质性参与到飞机维护与放行工作中。

06、人为因素事件预测

       

   航空事故原因演变。

尽管世界航空运输已经在高安全水平下持续运行多年，但过去几十年间航空事故分析结果表明，压力、疲劳、沟通不畅等人为因素在事故中的占比呈逐年上升趋势。对此，各国际民航监管当局要求各航空公司采用安全管理系统（SMS）、维修资源管理（MRM）系统等手段，通过定期检查、标准化审计等措施来识别安全违规风险。美国联邦航空局（FAA）、欧洲航空安全局（EASA）等机构更是针对飞行机组和维修勤务人员颁布了多项旨在降低其工作疲劳的特别规定。基于自然语言处理技术发展而来的ChatGPT的出现，为航空人为因素事件的预测提供了新的途径。利用大规模预训练模型和航空安全报告中海量的描述数据，人们可以将文本片段转化为数值矢量投影供计算机阅读、破译和理解，这一过程被称为特征提取。在此基础上，结合支持向量机（SVM）、自动贝叶斯优化算法等工具，可以构建出“人为因素分析与分类系统”机器学习模型，从物理环境、智力（体力和情绪）局限、监管缺失等不同角度对飞行操作和地面维护中人为因素所造成的不安全事件进行分类，并对其发展趋势进行预测。

人为因素分析与分类系统框架。

谷歌推出的BERT模型被用来对人为因素事故趋势进行预测，一个主要原因在于它可以根据单词出现的频次联系上下文对不同语境产生准确理解，这可以解释为该模型具备“自我意识”特征；此外，BERT模型还使用了迁移学习算法，该算法首先提供大量数据供模型针对特定任务进行训练，随后该模型将学习记忆应用于有待解决的任务，这样便充分发挥了模型预训练过程中在相似任务处理方面已有数据所包含的潜在效用。

总体而言，基于NLP技术发展而来的大规模语言模型在航空安全管理中大有可为，由于其在文本提取、语音交互和趋势外推方面的特有技术属性，可以在人为因素事故预测、航空安全报告处理等领域带来新的问题解决办法。但同时，该类模型也面临着数据质量和一致性欠佳、信息深度有限、数据分类复杂等现实的挑战，这也会在一定时期内延缓此类技术在更大范围内的推广和应用。

当前ChatGPT的局限

       

  ChatGPT 态势分析。

尽管ChatGPT应用程序在航空产业有着广泛的应用前景，但现阶段人工智能技术固有的“黑盒特性”使得大规模预训练模型在推广过程中依然需要接受严格的评估和检验。虽然此类模型可以通过文本提取、语音识别针对特定场景和疑问生成回答，但它仍然是一个缺乏常识经验的“求解者”。

现阶段，ChatGPT可以生成与人类书写内容非常相似的文本，但它缺乏类似人类的理解，这将导致生成内容的准确性和相关性难免存在局限，有些观点并非原创，有时对于上下文背景的结合也不够紧密。特别是在人们不知道准确答案的情况下，如何鉴别NLP技术回答的合理性便成了棘手的问题，因为没有办法深入探究大规模语言模型内部数据筛选、集成和判断生成的最终逻辑。

同时，ChatGPT对调整输入短语或多次尝试相同的提问非常敏感，这导致有时相似问题会得到截然不同的答案。由于训练数据不可避免存在偏差，模型算法可能会被过度优化，ChatGPT的回答有时会重复冗长，这表明在数据质量适应性方面该语言模型依然存在着一定改良空间。

预计随着模型数据集范围和容量的拓展，这一点会相应得到改善。此外，在进行单一任务处理时，以ChatGPT为代表的预训练语言模型可以表现出上佳的工作效率，但多任务并行处理将显著降低此类模型的有效性和准确性，在任务优先级判断方面模型还需要得到人工确认。

AI技术可解释性演化。

在人工智能技术发展早期，占主导地位的推理方法多是逻辑性和象征性的。这使得多数算法模型均是通过执行某种形式的逻辑推理来做出判断。然而，随着支持向量机、随机森林、神经网络等机器学习算法的出现，计算模型越来越复杂，但算法模型的透明性和可解释性却变得越来越差。鉴于可解释性是AI技术实现可信与自主的前提条件，2015年之后这一领域的研究成为了业界焦点。虽然NLP自诞生之日起便使用了相对透明的人工智能算法，但近年来随着深度学习概念和大规模预训练数据的融合，NLP技术也逐渐趋于黑盒求解状态。这对于极为强调“确认-验证”递推性设计理念的航空产品研制来讲，无疑是一个难以跨越的技术障碍。即便是在航空维修和培训领域，人工智能生成内容（AIGC）技术生成的虚拟场景、技术回答等内容的准确性，也需要得到标准环境和相关数据的验证。但可以达成业界共识的是，以ChatGPT为代表的预训练语言模型是现阶段打开AI技术可解释性局限的最佳首选，对此类算法判断逻辑的深度理解将有助于人们解释其他深度学习模型的决策规律。

总的来说，人工智能技术在航空产业的悄然渗透早已成为业界共识。无论是适航监管局方、飞机或发动机等产品制造商，还是各航空公司、培训机构，都在从不同角度对如何实现AI技术的有效应用进行着探索。在局方发布的相关审定指导、主机厂内部设计规范和航空公司积极调整的运营策略中，航空产业在ChatGPT等一众人工智能算法的促进下每天都发生着改变。虽然技术变革在带来机遇的同时也会带给人们挑战，但从长远来看，这将会成为行业进步与繁荣的源动力，不断驱动航空产业的高质量发展。