將至已至 ChatGPT對航空業的影響

楊彬 江平

從對外表現來看，ChatGPT是一個可以依據對話場景來理解人類語言的聊天機器人，但其本質上是基于自然語言處理（NLP）技術所創建的生成式大規模語言模型（LLM）。該模型以自監督學習為基礎，可以從萬億字節訓練數據中學習語言規律，從而實現和人類類似的認知行為。

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

提升出行體驗

提升人們的出行體驗，是ChatGPT帶給航空產業最直觀的改變。從出行前的準備開始，包括選擇航空公司、機型、時刻、座位，票價咨詢，當地網約車服務和酒店房間預訂等工作，旅客都可以在ChatGPT中獲得建議和答案。大規模語言模型可以提供給旅客最新的酒店折扣信息，幫助其根據個人不同傾向選擇直飛或轉機方案，同步將旅客出行的個性化信息反饋給航空公司、酒店、旅行社和網約車公司等機構，幫助后者推出定制化服務方案。

同時，基于大量數據預訓練的NLP技術能夠極大地改善當前智能語音服務的質量，幫助客服主管翻譯和識別聊天中的關鍵參數，使客服人員及時響應客戶的不滿。智能語音系統可以24小時待命，最大限度減少對人力資源的需求。此外，當航班延誤或行李丟失等事件發生時，ChatGPT可以代表航空公司提供自動化的服務響應，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。

改善航司運營

相比航空制造領域，ChatGPT的出現率先給旅客出行和航空公司的運行方式帶來了新的變化。2023年3月，在CAPA印度航空峰會上，塔塔集團旗下的印度航空公司宣布其正在測試ChatGPT-4版本用以增強服務中的客戶體驗，幫助旅客通過語音技術實現航班查詢、機票預訂和簡易登機辦理等事項，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時間，提供更為精準的信息服務。印度航空公司不是唯一一家嘗試使用人工智能技術改善經營效果的航空公司，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的航空公司來說，飛行機組排班是一項復雜的工作。它需要考慮航班計劃、起降機場、機組人員資質、執勤時間要求、培訓計劃、假期安排、公司運行手冊以及機組人員最大負荷相關的適航要求等一系列因素，同時還會受到飛機定檢維護、天氣狀況的影響，以及隨時需要應對突發事件，并及時做出最終安排。基于航空公司內部機型、人員、維修和培訓方面的數據統計，大規模語言模型可以生成初步的機組排班計劃，這部分工作可以和航空公司運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突發情況實時調整原有機組飛行安排，相比基于流程的類似運行規劃軟件而言，ChatGPT可以使航空公司經營、民航法規約束和人力資源效率之間達到較為理想的平衡。

ChatGPT不僅可以為旅客提供航班信息、行李位置等出行數據，為航空公司提供客流、機場負荷、天氣等監控信息，還可以在航空公司廣告宣傳和媒體投放領域一展身手。目前，Air Baltic航空公司已經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來完成。NLP預訓練模型可以根據客戶數據和瀏覽行為生成個性化的營銷材料，包括電子郵件、社交展示和網站宣傳等內容，并通過瞄準目標受眾，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化率。

參與飛行訓練

大規模預訓練語言模型的一個特有優勢便是虛擬現實場景內容生成，這一特點也賦予了ChatGPT在航空培訓領域的巨大應用潛力。利用該程序，飛行員、維護人員可以在交互式人工智能場景中進行操作訓練，先前的模擬機、零部件車間等培訓設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的虛擬現實（VR）與增強現實（AR）算法的混合體。根據培訓需要，ChatGPT可以創建個性化的培訓項目，無論是例行復訓還是緊急復飛，都可以被得到模擬。學員不僅可以切身感受真實環境中的操作體驗，更可以在同場景互動中接受到模擬程序的反饋。

在飛行培訓中，學員可以直接向ChatGPT提出問題，后者基于飛機性能數據、航線歷史天氣信息、飛行機組手冊、公司運行手冊、民航法規等內容生成回答建議，幫助學員做出下一步操作選擇。同時，根據培訓人員的視頻操作記錄，預訓練模型可以對其整個培訓過程進行評價，針對性指出學員需要改進的特定操作，以提高培訓成效。現階段，世界各國對于人工智能程序參與航空培訓的法規要求尚不完善，沒有咨詢通告、技術標準等文件對ChatGPT類最新科技產品在航空培訓管理中的效果予以量化規定，這也是未來一段時間民航監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到較高水平，越來越多的公眾信任航空出行，但監管當局和航空公司始終將飛行安全放在首位。當飛機在運行過程中出現異常時，飛行員需要在綜合考慮氣象條件、故障提示、空中交通密度、當前飛行狀態等因素下緊急做出響應，此時機組人員的負荷將會短時間內陡升。因此，利用人工智能技術幫助飛行人員及時做出正確判斷，降低突發事件情況下的操作壓力對于保障持續飛行安全有著重要意義。2020年，在歐盟“潔凈天空”項目第二期規劃的資助下，一個由法國泰雷茲公司主導，挪威SINTEF研究所、Sensibel公司和比利時Acapela公司等機構共同參與的名為“語音機組交互”（VOICI）的子項目得到了業界關注。該項目旨在實現機艙噪聲環境下駕駛艙語音的高清晰度捕捉、識別和人機對話功能，以提高機組人員在高負荷工作下的操作效率，進一步保障飛行安全。

VOICI項目最主要的技術實現路徑是在深度神經網絡自學習和自然語言處理技術的基礎上，研究人員開發了一個逼真的音頻評估環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。語音捕獲通過飛行員耳機和低噪聲光學麥克風陣列實現，研究人員同時在語言模型中集成了大量航空應用術語，以提高人工智能語言理解與合成的準確性。鑒于當時的技術發展水平，VOICI項目最終僅達到TRL3級水平，即實現概念驗證。如今，大規模語言模型的快速成熟和ChatGPT的出現，可以讓此類智能語音操作項目的成果得到本質改善，直接提升到工程樣機研制階段。

泰雷茲公司還在Flyt X飛行管理系統項目中利用人工智能技術對未來飛機駕駛艙設計進行深度嘗試。這個項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設計元素，為公務機和直升機提供了新的駕駛體驗。該項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備接收到的地面信號，輔助機組人員進行特定操作。

當Flyt X駕駛艙現有的智能語言處理程序升級到大規模語言預訓練模型后，AI技術對飛機的信息綜合生成和輔助決策能力將得到顯著提升：通過關聯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，查詢飛機狀態，并獲得天氣、航路、備降機場、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、維護報告等大量數據的定期分析，識別潛在安全隱患，向機組和地面管制人員發出預警。

泰雷茲公司計劃在2025年將Flyt X項目技術成果用于商業運行，并對此保持同歐洲航空安全局（EASA）的溝通。然而，一旦基于大規模語言模型的人工智能生成技術真正應用于飛機研制時，當前AI程序算法的固有缺陷——不可解釋性極有可能拖慢飛機適航審定的節奏。

按照傳統機載航電設備研制過程保障要求（如 RTCA DO178、DO330標準等），現有大型語言模型（LLM）和自然語言處理（NLP）技術需要清晰展示算法程序中每一個需求在進行數據化處理和判斷選擇時所依據的準則，且軟件鑒定工具需要滿足特定的適航標準，而這些要求對于人工智能算法來講，現階段很難完全滿足。

促進預測性維修轉變

在飛機維護、修理和大修（MRO）領域，ChatGPT的出現可以加速當前維護理念向預測性維修的轉變，并在維修過程中對操作人員提供實時幫助。預測性維修工作的主要目標是確定理想維修間隔，以便在零部件失效之前進行針對性處理。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，又不需要像預防性維修一樣頻繁干預，從而節省了大量維修資源投放。預測性維修在有效降低機隊整體維修成本的同時提高了航空公司運行效率，因此早已被業界視為航空維修工作的未來發展方向。

為了確定飛機的最佳維護時機，需要基于對飛機運行的實時監控記錄和歷史維修日志內容的深入分析，在零部件失效之前對其故障進行預測并采取行動。維修日志包含了大量關于維護時間、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現預先判斷至關重要。目前，已有研究人員使用深度神經網絡（DNN）、循環神經網絡（RNN）和預訓練BERT等算法模型來嘗試對大量維修日志信息進行分類處理。結果表明，預訓練大規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用。理論上，該應用可以對各種結構化維修日志信息進行有效分類，結合不同飛機機型手冊推薦的維修間隔與策略，在現階段人工智能決策算法基礎上生成預測性維修方案，并指導內外場實施。

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

人為因素事件預測

盡管世界航空運輸已經在高安全水平下持續運行多年，但過去幾十年間航空事故分析結果表明，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，各國民航監管當局要求各航空公司采用安全管理系統（SMS）、維修資源管理（MRM）系統等手段，通過定期檢查、標準化審計等措施來識別安全違規風險。美國聯邦航空局（FAA）、歐洲航空安全局等機構更是針對飛行機組和維修勤務人員頒布了多項旨在降低其工作疲勞的特別規定。

基于自然語言處理技術發展而來的ChatGPT的出現，為航空人為因素事件的預測提供了新的途徑。利用大規模預訓練模型和航空安全報告中海量的描述數據，人們可以將文本片段轉化為數值矢量投影供計算機閱讀、破譯和理解，這一過程被稱為特征提取。在此基礎上，結合支持向量機（SVM）、自動貝葉斯優化算法等工具，可以構建出“人為因素分析與分類系統”機器學習模型，從物理環境、智力（體力和情緒）局限、監管缺失等不同角度對飛行操作和地面維護中人為因素所造成的不安全事件進行分類，并對其發展趨勢進行預測。

谷歌推出的BERT模型被用來對人為因素事故趨勢進行預測，一個主要原因在于它可以根據單詞出現的頻次聯系上下文對不同語境產生準確理解，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習算法，該算法首先提供大量數據供模型針對特定任務進行訓練，隨后該模型將學習記憶應用于有待解決的任務，這樣便充分發揮了模型預訓練過程中在相似任務處理方面已有數據所包含的潛在效用。

總體而言，基于NLP技術發展而來的大規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屬性，可以在人為因素事故預測、航空安全報告處理等領域帶來新的問題解決辦法。但同時，該類模型也面臨著數據質量和一致性欠佳、信息深度有限、數據分類復雜等現實的挑戰，這也會在一定時期內延緩此類技術在更大范圍內的推廣和應用。

當前ChatGPT的局限

盡管ChatGPT應用程序在航空產業有著廣泛的應用前景，但現階段人工智能技術固有的“黑盒特性”使得大規模預訓練模型在推廣過程中依然需要接受嚴格的評估和檢驗。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驗的“求解者”。

現階段ChatGPT可以生成與人類書寫內容非常相似的文本，但它缺乏類似人類的理解，這將導致生成內容的準確性和相關性難免存在局限，有些觀點并非原創，有時對于上下文背景的結合也不夠緊密。特別是在人們不知道準確答案的情況下，如何鑒別NLP技術回答的合理性便成了棘手的問題，因為沒有辦法深入探究大規模語言模型內部數據篩選、集成和判斷生成的最終邏輯。

同時，ChatGPT對調整輸入短語或多次嘗試相同的提問非常敏感，這導致有時相似問題會得到截然不同的答案。由于訓練數據不可避免存在偏差，模型算法可能會被過度優化，ChatGPT的回答有時會重復冗長，這表明在數據質量適應性方面該語言模型依然存在一定改良空間。預計隨著模型數據集范圍和容量的拓展，這一點會相應得到改善。此外，在進行單一任務處理時，以ChatGPT為代表的預訓練語言模型可以表現出上佳的工作效率，但多任務并行處理將顯著降低此類模型的有效性和準確性，在任務優先級判斷方面模型還需要得到人工確認。

在人工智能技術發展早期，占主導地位的推理方法多是邏輯性和象征性的。這使得多數算法模型均是通過執行某種形式的邏輯推理來做出判斷。然而，隨著支持向量機、隨機森林、神經網絡等機器學習算法的出現，計算模型越來越復雜，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技術實現可信與自主的前提條件，2015年之后這一領域的研究成為了業界焦點。

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習概念和大規模預訓練數據的融合，NLP技術也逐漸趨于黑盒求解狀態。這對于極為強調“確認-驗證”遞推性設計理念的航空產品研制來講，無疑是一個難以跨越的技術障礙。即便是在航空維修和培訓領域，人工智能生成內容（AIGC）技術生成的虛擬場景、技術回答等內容的準確性，也需要得到標準環境和相關數據的驗證。但可以達成業界共識的是，以ChatGPT為代表的預訓練語言模型是現階段打開AI技術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習模型的決策規律。

總的來說，人工智能技術在航空產業的悄然滲透早已成為業界共識。無論是適航監管局方、飛機或發動機等產品制造商，還是各航空公司、培訓機構，都在從不同角度對如何實現AI技術的有效應用進行探索。在局方發布的相關審定指導、主機廠內部設計規范和航空公司積極調整的運營策略中，航空產業在ChatGPT等一眾人工智能算法的促進下每天都發生著改變。雖然技術變革在帶來機遇的同時也會帶給人們挑戰，但從長遠來看，這將會成為行業進步與繁榮的原動力，不斷驅動航空產業的高質量發展。