青岛港的AI突围：全国首个港口大模型诞生记

记者 王惠

从培养一名计划员要8到10年，到智能体1.5分钟生成方案；从安全员跑断腿、盯花眼，到建立133类违章识别算法模型。这些变化背后，是星港大模型正在把老师傅的经验，变成可复制、可调用的智能决策能力。

星港大模型由青岛港（SH601298）主导研发，于2025年10月31日发布。这是全国首个港口行业垂直大模型，被交通运输部列为全国交通运输领域垂类大模型典型案例。该模型可为港口提供“智慧中枢”，全面赋能港口智能化转型。

这背后是港口智能化的大势。港口行业正从“设备自动化”的上半场，转入“决策智能化”的下半场。目前，全国已建成60座自动化码头，但核心生产决策仍依赖人工。人工智能能否接管调度、安全等脑力环节，正成为下一轮竞争的分水岭。

大模型为何率先落地青岛港？山东港口青岛港一级专家常建介绍，答案在于场景与数据。国内大港中，有的偏重煤炭等干散货，有的主攻集装箱；大模型能力的上限，很大程度上取决于训练场景的广度与数据积累的厚度。青岛港货种齐全、场景多元，各板块数据交叉滋养，模型因而能持续迭代，不断深化对港口业务的理解。

针对真实痛点，青岛港以星港大模型为底座，围绕港口安全、生产、港航服务等领域，全面启动26个首批示范场景建设。这些场景被划分为五大板块，包括码头生产、港航协同、全域安全、具身智能、经营管控，并研发出全要素调度、集装箱船舶配载等19个智能体。

目前，星港大模型在山东港口内部实现规模化落地，并逐步向全国及海外港口复制推广。

如何训练一个懂港口的“大脑”

为何青岛港要自研大模型，而不用通用大模型？

常建介绍，通用大模型能够应对大众日常问答等通用场景，但无法适配高精度、强专业、重实操的垂直业务场景。要回答轨道吊如何作业、泊位计划如何编排等专业问题，需要的是一个懂港口的行业大模型。

要训练一个懂港口的行业大模型，首先要解决“用什么基座”的问题。常建表示，星港大模型选择国产基座模型，因为港口属于国家关键基础设施，自主可控是底线要求。同时，当前国产基座的技术能力已经能够支撑港口场景的二次开发。

底座确定后，数据是下一个关键。青岛港经过几十年生产运行，积累了海量多元化专业数据，这些数据正是训练基础。但原始数据来源繁杂、质量参差不齐，无法直接用于模型训练。

对此，青岛港研发团队分几步完成知识转化：以数据治理与脱敏为基础，清洗码头历史数据、结构化解析制度规程；联合一线专家将隐性经验显性化，构建涵盖船舶、泊位、设备、人员、安全规则的港口知识图谱；再基于知识库与真实案例生成多场景问答对，划分训练/验证集，采用预训练、领域微调与RAG（检索增强生成）结合，实时调用知识库，减少幻觉，保障合规。

“在研发过程中，挖掘专家隐性经验是最大的难点。这些经验没有标准化记录，仅留存于资深从业人员的脑海中。”常建说。

以干散货码头排泊智能体为例，研发前期团队投入3至4个月开展深度调研，翻阅大量纸质计划表格、历史作业记录，通过访谈、案例复盘，把老师傅的调度逻辑、处置经验整理出来。整个智能体打磨周期长达半年。

“懂港口”是理解知识，“能干活”是可以参与真实生产，中间还要经过一系列优化。星港大模型先开展仿真环境推演，随后进入隔离环境小范围试点，最后依托一线真实业务反馈形成迭代闭环，持续微调优化，逐步嵌入业务流程，实现智能化作业赋能。

星港大模型是全国港口行业首个垂直领域大模型，覆盖安全、生产、港航服务等场景，具备自然语言、视觉识别、多模态等核心功能，采用“大小模型协同”模式。

采用这一模式，是因为大模型擅长理解复杂意图、处理非结构化信息和组织多步骤任务，但在实时控制、确定性计算、成本控制及安全验证方面，小模型和传统优化算法往往更有效。两者协同，兼顾效率与安全。

使用方式上，星港大模型既可以像对话一样直接交互，也可以通过API接口被其他应用调用。对内，该模型为港口员工提供智能问答与岗位助手；对外，该模型依托山东港口社商平台，为平台上2.6万家企业、57 万个人用户提供智能服务，覆盖船代、货代、司机等口岸客户。

青岛港早已建成的亚洲首个全自动化集装箱码头，星港大模型与其有什么关系？常建解释，自动化码头解决的是桥吊、自动导引车等设备如何接收指令、执行物理作业的问题。而星港大模型瞄准的是调度研判、风险识别、方案推演等依赖人的脑力决策环节。前者管设备执行，后者管决策判断，二者互为补充。

让大模型真正“上岗干活”

模型能不能干活，最终要看落地场景。

港口日常的生产组织业态多、工艺多、设备多、交互多，安全到底管什么、怎么管，一直是一个难题。传统集装箱、干散货码头，每天有大量人员、外来司机、流动机械交织作业，是安全管控的主战场。

在大模型落地之前，港口安全管控高度依赖人力。山东港口青岛港QQCTU（青岛前湾联合集装箱码头有限责任公司）IT管理员陈义伟介绍，一方面依靠安全员在码头现场轮巡排查隐患；另一方面，安排值班人员盯守上千路监控屏幕。码头厂区面积广阔，作业点位分散，人工巡检很难做到全天候无死角覆盖。内部作业人员存在图省事的侥幸违章，外来集卡司机也容易出现现场违规行为，依靠人盯人的模式，隐患很难被及时捕捉。

为此，星港大模型衍生出动态安全管控智能体，可以捕捉人员违章，比如岗亭违规站位、登高不规范、危险区域闯入等作业人员的侥幸行为；也可以识别物的不安全状态，例如监测设备维修、多机交叉作业、机械剐碰风险等设备与作业环境隐患。

该智能体针对设备维修、人机交互、登高作业、道路交通四大高风险领域违章行为，落地50个业务场景，建立133个算法模型，码头安全监管覆盖率达到95%，员工违章行为数量下降32%。

另一个典型场景是生产调度。山东港口青岛港前港公司自动化智控中心主任赵伟丽介绍，干散货码头生产计划制定时需要人工统筹，需要考虑的业务规则超过180个、影响计划要素132个，计划员手工制表往往要耗费大半天时间，任何一个要素变动，都会牵动整体生产计划全盘调整。如今，全要素调度智能体可以自动完成测算与方案寻优，仅需一分半钟即可输出最优靠离泊方案，方案采纳率稳定保持在90%以上。

“青岛港干散货码头生产决策智能化，并非简单将AI 场景嫁接过来，而是让 AI 适配这座运营 30 余年老码头的持续迭代过程。”常建介绍。

基于星港大模型研发出的星舟安全管控一体机、钩行路线人车识别智能体等产品，已在日照港、烟台港上线应用，宁波舟山港、天津港、大连港等国内港口正在洽谈合作。

“产品落地只是开始。从青岛港向全国港口复制，最大挑战不是算法模型本身，而是港口之间存在显著差异化。”常建表示。内沿海、内河港口，以及集装箱、干散货、件杂货的作业流程、管理模式、规章制度不完全一样。此外，各个港口信息化建设进度参差不齐，系统厂商不同，数据标准不统一。大模型落地依赖高质量业务数据，部分港口存在数据孤岛、数据标准化程度不足。

青岛港对此采用“基础大模型底座+行业通用能力+港口定制适配”模式。底座、通用能力复用，针对各个港口做业务规则、数据接口、场景配置的适配迭代，降低复制成本，同时尊重各港口差异化。

常建判断，大模型会成为下一代智慧港口的核心基础设施。过去港口数字化更多聚焦数据采集、流程线上化；大模型时代将走向智能理解、综合决策、人机协同作业。

在这轮变革中，青岛港希望扮演两个角色：一是实践者，持续打磨港口大模型技术与垂域产品，在调度、安全、口岸服务、绿色港口方向持续落地；二是行业共建者，联合港口与产业链伙伴，完善行业数据集与标准，推动大模型技术真正扎根港口实体经济。

从青岛港出发，这场关于港口智能化的探索，才刚刚开始。