當「人工智能」和航空業(yè)結合在一起時，大家的第一反應可能是無人機。但這只是冰山一角。飛機制造商和航空公司在人工智能技術上投入了大量資源，積極探索應用場景，從駕駛艙到客戶體驗，幾乎遍及整個行業(yè)。

多年來，自動化系統(tǒng)一直是商業(yè)航空的一部分。由于采用了「遙控駕駛」和自動飛行系統(tǒng)，機器學習和人工智能技術也成了「機組成員」。這些系統(tǒng)逐漸能夠扮演副飛行員的角色，而不是簡單地減少飛行員的工作量。

舉個例子，最初為無人機（UAV）安全開發(fā)的系統(tǒng)，比如用于交通環(huán)境感知的廣播式自動相關監(jiān)視（ADS-B），已被遷移到駕駛艙中。為滿足彌補駕駛操控特性的需要，人們開發(fā)出類似機動特性增強系統(tǒng)（MCAS）的新系統(tǒng)，以提高安全性。這些系統(tǒng)可以根據飛行條件，利用傳感器數據自動調整飛行操作面。

但是，機器學習系統(tǒng)的好壞取決于它們得到的數據。很少有人能夠理解讓機器學習或人工智能接管高危環(huán)境中的人類工作所隱含的風險。

最近發(fā)生的 Lion Air 610 墜機事件仍在調查過程中，不過，從目前披露的細節(jié)來看，飛機已經過多將控制權交給自動系統(tǒng)的舉措，存在很大風險。然而，災難性的航空事故很少因單一錯誤而發(fā)生（這次也不例外），MCAS 傳感器失靈、維修未能完全解決問題、飛行員沒有受到充分培訓且未完全了解 MCAS 的功能和使用方法，都會引發(fā)事故。

189 條生命所獲得的慘痛教訓是，航空業(yè)必須將數據質量，對機器學習與人工智能系統(tǒng)的關注與發(fā)展需要一并融入安全文化中。既然機器學習和人工智能改變了飛行員的角色，也應該參照同類角色，對這些技術進行全面測試：至少達到相同水平，才算具備崗位能力。

超越自動駕駛

2015 年迪拜航展期間展出的空客 A350 XWB 飛機有超過 50,000 個傳感器，每天收集的飛行和性能數據總計超過 2.5TB。

空客（Airbus）等主要飛機制造商已經逐步進入 AI 階段。據空客副總裁 AI Adam Bonnifield 稱，公司正長期致力于發(fā)展這些技術。

「由于我們的行業(yè)背景，以及過去在解決自主化系統(tǒng)問題上積累的經驗，我們對這些技術并不陌生。」他告訴我們。

這架現代客機上有大量數據可供機器學習挖掘：空客（Airbus）于 2015 年推出的雙引擎寬體飛機 A350 XWB 擁有約 5 萬個傳感器，每天可收集 2.5TB 數據。人工智能可以通過多種方式利用這些數據。

空客正在研究如何減少飛行員認知負荷（以及由此產生的認知疲勞）、降低駕駛艙飛行員數量，這樣，機組人員可以投入更多時間來處理整體戰(zhàn)略和飛行任務，而不是花費大量時間在所有小問題上。

Bonnifield 解釋說，雖然許多人認為飛機中的自動駕駛是「二值的」：自動或不自動，但他不這么認為：「這更像一個光譜，」他說，「我們嘗試用人工智能來解決飛行過程中的一些小問題。」

例如，空客飛機上的一種跑道超限保護選項。ROPS 軟件負責計算飛機進場速度和重量，它將計算出的物理模型與已知的跑道長度和實時的天氣進行比較，如果檢測到不安全的情況，它會廣播「跑道過短！」ROPS 還可以為著陸計算最佳滑行斜率或軌跡，并對滑行、起飛和飛行等其他操作有所幫助。

空客公司的另一個人工智能重點領域是，建造自動駕駛汽車和空中出租車，為城市居民提供交通服務。當飛行員因機艙壓力下降而失去意識時，人工智能可能會接管飛行器。在高壓情況下，假定數據正確無誤，人工智能可以更快地綜合各類因素，制定更合理的決策，增加安全性。

讓溝通更容易

倫敦地區(qū)控制中心 LACC 的空中交通管制員。嘈雜通信頻道中濃重的英語口音，是對語音識別系統(tǒng)的真正考驗。

空中交通管制（Air Traffic Control，ATC）通信對所有航班來說，都很關鍵。

在歐洲領空，很多對話都是用帶有濃重口音，飛行員和管制員很難相互理解。飛行員無法看到駕駛艙外的情況時，需要在儀表飛行氣象條件（instrument meteorological conditions，IMC）下收聽機尾/航班號，獲取方向指示、交通警報等信息。空客公司打算運用人工智能來解決語音識別問題，這也是其 AI Gym 競賽內容的一部分。在 AI Gym 這項計劃中，空客通過尋求外部合作，協助開發(fā)突破性人工智能系統(tǒng)。

空中交通對話清晰化，對于機器學習來說，是一件難度很高的任務，因為 ATC 音頻噪音很大，而且會話很快，充滿了「特定領域詞匯」。AI Gym 希望可以提供 ATC 音頻的完整轉錄，并能從音頻中提取飛機通話信號，用于通話跟蹤和報警。

2018 年 10 月，比賽結束，空客已經開始將研究成果轉化為產品。AI Gym 允許空客公司借助外部專業(yè)技術，挖掘人工智能的許多其他潛在用途。

「我們有許多需要探索并加以解決的問題和有趣的案例。」Bonnifield 說。部分原因在于這個技術比較新，正處在非常不成熟的階段，有很多的實驗，還有一些很棒的開源技術。

借助這個項目，空客正與「普通嫌疑犯」（美國電影名，這里用來比喻合作的隱秘性，因為有保密協議）合作。這樣合作的方式有個好處：即使失敗，也不至于弄到世人皆知。雖然我們也期望這些神秘的合作伙伴能提供最高性能的解決方案，但 Bonnifield 發(fā)現，大多數時候最好的解決方案來自小微初創(chuàng)公司。

只有少數人的研究團隊常常能夠提供最佳解決方案。Bonnifield 說，他相信這可能是 AI 領域的獨特之處。空客公司面臨的最大挑戰(zhàn)是，如何讓這些處于創(chuàng)新前沿的小型團隊走到一起，并為他們提供一種簡單的協作方式。

這要求空客改變與外界合作的方式，「一些初創(chuàng)公司之前甚至從做過征求意見書（RFP），」Bonnifield 解釋道。

落地到業(yè)務

在飛行安全問題上，航空公司非常依賴設備制造商（如空客和波音公司）。但是，航空公司也需要機器學習和人工智能輔助內部管理──實現地面作業(yè)流水化，通過盡可能實現「無縫旅程」創(chuàng)造最佳客戶體驗。

美聯航正在投資所有可用的新技術，利用機器學習從客戶那里收集后端數據、維護日志、員工值勤日志和飛行中的漸進數據，全面改善業(yè)務。國聯合航空公司數字產品和分析副總裁 Praveen Sharma 說。

9 月，美聯航和 Palantir 宣布了一項長期合作關系，將 Palantir Foundry 作為該航空公司的中心平臺，加速內部關鍵業(yè)務部門之間的企業(yè)級數據計劃。

「真正的挑戰(zhàn)是... 將公司各部門不同平臺的海量數據集成到一個平臺上... 我們可以利用這個平臺建立機器學習和人工智能模型。」Sharma 表示，過去一年，為實現該目標，兩家公司開展了一系列研究項目。

Palantir 與空客公司合作創(chuàng)建了 Skywise，這是一個航空數據分析平臺，空客公司為小型航空公司提供訂購服務，其中包括幫助減少飛行意外的維護工具。通用電氣還嘗試將飛機傳感器數據轉換為基于機器學習的的服務，以推動公司噴氣發(fā)動機的預測性維護。

美聯航及其地區(qū)航空公司聯合快運每天運營約 4,600 個航班，飛往五大洲的 357 個機場。去年，兩家公司運營了 160 多萬個航班，載客超過 1.48 億。當不可預見的維護問題或其他操作問題發(fā)生時，美聯航會使用機器學習來協同換掉飛機。這并不像人們想象的那么簡單；系統(tǒng)必須考慮分配機組人員所需的所有變量（例如休息時間和機組人員飛機認證書），飛機燃料和操作限制以及飛機座位容量。

「這些復雜的決策，往往必須要根據當時可用的有限數據，在 25 分鐘的時間內做出。」Sharma 解釋道。

不僅僅是維護

美聯航對機器學習和人工智能的使用，遠遠超出了管理維修和飛機時刻表的范疇。它還可以利用客戶數據。基于每名乘客的交互數據，美聯航利用人工智能和機器學習優(yōu)化客戶體驗──調整機票價格以匹配乘客資料。

美聯航的機器學習算法可以獲取 150 個不同的客戶和航班數據點，并實時決定購買或登記點應該將哪種產品展示給客戶。該引擎考慮了乘客的曾購買、偏好、目的地和活動等因素。

通過實時決策引擎展開的互動，始于 2014 年，該引擎為客戶提供各種產品選擇，改善旅行體驗，比如航班選擇、座位升級、里程購買或者優(yōu)先值機權。

Sharma 說，美聯航使用了基于貝葉斯推理的預測模型。「它不僅僅決定了提供的內容，」Sharma 解釋說，「還決定了在客戶面前展示的形象以及標語。」

Sharma 說，機器學習的應用正在取得效果。根據美聯航收集的測量結果，客戶不必再去尋找他們想買的東西或想要的體驗。

其他航空公司也正在以其他方式運用人工智能，進而減輕行程的不適（并減少航空公司員工的工作量）。人臉識別技術現在正出現在航站樓中，幫助機場乘客加快辦理登機手續(xù)。大多數人臉識別算法都基于深度學習，這是機器學習的一部分。達美航空公司是第一個實施此流程的航空公司，據該公司估計，此舉將乘客登機時間縮短了近 10 分鐘。該系統(tǒng)目前用于國際航班的登機手續(xù)和行李托運。，達美預計明年將其擴展至國內航班。

預防災難

人工智能最重要的用途之一，可能是在災難發(fā)生之前識別出安全風險。例如，Lion Air Flight 610 墜機事件，自動控制系統(tǒng)發(fā)生故障，可能就預示著一個重大安全問題。

位于硅谷的 NASA 艾姆斯研究中心正積從事與航空相關的人工智能研究，一個項目重點就是識別商業(yè)航空事件數據中的「異常運行」，而這些數據可能預示著潛在的更大問題。這正是 Nikunj Oza 的主要研究領域，Nikunj Oza 是一名計算機科學家，負責 NASA 艾姆斯研究中心的智能系統(tǒng)部門（即 Code TI）。因為商業(yè)航空的安全記錄非常好──比駕駛要好很多，所以，識別那些可能存在安全問題的異常情況，要困難得多。

NASA 已經初步開發(fā)了一些算法，主要用于異常情況監(jiān)測和事故前兆的識別，并已經開始接收專家們的相關反饋。目前，NASA 正在開發(fā)一套用于飛機數據安全性分析的系統(tǒng)──特別為聯邦航空管理局數據分析合作伙伴 Mitre 服務。

Mitre 是聯邦資助的研發(fā)中心，正在實施「航空安全信息分析和共享（ASIAS）計劃」，這是一個數據聯盟──NASA、聯邦航空管理局、國家運輸安全委員會、飛機制造商和 50 多家航空公司之間共享安全數據。航空公司將部分航班記錄數據子集上傳到 Mitre，Mitre 會對潛在問題進行分析并提供反饋。（數據由航空公司秘密共享。）

艾姆斯研究中心正在開發(fā)的數據分析方法，希望借助人工智能及時發(fā)現飛行數據中的異常模式（這可能表明飛機存在系統(tǒng)性問題）。

「你希望盡快發(fā)現問題并找到解決措施，以防止再次發(fā)生這種情況，」Oza 解釋說，到目前為止，在航空領域人工智能并沒有完全取代人類，人工智能和人類專家的關系被證明是互補的──一種可以拯救生命的伙伴關系。

【來源：人工智能學家】