[{"data":1,"prerenderedAt":73},["ShallowReactive",2],{"news-computing-power-and-ocean-model":3},{"id":4,"title":5,"body":6,"category":62,"cover":63,"date":64,"description":65,"extension":66,"featured":67,"meta":68,"navigation":67,"path":69,"seo":70,"stem":71,"__hash__":72},"news\u002Fnews\u002Fcomputing-power-and-ocean-model.md","算力与大模型如何服务海洋产业",{"type":7,"value":8,"toc":53},"minimark",[9,13,17,20,23,26,29,32,35,38,41,44,47,50],[10,11,12],"p",{},"海洋产业的智能化环境与普通互联网场景存在明显差异：设备分布范围广、网络质量不稳定、数据类型复杂，业务又涉及安全生产和应急响应。要让大模型在海洋场景中发挥作用，必须同时考虑算力部署、数据治理和业务闭环。",[14,15,16],"h2",{"id":16},"中心算力负责训练与持续优化",[10,18,19],{},"中心侧算力用于汇聚历史数据、训练视觉模型、构建行业知识库，并对不同版本模型进行评估。模型是否可以上线，不能只看通用测试集，还要结合目标海域、天气、摄像机角度和业务规则进行验证。",[14,21,22],{"id":22},"边缘算力负责实时推理",[10,24,25],{},"在渔港、网箱、船舶和海上设备现场，边缘节点承担视频分析、传感数据预处理和实时告警。这样既能降低原始数据回传量，也能让关键能力在网络不稳定时继续运行。",[10,27,28],{},"中心训练和边缘推理并不是相互独立的两套系统。现场误报、漏报和新场景样本需要回到中心侧进行分析，更新后的模型再经过灰度验证下发到边缘节点。",[14,30,31],{"id":31},"多模态数据提高判断可靠性",[10,33,34],{},"海洋业务通常需要同时分析视频、AIS 船位、北斗定位、气象水文和历史轨迹。单一数据来源可能出现缺失或误差，多源数据可以互相校验。",[10,36,37],{},"例如，当视频识别到一艘船进入港区后，可以结合 AIS 身份、历史轨迹和进港计划判断其身份与行为是否正常，而不是只输出一个孤立的检测框。",[14,39,40],{"id":40},"大模型承担知识组织与辅助决策",[10,42,43],{},"行业大模型可以连接规章制度、设备手册、历史事件和实时数据，帮助管理人员快速理解告警原因、查询处置流程和生成分析摘要。",[10,45,46],{},"在实际项目中，大模型更适合作为专业人员的辅助工具。涉及安全控制和关键生产操作时，仍需要设置明确的权限、审核与人工确认机制。",[14,48,49],{"id":49},"从小场景开始验证",[10,51,52],{},"海洋智能化项目适合从数据条件较好、业务价值清晰的场景开始，例如船舶进出港识别、电子围栏、人员安全行为检测或水质异常预警。通过试点验证数据质量、模型效果和处置流程，再逐步扩展业务范围。",{"title":54,"searchDepth":55,"depth":55,"links":56},"",2,[57,58,59,60,61],{"id":16,"depth":55,"text":16},{"id":22,"depth":55,"text":22},{"id":31,"depth":55,"text":31},{"id":40,"depth":55,"text":40},{"id":49,"depth":55,"text":49},"技术观察","\u002Fmedia\u002Fnews\u002Fsmart-ocean-model.jpg","2026-08-06","从数据采集、模型训练到现场推理，梳理海洋智能化建设的关键路径。","md",true,{},"\u002Fnews\u002Fcomputing-power-and-ocean-model",{"title":5,"description":65},"news\u002Fcomputing-power-and-ocean-model","4kX-eQ6Bdzr29Fiy6QgOT1EcfhQ70qa3bpH9ziWGq1A",1786627242212]