背景：岸线用到极致之后，增量只能从算法里挖
港口的竞争有两条路：一条是造新码头、拓新岸线，另一条是在既有岸线上挤出效率。上海港走的是第二条，因为在集装箱吞吐量上位居全球各港之首的同时，可贸易与货运的需求仍在增长，而岸线资源已经用到了极限。
根据交通运输部水运科学研究院公布的数据，2025 年全球集装箱码头百米岸线利用率均值为 18.8 万标准箱。上海港在传统码头领域，洋山三期码头百米岸线产出 38.5 万标准箱，在同类港口中位居前列；在自动化码头领域，洋山四期码头桥吊单机最高作业效率超过每小时 60 自然箱。
冠东公司营运操作部业务策划主任付银芬的判断很直接：传统提升效率的方法已到达瓶颈，接下来必须依靠 AI 的力量。这句话是理解整个案例的前提——它不是用智能体替代一个已经很顺畅的流程，而是用智能体去撬一个物理上已近饱和的系统。
起点：一个毕业一年的新人，5 分钟找到故障件
案例的切口很小。浦东公司设备维保员杨文豪接到外高桥一期码头现场信息：807 号桥吊后大梁声光报警器异常，只有灯光闪烁、没有鸣笛警告，给现场装卸环境带来安全隐患。
他把故障情况告诉公司的维保智能体，智能体很快调出设备图纸和电器原理图，结合历史故障信息分析并锁定范围，给出现场排查建议。杨文豪带着建议到现场，5 分钟就找到了损坏的零件并完成更换。
放在以前，这一步要走的流程是：自己翻找相关设备图纸、根据图纸分析故障可能位置、形成现场排查思路，这个过程往往要 20 分钟以上；如果到了现场发现思路不对，还得回办公室继续研究图纸或请教师傅。
| 环节 | 过去 | 现在 |
|---|---|---|
| 故障排查思路形成 | 人工翻图纸，20 分钟以上，判断错误需返工 | 智能体给出排查建议，现场 5 分钟定位零件 |
| 整体故障处置时长 | 基准值 | 浦东公司数据：平均缩短 20% |
| 对人员经验的要求 | 依赖师傅带教与个人积累 | 杨文豪为去年高校毕业的码头新人 |
本文认为这组数字里真正有价值的不是 5 分钟，而是它发生在一个毕业一年的新人身上。智能体在这里的作用不是让老师傅更快，而是把新人的能力下限抬到了接近老师傅的水平——企业口径表述为「让新人快速变成老师傅」。
「码头故障处置时间平均缩短 20%」出自浦东公司披露的数据，原文未说明统计区间、样本量、故障类型加权方式，也未说明是否包含智能体无法处理的故障。本文建议把它读作方向性证据而非精确收益。另外，5 分钟这个数字来自单次案例描述，不宜当作典型值。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。
数据资产化：把纸质机械图纸翻译成计算机语言
这一步是整个案例里最不显眼、但本文认为最关键的一环。付银芬介绍：因为数据量太大，各码头分头行动——浦东公司把所有纸质机械图纸转化为计算机语言喂给 AI，冠东公司则拆解机械设备控制逻辑，将其转化为计算机语言。
代价被同一段话带了出来：「光是转化数据，码头就用了数月时间，一开始图纸识别准确率不高，冠东公司换了三套方案，才实现突破。」
这句话的分量在于，它把智能体项目里通常被隐藏的那部分成本摆到了台面上。多数落地复盘会把成本写成模型调用费与人力投入，而这里真实发生的是：数月时间、三套方案、以及一个没有交代的准确率爬坡过程。
付银芬对未来路径的判断是，软硬件方案可融合成终极版本的码头设备维保智能体，进一步提升故障分析准确度；随着智能体真正成长为专家，港口工程维保领域资深从业者的经验价值将在实际作业中实现指数级放大。
组织分工：分头训练，再复制推广
上海港的 AI 基础平台由上港集团科技信息部，联合集团旗下哪吒科技与海勃数科等公司共同打造，系统界面大致分为生产、工程、安全、财务、通用几个板块。
推进方式是各码头各有侧重、分头训练智能体，然后再复制推广到其他码头。维保领域的分工尤其清晰：浦东公司侧重电气硬件排故层面，冠东公司负责管理洋山三期码头，侧重软件层面，依托智能体结合设备故障代码精准定位故障根源。
这种「分头训练再横向复制」的结构，是本文认为最值得被其他大型组织借鉴的一点。它避免了用一个统一智能体覆盖所有差异化场景的常见陷阱，同时通过复制推广保留了规模效应。
平台层：风火轮数据集与莲花座能力平台
数据侧的基础是风火轮数据集，在 2026 世界人工智能大会上由上港集团发布。它把千万级码头作业记录与设备工况等真实场景中的散落信息，转化为高价值知识库，为港口专业领域 AI 训练提供可信赖的「试题集」。
在此之上，上港集团训练出多种专业算法模型，并搭建了大模型加小模型双核驱动的莲花座能力平台。该平台提供一套基础版智能体，涵盖采购流程、收入分析、业财分析、机械智能维修、工班交接等，开发者可以基于这些基础快速搭建符合自身需要的、可自主作业的港口智能体。浦东公司的智能体即利用莲花座能力平台开发。
哪吒科技党总支书记、总经理黄桁概括这个方法论是「数据会告诉我们意想不到的事」。上港集团、哪吒科技、上海交通大学、同济大学还共同起草了《港口智能体建设白皮书》，为港口运营方与解决方案商提供技术路书。
配载账本：4 小时到 40 分钟
配载是港口生产里对经验依赖最重的环节之一：计算船上的集装箱怎么装才能又快又稳。冠东公司于 2025 年 9 月上线智能配载模型，做法是对配载计划员的工作内容进行提炼总结形成规则，再结合航线的历史积载情况，在满足船舶航行安全的前提下快速生成具备一定质量水平的出口船图。
| 指标 | 过去 | 现在 |
|---|---|---|
| 配载规模与耗时 | 装载 3000 标准箱，老师傅需 4 小时 | 装载 6000 箱约 40 分钟形成出口船图 |
| 装船翻箱率 | 历史同期基准 | 最高可降 20.6% |
按公开数值换算：过去 3000 箱除以 4 小时约合每小时 750 箱；现在 6000 箱除以 40 分钟约合每小时 9000 箱，两者相差约 12 倍。但本文不建议直接引用这个倍数，原因有三：其一，两组数字的箱量不同（3000 对 6000），时间跨度也不同，等效率换算隐含了线性假设；其二，40 分钟对应的产出是「形成出口船图」，与过去 4 小时对应的「完成配载安排」是否为同一交付物，原文没有界定；其三，翻箱率下降 20.6% 用的是「最高可降」，是区间上界而非均值。综合判断，这个案例可以支撑的结论是配载环节实现了一个数量级以上的效率改善，而不宜写成 12 倍的确定收益。此为本文推算，原文未给出该倍数。
维保窗口账本：1000 小时需求对 400 小时停产
这一组数字是本文认为整个案例里信息密度最高的部分，因为它揭示的不是一个效率问题，而是一个结构性的不可能。
上港集团浦东公司工程技术部责任工程师陆骏介绍：外高桥一期码头做过测算，想让所有设备保持最佳工作状态，全码头每年要投入 1000 小时进行设备维护；可繁忙的码头所有设备一年停产休息的总时长不过 400 小时。有了智能体综合生产计划与设备维保信息、在大数据中锁定空闲窗口期之后，每月可多抢出 10 至 15 小时。
按每月 10 至 15 小时换算，全年多抢出 120 至 180 小时，可用维保窗口从 400 小时提升到 520 至 580 小时，提升幅度约 30% 至 45%。这是一笔实打实的收益，但需要把它放回原约束里看：需求是 1000 小时，即便按上限 580 小时计算，覆盖率也只有约 58%，缺口仍有 420 至 480 小时。因此这个场景里智能体的价值不是「把维护做得更快」，而是「把一个原本在物理上不可行的维护计划，推进到仍然不可行但缺口显著缩小」。任何把这类项目包装成「彻底解决设备维护欠账」的说法都需要打折。此为本文基于公开数值的推算，原文未给出该覆盖率。
安全与财务：一船一策与报表提速
其余几条应用线同样有读数，虽然不如前两条完整，但共同勾出了覆盖广度。
安全管理智能体自动根据当天天气、码头情况、靠泊船舶等信息，生成一船一策的安全提醒。财务模型与生产模型能在几分钟内生成过去 2 至 3 天才能做好的报表。全链条数据分析还能发现瞬时用水用电异常，综合管理全港集卡运行以减少等待与空驶时间，在提升效率的同时把码头能耗降至最低。
冠东公司最近还在尝试通过训练，让智能体结合每一艘完工船舶的作业情况形成单船分析报告。这条线的价值不在提速，而在提出人想不到的改进方向。
信任建立期：从「天方夜谭」到偶尔给出靠谱建议
单船分析报告的案例里藏着一段值得单独记录的信任曲线：付银芬说，「一开始智能体给出的改进建议在业务人员看来是天方夜谭，但随着不断训练，现在大家表示有些改进建议是符合实际情况的，甚至偶尔能在大家容易忽视的方向给出靠谱的建议。」
本文认为这段话是整篇报道里最有复用价值的一句，因为它诚实地描述了智能体落地的中间状态——不是上线即生效，也不是彻底不可用，而是从被否到部分被采纳再到偶尔给出增量洞见。任何跳过这个阶段的预期管理，都会在项目第二到第四个月遭遇信任危机。
另一处信号是人才侧的变化：码头上考取人工智能训练师资格证的人越来越多。企业侧的表述是人与 AI 在岸线上相互成就。
本文推算：三笔原文没有直说的账
前面已展开两笔，这里汇总并补上第三笔。
其一，配载环节的箱量效率变化约 12 倍，但因箱量口径与交付物定义不同，只能作量级参考；可支撑的结论是一个数量级以上的改善。
其二，维保窗口全年多抢 120 至 180 小时，可用窗口提升约 30% 至 45%，但对 1000 小时需求的覆盖率仍只有约 52% 至 58%，缺口未填平。
这个案例的实际起点不是选模型，而是把几十年积累的纸质机械图纸与设备控制逻辑翻译成计算机语言。公开信息给出的代价是「数月时间」与「换了三套方案」。本文据此判断：在这类重资产、强经验的行业里，智能体项目的成本结构与传统软件项目相反——模型与算力是可变且可压的，知识资产化是一次性且难以压缩的。如果 ROI 表只算前者不算后者，项目会在中期出现预算失控；如果因为怕这笔成本而跳过资产化、直接上通用大模型，就会得到另一个失败形态——智能体什么都能聊，但答不了图纸上的那个零件在哪。这是本案例对其他制造业与物流业组织最直接的提醒。
六步可复现清单与三道坎
把上述做法抽象成可迁移的步骤，本文给出六步。
步骤一，先做数据资产化而不是先买模型。本案例的顺序是图纸数字化、控制逻辑拆解、形成风火轮数据集，然后才是模型与平台。顺序颠倒会导致后面每一步都要返工。
步骤二，为资产化单独排期与预算。「数月时间、三套方案」是这个阶段 realistic 的量级，把它写进计划而不是当作技术风险。
步骤三，分头训练再横向复制。按场景差异让不同团队各自训练，形成一个可用版本后再推广，比一开始就做统一智能体更省。
步骤四，先挑经验依赖重、判断可验证的场景。配载与维保排故的共同点是：过去依赖老师傅，且结果可以被后续作业验证。这类场景能快速建立信任。
步骤五，把收益口径提前定死。本文在配载与维保两处都遇到了口径问题（交付物定义、均值与上界）。开工前就约定好分子分母，能省掉后期大量争议。
步骤六，把白皮书与标准作为收口动作。上港集团联合高校与旗下科技公司起草《港口智能体建设白皮书》，并把单点试点汇总成标准后全港铺开，这一步把项目收益从单个码头扩大到了整个集团。
三道坎同样需要提前识别。其一是数据感知门槛：付银芬提到，训练维保智能体时自动化轨道吊的图纸数据可以直接被系统识别，而传统轮胎吊的数据要先安装传感器、再人工解析、重新编码。设备数字化程度直接决定了智能体能做到什么程度。其二是设备覆盖不全：陆骏表示传统码头还有许多设备没被纳入监控系统，上海港正加速改造，未来可能有更多桥轮吊升级为超远程操控模式，现场将增加更多传感器和探头。其三是信任爬坡期：从「天方夜谭」到「偶尔给出靠谱建议」需要持续训练与业务方参与，这段时间里项目没有显性产出。
冷静判断：这份复盘能迁移到什么程度
先说边界。本文全部数据来自 2026 年 10 月 20 日前后北外滩国际航运论坛期间的公开报道，来源包括解放日报、央广网、人民网上海频道与中华航运网等，均属企业侧陈述，未见第三方审计或独立核验。三家受访者均为上港集团及其子公司人员，属于典型的单一信源。
其次是可迁移性。本案例成立的前提是上海港同时具备三样东西：数十年积累的设备与作业数据、足以支撑平台开发的集团内部科技公司（哪吒科技、海勃数科）、以及岸线资源饱和带来的强改进动机。缺少任何一样，路径都需要调整——特别是这一种情况：没有可资产化历史数据的组织，无法复制这条路线。
最后是可借鉴的部分。即便前提不同，有两点是通用的：一是先做知识资产化再做模型接入，且把资产化成本单独列支；二是用「分头训练再复制」替代「统一智能体一次到位」。前者决定了智能体能不能答出业务问题，后者决定了项目能不能在第二个月还活着。
需要留意的还有一处结构性限制：智能体在维保窗口这个场景里的作用是寻找空闲窗口，它不能凭空创造时间。当需求与物理可用时间相差 2.5 倍时，任何算法都只能在分配上做优化。把这类结构性约束识别出来，比把智能体塞进每一个流程更重要。目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。