港口数智化升级：Data-Twin-AI技术融合与实践路径
一、从理念到现场
过去几年，智慧港口积累了自动化码头、智能卡口、数字孪生、大数据、大模型与智能体等丰富技术理念，但生产管理现场真正关心的问题往往很具体：今天港口整体运行情况如何，哪个泊位正在作业，哪个环节效率下降，某台设备为何反复告警，发生安全事件后怎样快速关联视频、门禁、人员和车辆信息，管理人员分析问题时能否少打开几个系统、少导出几张表。这些问题决定了数智化能否真正进入业务。
围绕这一目标，本次直播袋鼠云港航解决方案专家苏杭将聚焦三个关键词——Data、Twin和AI。Data解决数据汇聚、治理和使用；Twin解决空间对象与运行状态的统一表达；AI帮助理解信息、分析问题和辅助决策，三者密切组合组合，贯穿生产、安全、设备等典型场景。
二、政策引领与落地方向
从政策环境来看，港口作为典型的重资产基础设施行业，其信息化建设与国家综合交通运输体系发展高度相关。“十五五”期间，港口发展聚焦以下几个关键方向：
世界级港口群建设，关注的不再是单一码头装卸效率，而是枢纽能力、港口间协同、综合服务及供应链资源配置整合能力；
智能化转型持续深入，重点从系统“有无”转向系统互联、数据可用与业务智能分析；
绿色化推进中，岸电、新能源集卡、设备能耗、能源结构、碳排放核算等正从设备改造层面融入港口运营管理体系；
安全韧性方面，面对船舶、大型机械、车辆、人员、货物等连续作业的复杂对象，风险识别、异常预警、事件追溯与应急保障成为长期核心命题。
数智化贯穿其中，下一阶段智慧港口建设将更加关注数据和业务能力的持续沉淀，以及这些能力在不同业务场景中的复用。
AI正从国家战略逐步落地到港航具体场景。行业AI最终要靠行业数据支撑——通用大模型能理解什么是岸桥、泊位，但问“昨天2号泊位为什么晚了一小时”，模型需访问生产计划、作业记录、设备告警、气象和视频，问题已从模型能力扩展至数据、知识、工具和业务系统的协同。《智能航运2030行动计划》明确提出建设智能航运高质量数据集，构建数据、服务、模型、算法一体化的支撑平台。未来港口AI建设，很可能经历数据准备与接入、模型部署、知识与工具组织、业务系统对接、任务型应用形成的过程。AI正从技术话题转向港口智能化中的业务能力，核心命题是AI如何接入数据、理解港口业务、融入既有工作流程。
三、现实挑战与整体架构
当前港口数智化建设面临以下五类典型挑战：
数据孤岛问题普遍存在，港口已建成TOS、ERP、EAM、视频平台、物联网平台等多套系统，单系统价值明确，但跨系统问题处理复杂度显著增加。例如分析昨日3号泊位效率下降原因，仅靠TOS系统难以满足，还需调取设备告警、车辆运行情况甚至现场视频，形成“数据看得见但用不起来”的困境，这里的“用不起来”主要指跨系统关联与综合分析困难。
业务协同能力不足，系统按部门和业务线建设，而港口真实生产流程跨部门协作频繁，效率问题需设备部门介入，安全异常需调度部门配合，系统独立导致局部优化多、全局协同难。
感知与响应依赖人工巡检、视频查看和报表查询，港区规模扩大、设备与摄像头增加后，人力能持续关注的信息极为有限，亟需系统主动发现异常并与业务事件（时间、空间等）关联。
安全性问题少有单一因素，往往涉及人员、车辆、设备、环境的叠加。
决策依赖经验，早期信息化缺乏数据，如今数据虽有积累，新难点在于如何更快从数据中提取有价值的信息。
上述挑战指向三个基础方向：数据治理与资产化、业务协同、主动决策支撑。
针对这些问题，可将整体能力归纳为四个层面。
数据治理与资产化：港口不缺数据，缺的是跨系统数据的统一组织，需解决数据接入、标准制定、质量保障、指标梳理、资产沉淀与服务输出，形成可复用的数据能力。
数字孪生与可视化：港口具备强空间属性，船、设备、车、堆场等位置信息若仅用表格表达，难以快速形成现场感。数字孪生将数据放回港口真实空间，使位置、对象、状态与业务建立直观关联。
AI赋能与智能分析：数据与空间对象关联后，AI可进入业务场景，用户通过自然语言提问，系统关联计划、进度、设备告警及相关信息进行分析。
智能体应用体系：面向具体任务的业务助手，如生产分析助手、设备运维助手、安全管理助手，逐步实现任务编排与主动服务。
在袋鼠云港口数智化建设整体架构中，感知层（如岸桥、摄像头、传感器、无人机、PLC等）提供状态数据；数据层包含TOS、ERP、EAM等业务系统数据，IoT实时数据、视频图像、AIS、GIS等空间数据，以及制度文件、报告、规程等文档资料；平台层对应大数据底座、离线实时计算、数据资产、数据服务、多模态建设与智能体开发平台，将底层分散数据与服务整理为可调用的公共能力；智能层叠加多模态理解、智能预测预警、优化决策、知识推理、自然语言交互与智能体编排；应用层面向业务人员提供生产运行监测、作业复盘、设备运维、安全应急、能耗碳排放管理、客户管理等应用。
简言之，感知层产生事实，数据层组织事实，平台层沉淀能力，智能层理解分析，应用层解决业务任务。
四、大数据：从分散到可用
数据接入只是开始——同一设备在不同系统编码不同，吞吐量指标口径不一致，更新频率各异，存在缺失重复异常。完整价值链包括统一接入、离线实时开发、治理与标准、资产平台、数据服务。当前更关注数据能否被检索、理解、应用、复用和共享。
非结构化数据同样重要——装卸视频、无人机巡检、设备故障照片、违章抓拍、维修报告、应急预案、调度语音、对讲记录等。安全事件、设备故障单看结构化数据无法完整还原，必须结合图片、视频和业务记录形成证据链。
高质量数据集建设从数据汇聚开始，经业务语义关联（围绕船、货车、场、设备建立关系）、清洗标注与质量评估，形成可训练、可检索、可复用的数据资产，核心是把原始数据加工成带有业务语义、质量可控、可被AI调用的资产。
数据底座的业务价值归纳为关联、统一、复用。生产运营分析统一船期、泊位、作业数据形成完整链路；设备运维形成全生命周期分析；安全事件追溯形成时间线和跨系统关联；经营指标统一口径，不同部门对同一指标理解一致且来源可追溯。
五、数字孪生：空间表达与可视化
港口天然适合数字孪生：空间属性强，所有对象有明确位置；动态对象多，运行是持续变化的时间过程；业务关联复杂，异常需关联位置、时间和业务数据。数字孪生提供统一空间框架，使三维场景成为连接多系统数据和业务的入口。
“运行一张图”让管理人员看到吞吐量、在岗船舶、泊位利用率、堆场利用率、闸口车辆、告警数量等指标，并可与空间对象联动——点击泊位查看车辆、进度、视频，告警直接定位区域或设备。工作路径从先看表再找系统，变为通过空间位置直接定位业务对象再下钻。
建设四步：空间对象建模（三维实体）；建立唯一标识（跨系统指向同一实体）；多元数据映射（TOS、GIS等关联）；形成空间数字底座，实现可定位、可感知、可关联、可追溯。
价值进阶四个阶段：看见（全要素可视）→ 关联（数据与空间融合）→ 交互（多维度钻取联动）→ 业务赋能（安全、设备、调度、经营、应急直接使用）。
六、AI与智能体应用
AI改变交互入口——传统需理解系统结构，现在系统理解用户意图。以“复盘昨天2号泊位异常”为例，AI识别时间、定位地点、跨域检索业务数据，生成综合分析。完成此任务需完整能力链：业务理解、数据与知识检索、多模态理解、关联分析与推理、结果生成，涉及大模型、多模态、知识库、向量检索、工具API、权限安全。任何一环缺失都影响体验。
智能体是AI能力组合到具体工作任务后的产物。早期落地方向包括生产作业复盘助手、设备运维助手、经营分析助手、知识问答助手。这些场景信息多、系统分散、人工查找耗时长，AI承担查询、关联、归纳、辅助分析。先做扎实四件事——查数据、做关联、找原因、出结果，再逐步扩展。
七、典型场景
安全事件复盘：以“复盘昨晚仓库消防报警，关联视频、人员、门禁和处置记录”为例。统一数据能力自动还原时间线、关联多元证据，数字孪生定位仓库位置、查看周边设施和人员轨迹，AI归纳信息并检索历史同类事件，形成包含时间轴、证据、原因和改进建议的报告。价值在于把信息查找和证据组织做得更快。
设备运维：围绕设备对象统一台账、状态、告警、工单，形成全生命周期数据链，才能评估健康状态、识别高频报警、分析停机原因、给出维保建议。设备管理真正关心的是“为什么反复告警”而非“现在有没有告警”，需要把实时状态与历史运维数据连接起来。
多模态事件取证：用户用自然语言检索“昨晚堆场违规进入作业区域”，系统识别时间、地点、行为等条件，自动检索关键帧和图片形成事件链。视频只有关联了时间、空间、人员、车辆和业务语义，才能做到找得到、串得起、用得上。
八、落地路径
港口数智化落地宜分阶段推进，而非推倒重来。
第一步连接已有系统，打通业务系统与设备数据，消除孤岛；
第二步治理核心数据，统一标准、清洗整合，建设可信数据底座，无需一开始将所有数据治理到同等深度，可先围绕核心业务对象与重点场景展开；
第三步建设空间孪生体系，将港区对象与业务组织统一到空间框架中；
第四步在数据与场景基础上引入AI，提升查询、分析与决策效率。
不同港口可从不同场景切入：集装箱码头可优先生产作业、设备、安全场景；散杂货码头关注堆场、装卸、设备、环保；综合港区侧重运营一张图、事件处置、经营分析。先聚焦高价值场景再做扩展，数智化才能实际落地。
总的来看，Data、Twin与AI三类能力共同构成港口数智化升级的主线。Data解决统一接入、治理、资产沉淀与服务输出，让数据可用；Twin解决空间表达、对象关联、运行可视，让港口状态可感；AI解决理解分析、问答交互与任务协同，辅助管理人员更高效地决策。三类能力共同支撑数据可用、状态可感、过程可溯源、问题可检索、决策可辅助。
