（钟韵/ 采访报道）人工智能在机场落地的关键，在于以数据飞轮串联采集、分析、行动与反馈，推动旅客服务、预测性维护和运营决策形成闭环，并在治理约束下实现持续增值。
从技术实施的角度看，人工智能在机场真正落地的关键并非依赖单一模型，而是一套能够持续自我强化的「数据飞轮」。多伦多皮尔逊机场数据分析与新兴技术负责人Amir Sayegh指出，机场是一个极其独特的数据环境。飞机、行李系统、电梯与扶梯等设备不断生成机器数据，旅客行为、消费偏好与流线变化则构成人类数据。机场几乎可被视为一座由数据驱动的智慧城市。问题的核心不在于数据是否存在，而在于能否将海量信息转化为可衡量、可执行、可回收的价值。
「数据飞轮」本质上是一套从感知、分析到行动、反馈的闭环机制。先通过传感器和系统持续采集运行与旅客行为信息，再借助机器学习、统计模型甚至线性回归提炼模式，随后将洞见转化为具体行动，例如优化维护时点、调整客流动线或重新分配资源，最后将执行结果反哺模型，推动系统不断校准。Sayegh提醒，许多场景并不需要复杂AI；结合Excel、小数据与业务直觉，往往比盲目追逐新技术更有效。
统一联络渠道与预测性维护 AI在旅客服务与运营中的关键应用
在旅客服务层面，他提出「统一联络渠道」的设想，即将呼叫中心与网站聊天机器人整合为一个多语言、多模态接口，让旅客通过聊天软件等熟悉工具即可语音沟通、文字咨询、设置提醒并接收通知，从而在一个入口中与机场的整体能力和数据互动。这一愿景成立的前提，是机场流程与设施先完成更彻底的数字化，形成可供AI调用的「数字孪生」。
预测性维护是数据飞轮最具代表性的应用之一。在这一模式下，设备数据先被用于训练模型，以预测剩余寿命与故障概率；随后将预测结果接入工单系统，自动触发优先级排序与任务指派；维修完成后，实际结果再回流模型，形成持续迭代。当行李系统故障风险与热门航线客流数据结合分析时，管理者便能看清「现在不修」与「明天大故障」之间的代价差异，从而做出更精准的决策。
AI的分类与治理 从副驾视角实现人机协同
围绕AI概念，Sayegh也做了清晰区分：传统机器学习擅长基于标注样本做预测与分类；生成式AI更像是建立在大规模语料上的「自动补全」系统，逐步具备推理与多模态能力；代理型AI则进一步拥有自主执行能力，可自动完成通知或流程触发，因此伴随更高治理要求；物理AI则与机器人和自动驾驶相关，在机场场景中仍具潜力。
不过，数据安全、隐私保护与模型幻觉也成为不可回避的问题。Sayegh主张「扎根」与「分级使用」：面向旅客的AI必须严格依附权威资料，只能陈述事实；内部系统可适度开放创意空间，但须配套培训和人工把关，让员工始终保有判断力。在他看来，AI最合适的角色不是替代人，而是成为副驾，帮助运营从被动响应走向主动预判，从局部优化走向整体协同。
