機器學習正穩步改善海運業的運費預測能力，然而該行業固有的波動性仍然超出了即使是最先進模型所能觸及的範圍。

一項對2012年至2024年間發表的28項研究的回顧發現，業界越來越依賴船舶供應數據、大宗商品需求指標、船用燃料價格以及更廣泛的經濟指標來預測運費市場。然而，該回顧也得出結論，地緣政治衝擊、監管法規變化及突發性供應中斷無法僅憑歷史數據可靠地捕捉，這凸顯了一個核心局限——在一個運費可能因正常趨勢線之外的事件而快速波動的行業中尤其如此。

業界人士普遍認為，人工智能最好被視為決策支援工具，而非人類判斷的替代品。Arrow的Burak Cetinok向姊妹刊物SplashTech表示，現代工具能以前所未有的速度處理數據集，但數據質量薄弱和覆蓋範圍有限仍然制約著準確性。Trans Global Projects的Panos Patsadas指出，航運業的數字化程度仍然不足，並警告過去的市場週期難以作為未來市場行為的有效參考，這提醒我們預測仍然與底層市場記錄的質量和完整性息息相關。

Sea的Christoffer Svärd指出，模型輸出在很大程度上取決於配置、提示方式、上下文以及人工解讀。

SSY的Roar Adland則持更為懷疑的態度，他認為大型語言模型對已經使用超過十年的機器學習系統幾乎沒有附加價值，且仍不適合用於自主商業決策。

專家們確定了運費的三個主要驅動因素：可預測的基本面、不可預測的衝擊事件，以及短期羊群行為。AI可能會提升對第一類因素的分析能力，但對第二類幾乎無能為力，甚至可能放大第三類的影響。如果市場參與者依賴相似的模型和數據集，他們可能會擁入相同的倉位，加速市場波動，從而削弱這些工具旨在提供的預測效果。

業界專業人士的共識是，AI可以優化分析、揭示隱藏的模式並改善時機判斷，但它不會消除航運週期，也無法取代經驗豐富的商業判斷。

來源：Splash247