با توجه به افزایش تقاضا برای کشتی‌های نوساز و الزامات فزاینده زیست‌محیطی، بهره‌گیری از هوش مصنوعی (AI ) و یادگیری ماشین (ML ) به یکی از رویکردهای کلیدی در توسعه فرآیندهای طراحی کشتی تبدیل شده است. این مقاله مروری به بررسی آخرین دستاوردهای کاربرد هوش مصنوعی در طراحی کشتی، با تمرکز بر دو حوزه اصلی هیدرودینامیک بدنه و طراحی سازه‌ای، می‌پردازد. نتایج نشان می‌دهد که مدل‌هایی نظیر شبکه‌های عصبی عمیق (DNN )، شبکه‌های مولد تخاصمی (GAN )، یادگیری تقویتی (RL )، الگوریتم‌های تکاملی، ماشین‌های بردار پشتیبان (SVM )، شبکه‌های عصبی گرافی (GNN ) و شبکه‌های عصبی آگاه از فیزیک (PINN ) توانسته‌اند دقت پیش‌بینی، سرعت ارزیابی و کیفیت تصمیم‌گیری در فرآیند طراحی را به‌طور چشمگیری بهبود دهند. در حوزه هیدرودینامیک، این روش‌ها امکان پیش‌بینی سریع مقاومت، بهینه‌سازی فرم بدنه و تولید طرح‌های نوآورانه را فراهم کرده‌اند و در طراحی سازه‌ای نیز به کاهش وزن، هزینه و زمان محاسباتی کمک نموده‌اند. با این حال، چالش‌هایی نظیر کمبود داده‌های باکیفیت، هزینه بالای تولید داده، محدودیت در تعمیم‌پذیری مدل‌ها، نیاز به توان محاسباتی بالا و فقدان چارچوب‌های استاندارد اعتبارسنجی همچنان موانعی جدی برای کاربرد گسترده این فناوری‌ها محسوب می‌شوند. نتایج این مرور نشان می‌دهد که هیچ مدل واحدی برای تمامی مسائل طراحی کشتی برتری مطلق ندارد و انتخاب روش مناسب باید متناسب با ماهیت مسئله، میزان داده در دسترس و اهداف طراحی انجام شود. همچنین، رویکردهای ترکیبی مبتنی بر تلفیق دانش فیزیکی و یادگیری داده‌محور، به‌ویژه مدل‌های آگاه از فیزیک، به‌عنوان مسیرهای آینده‌دار برای توسعه سامانه‌های هوشمند طراحی کشتی معرفی می‌شوند.