گسترش سریع مدل‌های زبانی بزرگ (Large Language Models: LLMs) فرصت‌های جدیدی برای توسعه سامانه‌های هوشمند در صنعت دریایی فراهم کرده است. بااین‌حال، راهکارهای موجود عمدتاً به‌صورت وظیفه‌محور و پراکنده توسعه یافته‌اند و میان مدل‌های زبانی، دانش تخصصی، بازیابی اطلاعات، عامل‌های هوشمند و تصمیم‌گیری عملیاتی، یکپارچگی معماری کافی وجود ندارد. این پژوهش با هدف بررسی نظام‌مند وضعیت موجود و ارائه یک معماری مرجع برای حرکت به سوی هوش شناختی دریایی انجام شده است.

بدین منظور، مطالعات مرتبط با LLMها و سامانه‌های هوشمند دریایی بر اساس چارچوب PRISMA 2020 بررسی و از منظر حوزه کاربرد، معماری، نوع مدل، تخصصی‌سازی، استفاده از بازیابی تقویت‌شده با تولید (Retrieval-Augmented Generation: RAG)، قابلیت‌های عامل‌محور، دانش تخصصی دریایی و پشتیبانی تصمیم تحلیل شدند.

بر اساس یافته‌های این بررسی، چارچوب هوش شناختی دریایی (Maritime Cognitive Intelligence Framework: MCIF) به‌عنوان یک معماری مرجع چندلایه پیشنهاد می‌شود که قابلیت‌های هوشمندی دریایی را در هفت لایه شامل داده، دانش، مدل بنیادین، هوش شناختی، هوش عامل‌محور، هوش تصمیم و همکاری انسان–هوش مصنوعی سازمان‌دهی می‌کند. اعتبارسنجی مفهومی چارچوب نیز از طریق نگاشت سامانه‌ها و مطالعات منتخب بر لایه‌های MCIF انجام شد.

نتایج نشان می‌دهد که پژوهش‌های موجود بیشتر بر داده، دانش و مدل‌های تخصصی تمرکز دارند، درحالی‌که یکپارچه‌سازی استدلال، عامل‌های چندگانه، تصمیم‌گیری قابل‌تبیین و همکاری انسان با هوش مصنوعی همچنان محدود است. این مقاله علاوه بر معرفی MCIF، یک نقشه راه فناوری برای گذار از LLMهای عمومی و تخصصی به RAG، هوش عامل‌محور و سامانه‌های شناختی دریایی ارائه می‌کند.