El transporte marítimo juega un papel crítico en la logística global. Comparado con el transporte por carretera, el ritmo de investigación y desarrollo es mucho más lento para el transporte marítimo. Enfrenta muchos desafíos importantes, como puertos ocupados, largos viajes, accidentes significativos y emisiones de gases de efecto invernadero. Los problemas se han visto agravados por conflictos regionales recientes y el aumento de la demanda de envíos internacionales. Los Barcos Autónomos de Superficie Marítima (MASSs) son ampliamente considerados como una solución prometedora para abordar los problemas del transporte marítimo con una mayor seguridad y eficiencia. Con tecnologías avanzadas de detección y planificación de rutas, los MASSs pueden comprender de manera autónoma los entornos y navegar sin intervención humana. Sin embargo, el tráfico y las condiciones del agua, así como los casos límite, son grandes barreras en el camino para que los MASSs se desplieguen en la práctica. En este documento, para abordar los problemas mencionados, investigamos la aplicación de Modelos de Lenguaje Grandes (LLMs), que han demostrado fuertes habilidades de generalización. Dadas las importantes demandas computacionales de los LLMs, proponemos un marco para la navegación asistida por LLMs en MASSs conectados. En este marco, los LLMs se despliegan en tierra o en nubes remotas, para facilitar la navegación y proporcionar servicios de orientación para los MASSs. Además, ciertos grandes buques de navegación oceánica pueden desplegar LLMs localmente, para obtener recomendaciones de navegación en tiempo real. Hasta donde sabemos, este es el primer intento de aplicar LLMs para ayudar con la navegación de barcos. Específicamente, los MASSs transmiten solicitudes de asistencia a los LLMs, los cuales procesan estas solicitudes y devuelven orientación de asistencia. Un aspecto crucial, que no se ha investigado en la literatura, de este sistema de orientación asistida por LLMs crítico para la seguridad es el conocimiento y desempeño de seguridad de los LLMs, en lo que respecta al manejo de barcos, reglas de navegación y habilidades. Para evaluar el conocimiento de los LLMs en las reglas de navegación y su calificación para los sistemas de asistencia a la navegación, diseñamos y llevamos a cabo pruebas de teoría de navegación para los LLMs, que consistieron en más de 1500 preguntas de opción múltiple. Estas preguntas eran similares a los exámenes teóricos oficiales que se utilizan para otorgar el certificado de Oficial de Guardia (OOW) basado en los Estándares de Formación, Certificación y Guardia (STCW) para Marineros. Se probaron una amplia gama de LLMs, que incluyeron comerciales de OpenAI y Baidu y uno de código abierto llamado ChatGLM, de Tsinghua. Nuestros resultados experimentales indicaron que, entre todos los LLMs probados, solo GPT-4o aprobó las pruebas, con una precisión del 86%. Esto sugiere que, si bien los LLMs actuales poseen un potencial significativo en lo que respecta a los sistemas de navegación y orientación para los MASSs conectados, se necesitan más mejoras.