油气智能时代：厘清底层逻辑，把握行业未来！

油气人工智能将通向何方?

肖立志 中国石油大学(北京)人工智能学院创院院长

2024年9—10月，人工智能（AI）迎来3个历史性时刻——9月12日，OpenAI发布新模型o1，并称“在涉及化学、物理和生物等专业的测评中，o1的表现超过了人类博士水平”；

10月8日，2024年诺贝尔物理学奖揭晓，美国和加拿大科学家约翰·霍普费尔德、杰夫里·辛顿两人获奖，表彰他们基于人工神经网络实现机器学习的基础性发现和发明；

10月9日，2024年诺贝尔化学奖揭晓，谷歌旗下AI公司DeepMind的2位科学家德米斯·哈萨比斯和约翰·江珀获奖，表彰他们利用人工智能在蛋白质结构预测方面的贡献。

这些进展表明，基于机器学习的人工智能理论物理基础牢固，化学应用可靠，“超级人工智能”正在快步向我们走来。可以预见，未来若干年，人才和资金将大规模涌入人工智能领域。

人工智能（AI）听起来很复杂，但机器学习的核心要素就是3个，即数据（包括数值数据和文本数据）、以人工神经网络为基础的算法、由芯片和电力决定的算力。模型训练的过程，是使损失函数最小化的迭代拟合过程。

相比于传统的机器学习算法，深度学习算法可以处理更大量级的数据，并且在特征提取、模型训练方面更加出色。深度学习增强了机器学习算法的通用性，促进人工智能产业的快速发展。我国正在大力推动数字化转型。

2020年底至2021年初，中国石油、中国石化、中国海油等能源央企纷纷表态，要把握大势、抢抓机遇，推动数字化转型和智能化发展。2022年1月12日，国务院发布《“十四五”数字经济发展规划》，加快能源领域数字化转型，提升能源体系智能化水平。国务院国资委更是连续10次发布数字化转型的方法论和体系架构相关标准T/AIITRE 10001-2020，明确数字化转型的核心要义是要把基于工业技术专业分工取得规模化效率的发展模式，逐步转变为基于信息技术、数字技术、智能技术取得多样化效率的发展模式；并指出，这是一场“系统性变革”，是价值体系的“优化、创新和重构”，其核心路径是“新型能力建设”，关键驱动要素则是“数据”。

2023年3月31日，国家能源局发布《关于加快推进能源数字化智能化发展的若干意见》，涉及涵盖油气绿色低碳开发利用上、中、下游的6个重点领域，包括“推动智能测井、智能化节点地震采集系统、智能钻完井、智能注采、智能化压裂系统部署、远程控制作业”。一幅包含智能油气田、智能管网、智能炼厂等在内的智能化应用画卷正在全面铺开……

近2年，ChatGPT的横空出世使生成式人工智能异军突起，智能化发展路径出现颠覆性变革。大语言模型成为AI发展的主赛道。ChatGPT是“面向开放任务的通用助理”，能够准确理解提出的问题，并给出具体而详细的解决方案。它可以进行“创意性写作”，初步实现知识生产的第一种方式，即“类比与综合”。它还能够按人类逻辑生成控制指令，对无人机或复杂机器人进行操控。2023年12月，卡内基梅隆大学在Nature刊发的文章显示，利用ChatGPT-4协同实验自动化工具，可以在很短的时间内重现2010年诺贝尔化学奖获奖者的工作。它按照文献和数据搜索、制定研究计划、执行计划并自动编程和远程操控仪器、进行实验数据采集与处理分析、形成研究结论并自动生成研究报告，成功实现了知识生成的第二种方式，即科学实验。

面对数字经济时代的快步到来和智能技术产业化的巨大冲击，作为传统重资产、高投入、高风险行业的油气工业，必须尽快找到数字化转型和智能化发展的途径及实施方案。

油气领域的人工智能应用目前尚处于起步阶段。石油工业的业务链很长，涉及勘探开发、储运、炼油化工、物流和销售等上下游各环节。在从万米钻探到万里管网的各种大工程、大场景中，需要关注的是隐藏在图片背后的包括装备、人员、资金、油气在内的各种数据流动。而数据的流动又涉及数据的采集、传输、处理、应用、复用，以及知识的生产应用、样品的分析测试、机理模型的形成等。

为了让数据和知识流动起来，石油公司做了大量工作。例如，

随着ChatGPT的问世，生成式人工智能为油气领域的数智化路径带来了新变革，国内外许多数字化头部企业纷纷开始进入这一赛道。2023年10月，华为发布面向油气领域的大语言模型，其基本架构为L0基础大模型、L1行业大模型和L2部署级细分场景模型。其中，L0基础大模型包含科学计算大模型（千亿级参数）、40万亿字节（TB）文本数据的计算机视觉大模型、30亿参数多模态大模型和10亿级图像预测大模型。该模型基于海量知识和模型归纳，具备自监督学习功能，可以对大模型进行预训练，并针对细分场景进行微调。L1行业大模型基于专业知识和模型泛化，可处理超过10万个油气数据，具备“边用边学”的模型优化迭代能力。L2部署级细分场景模型基于模型细分场景推理，可实现重采样、小样本类别处理的模型微调，域迁移学习和模型蒸馏，以及计算机视觉模型的工厂化生产，打通模型监控、数据回传、持续学习、自动评估、持续更新的人工智能全链路闭环。

2024年5月，中国石油进一步与中国移动、华为、科大讯飞签署昆仑大模型合作共建协议。这是油气行业智能化的重大事件，意味着巨大的投资和宏大的基础设施建设将提上日程。这一举措将对油气行业智能化进展产生深远影响，助推油气全产业链的流程重构以及数据体系、知识体系的重置。

人工智能在油气勘探领域的应用目标主要有2个。

在人工智能应用研究中，构建学术性应用场景容易，但实现工程化应用场景很难。其应用落地的复杂性难题须从多个维度解决。这包括厘清业务逻辑与发展人工智能理论，构建数据集与标签体系，使场景与算法适配，以及建设配套基础设施等。而应用落地的成熟度，很大程度上取决于数据的准备程度及治理水平。

人工智能作为一种“赋能工具”，具有重构各行各业的能力。展望未来，油气行业需要深入了解人工智能发展的底层逻辑，以此理论做指导才能准确把握发展方向。

2022年，笔者和团队提出“四个世界模型”。第一个世界是我们所生活的物理世界，第二个世界是人类认知世界，第三个世界是机器认知世界，第四个世界是通过数字化构建的数字世界。

近年来的实践证明，在此基础上建构油气人工智能的理论体系，可以为油气人工智能及传统行业智能化发展提供开放、普惠、缩放兼容、可度量、可复制、可执行的理论架构。基于该架构，可以清晰理解行业人工智能应用发展的底层逻辑，并为传统行业构建人工智能应用场景提供方法论。

按照“四个世界模型”，在生成式大模型出现之前，AI的发展路径是通过数字化转型从物理世界步入数字世界，在数字世界利用机器学习算法，实现机器认知世界。这是一条“逆时针”的路径，与现有组织（企业）的体制机制是一种解耦的关系。而生成式大语言模型，开辟了从物理世界到人类认知世界，通过对文本语料的学习，实现机器认知世界。这是一条“顺时针”的路径，与社会组织架构高度耦合。未来，上述2条路径将融合协同，使机器学习更强大。我们有理由相信，人工智能将在油气勘探开发等领域得到广泛应用，并基于强大的算力快速完成认知迭代，在油气全产业链各环节和多场景中形成所需的各类解决方案，提升油气行业的生产效率。与此同时，在机器认知世界里成长起来的具有空间辨识能力和行动能力的具身智能，也终将走出机器认知世界，从一种认知方式转变为生产方式，推动包括油气领域在内的各领域进入全新的发展阶段。

哈里伯顿与AIQ和阿联酋阿布扎比国家石油公司（ADNOC）合作，在ADNOC位于阿布扎比的东北巴布（NEB）油田资产中成功推出了一款AI自主井控解决方案RoboWell，以提高作业的安全性和效率。

该公司应用了LOGIX自动化和远程操作平台，协助自主钻井，简化油井交付，缩短生产时间。这一平台还集成了地质导向软件，显著提高了井位精度。哈里伯顿的钻井自动化方案包括使用机器学习和基于物理模型来改进转向、管控振动和处理压力参数，从而实现更一致、更可预测的钻井交付。

斯伦贝谢（SLB）公司开发了一个名为INNOVATION FACTORI的全球网络，并在世界各地的主要城市设立中心。

INNOVATION FACTORI在客户独特的业务挑战背景下，能够助力客户加速企业级人工智能和数字解决方案的开发和部署，涵盖包括勘探、生产和新能源在内的多个领域。这促进了客户与斯伦贝谢数据科学专家之间的合作，以便为特定业务需求量身定制数字解决方案。例如，快速实现钻井自动化，部署数字孪生以优化生产，以及通过建模来实现高效的碳捕集和封存。

威德福公司成功开发并应用了Vero^TM自动钻井完整性系统。

该系统采用人工智能来最大限度地降低安全风险，并能绝对可靠地验证井的完整性。在从传统陆上到复杂深水的应用中，VeroTM解决方案为操作员提供了传统方法无法获得的准确性。该系统已在全球范围内实现了大量应用，展示了威德福在关键操作场景中部署AI的能力。

埃克森美孚开发了一种专用的智能钻井系统，利用AI在深水油气生产中进行自主钻井作业。

其智能钻井系统可以自动设置最佳钻井参数，通过最大限度地减少人为干预来提高安全性和效率。该公司在圭亚那建立了钻井自动化试验基地。其深水钻井平台“Nono Don Taylor”号在圭亚那作业的同时，也作为该公司钻井自动化的试验平台从事各种相关试验与培训工作。

艾奎诺（Equinor）利用AI技术进行油气勘探开发，通过大数据分析和机器学习算法，提高了地质模型的准确性和勘探成功率。

艾奎诺在钻井规划和钻井过程中生成多个井眼的轨迹场景，大大加快了规划过程，提高了决策效率，实现了更高效的钻井作业并使油气采收率显著提高。此外，艾奎诺还利用AI技术进行生产优化和故障预测，降低了运营成本，提高了生产安全性。

（以上由中国石油勘探开发研究院窦宏恩整理）