![]()
油气行业人工智能大模型应用研究现状及展望
刘合1,2，任义丽1,2，李欣1,2，邓岳3，王勇涛4，曹倩雯5，杜金阳3，林志威4，汪文洁2
1 多资源协同陆相页岩油绿色开采全国重点实验室
2 中国石油勘探开发研究院
3 北京航空航天大学
4 北京大学
5 中国石油大学(北京)
第一作者：刘合，博士，中国工程院院士，中国石油勘探开发研究院教授级高级工程师，主要从事低渗透油气藏增产改造、机采系统提高系统效率、分层注水和井筒工程控制技术、油气人工智能等研究。
联系作者：任义丽，博士，中国石油勘探开发研究院高级工程师，主要从事计算机视觉、深度学习、大模型等技术在油气地质中的应用研究。
DeepSeek的爆火，让更多的人关注什么人工智能大模型技术，地矿领域的人们也在关注其应用进展。随着微软、英伟达、亚马逊等国外云计算平台宣布接入我们国产自主研发的AI大语言模型DeepSeek R1，印度也将在他们的服务器上部署DeepSeek。这表明，DeepSeek的影响是深远的，其突破性成果及其创新方法为其他领域的研究提供了新思路和启示，有助于推动更多实际应用的落地，加速人工智能在医疗、金融、交通以及地矿等行业的发展。这也进一步证明，我国在发展大模型方面具有显著优势。刘合院士的研究指出，“大模型+实体产业”是中国大模型产业的核心竞争力。大模型技术是指拥有海量参数、在大规模数据上训练，具备出色的数据处理能力、泛化能力和通用性的模型。地学领域大模型应用已开始起步。其中，油气行业部分企业基于开源大语言模型，利用微调、检索增强等方式发布大语言模型产品，部分学者尝试利用视觉/多模态基础模型研发面向油气业务的场景模型，还有少数学者构建地震资料处理解释、岩心分析等领域的预训练基础模型。本文阐述了大模型技术的概念，总结了国内外大模型技术的研究现状，综述了大模型在垂直领域的应用情况。本文对发展相对较快的自动驾驶、法律、医学、金融、交通和网络安全领域大模型应用现状进行简要分析，介绍了构建地震资料处理解释基础模型和岩石图像实例分割大模型应用实例，梳理了地学领域油气行业大模型应用所面临的挑战，并对油气行业大模型应用进行了展望。研究认为，中国大模型产业正处于“百模大战”的局面。与美国相比，中国大模型产业的核心竞争力在于“大模型+实体产业”。大模型的行业应用展现出巨大潜力，但技术路线尚未成熟，落地应用仍面临诸多困难和挑战。油气行业大模型应用面临数据量和数据质量难以支撑大模型训练、研发投入成本高、算法自主可控性不足等问题。油气行业大模型应用需充分认识行业的特殊性，从数据、算力、算法等方面夯实基础。应始终聚焦油气主营业务需求，以大模型应用为契机，加强数据全生命周期管理，提升数据治理能力，推动融合算力建设，强化“人工智能+能源”复合团队建设，推动大模型技术自主可控。本文的研究成果普及了人工智能大模型的相关知识，为油气行业人工智能大模型的应用研究指明了方向，同时对地学领域的地矿、煤炭等其他行业也具有重要的指导意义。基金项目：国家自然科学基金科学中心项目/基础科学中心项目“数字经济时代的资源环境管理理论与应用”（72088101）；国家自然科学基金面上项目“知识与数据融合的油气储层薄片智能鉴定方法”（42372175）；中国石油科技创新基金研究项目“类脑启发的轻量化小样本多目标检测与分割算法”（2021DQ02-0904）；中国石油-北京大学战略合作协议基础研究合作项目。
0 引言
1 大模型技术概念及发展现状
1.1 大语言模型
1.2 视觉大模型
1.3 多模态大模型
2 大模型在垂直领域的应用现状
2.1 大模型在通用领域的垂直应用情况
2.1.1 自动驾驶领域
2.1.2 法律领域
2.1.3 医学领域
2.1.4 金融领域
2.1.5 交通领域
2.1.6 网络安全领域
2.2 油气行业大模型应用现状
2.2.1 油气行业大语言模型应用现状
2.2.2 油气行业视觉大模型/多模态模型应用现状
3 油气行业大模型应用面临的挑战
4 油气行业大模型应用展望
5 应用实例
6 结语
0 引言
随着深度学习技术和硬件算力的快速发展，深度神经网络模型的参数规模和训练数据量不断扩大。在自然语言处理领域中，研究人员发现通过扩大模型的参数量和增加训练数据，能够增强语言模型的性能和泛化性，甚至出现“涌现”的现象，在一些任务上性能提升很大。这些经过参数量和数据量扩展的语言模型被称为大语言模型（Large Language Model，LLM）。为了进一步将这一概念推广到其他领域，例如计算机视觉领域，斯坦福人类中心人工智能研究所提出了基础模型（Foundation Model）的概念，指代在大量数据上进行训练，且能够适配各种下游任务的模型（一般通过自监督学习算法进行预训练得到）。中国研究人员也提出了与基础模型类似的概念，即大模型，指拥有大量参数、在海量数据上进行训练、具备优秀的数据和任务泛化性的模型。因此，在一定程度上，大模型和基础模型的概念是等价的。相较于深度学习等传统人工智能技术，大模型表现出泛化性（Generalization）、通用性（Generality）、涌现性（Emergency）3个特征。泛化性是指模型在未见过的数据上的表现能力，大模型的泛化性强，能够适应和正确处理未见过的情况。通用性是指模型处理各种不同任务的能力，大模型具有强通用性，能够在广泛的任务类型上表现出良好的性能，不需要对每个新任务进行特别定制或重新训练。涌现性是指当模型达到一定的规模和复杂度时，能够展示出一些在小规模或较简单模型中未出现的能力或行为。大模型，尤其是一些预训练模型，展现出在少样本学习（Few-shot Learning）和零样本学习（Zero-shot Learning）情境下的强大能力，即便是对于一些没有直接在训练数据中见过的任务，大模型也能够给出合理的回答或解决方案。然而，大模型也存在一些缺点，大模型通常需要巨大的计算资源来训练和部署，可能会编纂和放大数据中的偏见，且在理解某些具体细节或某些领域特定知识时的精确度可能不如专门训练的模型。中国在国家层面对大模型发展给予了极大的关注和支持，通过政策倾斜和资金投入，大力发展大模型产业。近一年来，大模型已经在法律、医疗、城市建设等多个行业迅速开展垂直应用，并展现出巨大的潜力和价值。随着中国油气资源品质的劣质化，油气勘探开发难度逐渐加大，亟须新质生产力提质增效。大模型为油气行业人工智能应用面临的“小样本”、“多模态数据综合分析”等问题提供了解决方案。本文总结大模型技术的国内外研究现状，综述大模型在通用行业和油气行业的垂直应用情况，探讨油气行业在大模型应用过程中面临的主要问题和挑战，并结合具体实例展望油气行业大模型的应用前景。1 大模型技术概念及发展现状
虽然目前学术界还没有构建统一的标准来界定一个模型是否是大模型，但是存在一些公认的判定指标，包括参数量、训练数据量、泛化能力和适应性。具体而言，对于参数量，大模型通常拥有数亿到数十亿甚至更大的参数量；对于训练数据量，大模型通常在包含数百万到数十亿样本数的训练数据集（无论训练数据是否有标记）上进行训练；对于泛化能力，大模型能够在多项下游任务上表现出色，超过或接近传统深度学习中的最佳算法，同时在域外数据或任务上也表现良好；对于适应性，大模型通常能够采用少量的数据进行微调，灵活地迁移至新的任务或领域。根据处理数据模态的不同，可以将现有的大模型分为3类：处理文本数据的大语言模型，处理图像视频等视觉数据的视觉大模型，和能同时处理文本、视觉多种模态数据的多模态大模型。大模型最初指的是大语言模型，大语言模型的发展经历了一个漫长且复杂的过程。随着Transformer架构的成功，BERT提出了掩码预测的自监督任务，通过自监督预训练与微调的范式，在多项自然语言处理任务上获得了出色的性能。同时期，OpenAI推出GPT（Generative Pre-trained Transformer）系列模型，GPT系列模型采用Transformer Decoder（Transformer解码器）的架构形式，并使用逐个单词（token）生成的方式进行预训练，通过扩大模型参数量至数亿甚至千亿级别，并扩充训练数据量，取得了良好的泛化性能。紧接着，T5提出了Encoder-Decoder（编码器-解码器）的预训练架构，同时通过增加句子前缀，将不同的自然语言处理任务的输入和输出进行了统一。参考上述几类方法的成功经验，后续产生了各种各样的预训练和架构变体，包括国外的Flan-T5和LLaMA等，以及国内的百川和InternLM等预训练大语言模型。在大语言模型微调方面，提示词微调通过在问题中增加答案的提示词（Prompt），诱导模型输出对应结果，从而实现对各种自然语言处理任务的零样本能力。指令微调（Instruction-tuning）在数据层面构建指令-输出的数据结构，使得模型在微调后能够理解对应的指令，并且拥有很好的指令泛化能力。在此基础上，OpenAI提出了对齐微调（Alignment-tuning），将人类偏好作为奖励，采用强化学习的方式对模型进行微调，使得模型的输出与人类的习惯对齐。思维链（Chainof-Thought）则是通过将一个复杂任务拆分成多个简单任务，帮助模型输出更精确的结果。为了减少微调带来的训练工作量，通常采用稀疏的方式减少需要调整的参数量，例如LoRA利用低秩近似来降低需要微调的参数量。此外，为了缓解大语言模型的幻觉和知识实时性问题，检索增强生成（Retrieval-AugmentedGeneration，RAG）技术采用构建外部数据库的方式，让大语言模型在生成相关内容时能够检索数据库的相关内容，从而生成更加精确的答案。视觉大模型的预训练与大语言模型类似，通常采用对比学习（Contrastive Learning）和掩码模型（Masked Autoencoder）这两类主流自监督方法进行预训练，如EVA和DINOv2等模型。在这类视觉大模型的基础上，通过微调，能够在指定数据集和任务上展现较好的水平。在预训练层面，除了简单的微调，SAM等模型通过设计数据闭环流程，使用大量部分标注数据对模型在指定任务或领域上进行微调，能够得到在对应任务或领域表现良好的视觉大模型。在架构层面，为了实现类似大语言模型中的任务大统一，研究者们尝试设计了不同的模型架构，以达到视觉任务的统一表示。这部分架构主要有两类，第1类方法设计了统一任务解码头，以pix2seq为代表。这类方法将视觉识别任务的输出格式统一成自然语言中的token形式，只需要输出不同的token即可实现对不同识别任务的预测。第2类方法为提示学习形式，在给定任务样例的情况下，模型能够根据样例对输入样本进行结果预测，如SegGPT等。多模态大模型一般通过将多个单模态大模型进行对齐和微调而构成。在预训练方面，CLIP采用了图像-文本多模态对齐预训练范式。在其基础上，ALIGN、LiT和EVA-CLIP等网络进一步扩大了训练数据量与模型参数量，实现了更优秀的性能。此外，image-bind和3D-LLM提出将更多的模态特征进行对齐，包括语音、视频和三维点云数据。在多模态视觉任务微调方面，Diffusion Model与World Model等生成模型将预训练好的大语言模型作为生成提示词进行微调，指导生成的内容。在感知任务中，VisionLLM在统一视觉架构pix2seq的基础上引入大语言模型作为任务指引，并将其特征引入到图像空间，实现了优异的检测性能。此外，在SAM视觉大模型的基础上，Open-VocabularySAM将SAM与CLIP进行结合，赋予SAM输出类别的能力。GLEE则将大语言模型的特征输出作为SAM的提示词，引导SAM分割的结果。在多模态文本任务微调方面，LLaVA与MiniGPT等使用适配器（Adapter）的形式，将预训练好的视觉大模型EVA的特征与语言特征进行对齐，从而使大语言模型能够输出图像包含的内容。CogVLM与SPHINX则是在上述对齐的基础上，对大语言模型的解码器部分进行进一步微调，采用pix2seq的方式，使得微调后的视觉-语言多模态大模型能够同时完成文本生成和视觉基础任务（包括检测与分割）。此外，Say Can和RT系列等则将多模态大模型视为具身智能（EmbodiedAI）的终端，给定任务描述与图像，微调使其直接输出对应的操作（Action）。2 大模型在垂直领域的应用现状
大模型根据其设计目的、训练数据和应用场景可分为通用基础模型、行业基础模型和场景模型。通用基础模型（L0级）旨在提供广泛的知识和能力，不专注于任何特定的行业或任务，通过在大规模多样化的数据集上进行训练，可以应用于多种不同的任务和领域，如文本生成、语言理解、基本的图像识别等。行业基础模型是在特定行业的数据上进行训练以捕获该领域内的专业知识和特定任务。行业基础模型主要针对特定行业的需求，如医疗健康、金融服务、法律、制造业等，提供更加精准和高效的服务。根据行业特点又可进一步细分，如油气行业可以细分为L1和L2两个等级。通用基础模型和行业基础模型都属于大型预训练模型，一般用来作为预训练骨干网络。场景模型（L3级）是基于通用基础模型或行业基础模型进行进一步的微调和定制，以适应特定场景需求的大模型。图1为油气行业大模型分级示意图。L0、L1和L2级大模型通常需要超强算力支持，且采用无监督或半监督的训练方式在海量数据（GB/TB级别）上进行训练。对于油气行业，L1指油气行业大语言模型或者勘探、开发、工程、炼化等领域的多模态基础模型；L2指细分领域的基础模型，如岩心分析基础模型、地震资料处理解释基础模型；L3指在L0、L1或L2级大模型的基础上，使用少量行业标注数据进行微调，适配下游任务，得到的面向特定应用场景的具体模型，如岩石薄片智能鉴定模型。![]()
表1 典型大模型数据、算力、训练时长统计表
油气行业大模型应用虽然面临重重挑战，但仍亟须加快推进。油气行业大模型应用首先要充分认识大模型。大模型不是万能的，一个模型不能解决油气勘探开发的所有事情。不能期望大模型会在各个领域超过或替代传统深度学习，应该以业务需求为导向，以解决具体问题为准则，研发面向油气特定分析应用的模型。在逐步积累的基础上，具备条件后研发一个满足多种应用需求的大模型。①油气行业在应用大模型时，要始终聚焦油气主营业务需求，以解决实际问题、创造业务价值为核心，应避免陷入通用基础模型的技术竞赛。大模型（尤其是预训练大模型）的核心理念是通过少数人集中训练一个强大的基础模型，然后由广泛的用户群体在各自特定任务或场景下，只需使用少量标签样本进行微调，就能获得相当好的性能。油气行业大模型应用的重点应放在微调和适配下游任务上，不适宜研发L0级的通用基础模型，建议自主研发L3级的场景模型和部分数据质量好的L2级行业基础模型，确保技术栈的自主可控。对于L1级行业基础模型和部分数据量大、训练时间长、算力要求高的L2级行业基础模型，建议在保证数据安全的前提下，借助外部算力和算法构建行业基础模型，并从数据质量、算力支撑、投入产出等方面充分论证可行性。比如，对于大语言模型，国内外已陆续推出了多款油气行业大语言模型。油气行业应秉持资源优化配置的原则，将核心聚焦在油气主营业务上，从投入成本、产出效益、技术成熟度和稳定性、行业聚焦以及核心竞争力等方面慎重考虑，并充分论证是否自建大语言模型。②以大模型应用为契机，加强数据全生命周期管理，提升数据治理能力。首先，要从数据采集源头上加强数据质量管控，通过软硬件结合的方式确保数据的自动、规范采集。其次，通过数据清洗、数据融合和匹配、数据完整性增强等方式提升数据质量。然后，组织权威专家进行数据标注，构建大模型训练所需要的标签样本库，并严控标注质量。同时，引入行业先验知识约束进行数据增强、联邦学习和小样本-零样本学习，以此开发适用于针对性场景任务应用的下游模型。最后，通过数据脱敏、数据加密、访问控制和审计、合规性审查等方式加强数据安全和隐私性保护。OpenAI用于训练大模型的中文数据来自互联网，且为通用数据，数据质量比油气行业的数据好，但仍然做了很多提升数据质量的工作。油气行业大模型应用首先要做的基本工作是提升数据质量，构建大模型应用所需要的高质量数据集和标签样本库。通用行业大模型的繁荣发展很大程度上得益于ImageNet等开源数据集。因此，在确保数据安全和行业隐私的前提下，构建一批高质量开源数据集，推动油气行业大模型研发生态建设。③以油气大模型为契机，推动融合算力建设。建设方式可采用租赁与自建相结合的混合模式。企业应根据自身业务需求、成本预算和技术实力，灵活选择算力获取方式。对于常规的计算任务，可通过租赁公有云资源快速响应；而对于涉及敏感数据或需长期稳定运行的任务，则可考虑自建或合作共建数据中心，确保数据安全与算力的可持续供给。统筹考虑通算、智算、超算设施建设规划，突出打造以智算为重点的融合算力设施建设。通算满足日常运营的基本计算需求，智算侧重于深度学习、机器学习等智能算法的高效执行，超算则针对大规模科学计算和复杂模拟。④以大模型应用为契机，加强“人工智能+能源”复合团队建设，推动大模型技术栈自主可控。国外通用基础模型的发展模式是“大型互联网企业+创业公司”，比如微软和OpenAI、谷歌和DeepMind、亚马逊和Anthropic等。相比于国内的“百模大战”，国外大模型产业的发展更趋于理性，更注重联合研发生态的建设。大模型是一种以大数据、强算力和先进算法为基础的新兴技术，油气行业大模型应用不应“单打独斗”，要与IT企业、高校等构建联合研发生态。通过项目合作、人才培养、共建研发平台等方式加强大模型算法等方面的合作交流，并明确合作目标与分工，以及知识产权分配与管理、数据保密和隐私保护等制度和规范，以确保生态的健康、有序、高效运行，推动大模型在油气行业的深度应用与创新发展。5 应用实例
大模型具备多模态数据的综合分析能力，利用大模型技术有望将岩心描述、测井曲线、地震图像等多模态数据进行综合分析。短期内可挑选数据基础良好、在深度学习方面有一定基础的场景，通过预训练基础模型或者基于通用基础模型微调等方式，进一步提升原有模型的泛化性、通用性。未来可将多种模型进行级联，以岩心为标定，利用多模态大模型实现岩心、测井、地震等数据的综合分析。按照逐步训练的原则，先逐个训练单一模型，然后把单一模型级联，逐步构建油藏级大模型。本文通过两个实例来说明近期大模型的应用过程和方法。第1个是以地震资料处理解释基础模型为例，阐述行业基础模型的构建方法。Sheng等提出的SFM（Seismic Foundation Model，地震基础模型）的构建方法如图2所示。第1步是数据收集，使用从全球192个三维地震工区中收集的不同地震数据集；第2步是数据准备，从收集到的地震数据集中精心挑选了2286422个二维地震数据，通过大量未标记地震数据的自监督训练策略构建预训练数据集，并通过数据清洗、均衡分布等方式提升数据质量；第3步是构建预训练基础模型，根据地球物理数据的特点选择无监督生成式学习结合Transformer架构进行训练，考虑到计算代价和训练时间，选取了掩码策略的MAE（MaskedAutoencoders，掩码自编码器）方法来训练地震基础模型。在SFM的基础上利用少量标签数据，适配分类、分割等下游任务，可研发地震相分类、初至波拾取等场景模型。实验结果表明基于SFM微调的效果要明显优于传统深度学习。第2个是以岩心图像智能分析为例，阐述基于大模型的微调方法和应用。笔者团队开展过两方面的探索研究。一方面是基于开源视觉大模型SAM的岩石图像分割技术。实例分割是岩石图像智能分析常用的技术，基于传统深度学习的方法需要针对不同数据类型构建不同的模型，泛化能力差。如图3所示，笔者团队在SAM的基础上，利用薄片、电镜、CT等岩石图像标签数据进行微调，构建岩石图像实例分割大模型。该模型在各类岩石图像数据上分割效果良好。该应用实例体现出了大模型在泛化性、通用性方面的优势。另一方面是基于多模态模型实现自然断面扫描电镜图像智能分析，该应用实例体现的是大模型的涌现性。目前自然断面扫描电镜（SEM）图像分析仍停留在人工定性分析的阶段，分析结果的准确性严重依赖于研究人员的水平，耗费大量人力，却难以得到定量统计结果。人脑能直接理解自然断面图像所蕴含的立体、多维度信息，但难以用少量图形学参数来简单描述。同时，由于自然断面SEM图像无法实现组分轮廓线的准确标注，因此无法用图像分割、目标检测等传统深度学习网络实现智能鉴定，大模型技术的出现为自然断面SEM图像的智能分析提供了可能。笔者团队研究提出一种基于多模态大模型Ferret的自然断面SEM图像智能分析场景模型RockSE-Ferret。考虑到自然断面二次电子SEM图像具有“微浮雕”的特点，呈现出一定的三维效果，因此很难确定孔隙和黏土矿物的轮廓边界，难以准确标注某些岩心结构特征或某些视觉特征的精确位置。此外，在赋存状态方面，黏土矿物主要出现在经过风化、蚀变的地层中，表现为充填式、衬垫式和搭桥式，形态多样，包括书页状、片状、丝状等，有时会出现混合和交叉，很难通过检测框来精准区分。苹果公司研发的多模态大模型Ferret在区域指定任务、区域定位任务、文本区域结合任务中具有出色的效果，能够满足自然断面SEM图像这一复杂场景理解的业务需求。因此，笔者团队选用Ferret作为基础模型研发自然断面SEM图像智能分析场景模型RockSE-Ferret。首先，构建岩心SEM成像指令微调数据集RockSE-GRIT，此数据集包含物体、物体间的关系、特定区域的描述、基于区域的复杂推理、鲁棒性5个方面的标注内容，并构建了相关的问答对。其中前3个方面由专家标注实现，复杂推理和相关问答对的构建采用ChatGLM3等大语言模型实现，鲁棒性是通过在数据集中添加负样本来实现。其次，笔者团队在基础模型Ferret上利用专业领域指令微调数据集RockSE-GRIT微调模型。通过指令微调，使模型理解和处理SEM图像数据及其相关的文本描述信息，适配下游任务。最后，RockSE-Ferret通过场景理解，实现对黏土矿物、孔隙及裂缝的立体分布、颗粒的立体形状等特征的智能识别，如图4所示。![]()
4 基于场景模型RockSE-Ferret的自然断面SEM图像智能分析
6 结语
在过去的几年中，人工智能技术已经从专门的应用和有限的能力迈进了一个全新的时代——通用人工智能（AGI）时代。这一跨越得益于大模型的发展，大模型逐渐成为推动新质生产力发展的关键动力。中国大模型产业正面临“百模大战”的局面，相较于美国，中国大模型产业的核心竞争力是“大模型+实体产业”。大模型的行业应用展现出巨大潜力，但技术路线也尚未成熟，落地应用面临诸多困难和挑战。油气行业大模型应用要保持理性，要充分认识油气行业大模型的特殊性，从数据、算力、算法等方面夯实基本功。油气行业大模型应用要稳步实施，要始终以油气业务需求为主导，切忌盲目跟风。
公司介绍
北京阳光创译语言翻译有限公司（Suntrans）成立于 2008 年 2 月。公司总部设立在北京，在美国纽约设有分公司，并在乌干达和巴基斯设有办事处。在董事长吕国博士的带领下，历时15年，阳光创译由最初只有6人的翻译团队发展至今成为拥有50 余名全职管理人员、 1024 名兼职译员和 68 名核心译审人员的专业队伍。
阳光创译是中国领先的专业领域多语服务提供商，是中国专业地质矿业语言服务领军品牌。目前是中国翻译协会成员、中国语言服务产业技术创新联盟成员和中国矿业联合会全球地质信息共享委员会理事会成员。阳光创译致力于为中国地质、矿业以及石油领域企业国际化和本地化提供整体语言解决方案，主要从语言翻译服务、人才培养和咨询服务三方面推进企业的国际化进程。
阳光创译的核心定位已经由最初的“阳光创译=矿业翻译”——中国地质矿业翻译领军品牌逐渐延伸扩展成“阳光创译=中国国际矿业服务大平台”，涵盖矿业翻译、矿业会展、矿业咨询、矿业猎头、“一带一路”矿业商会、矿业媒体等国际矿业服务板。
热文推荐：
●矿业投资33条铁律，您同意几条？！
●史上最牛地矿院校！8年培养出22位地矿院士！
●地球最大采矿项目有进展了！只剩中国点头了
●影响你我10大矿业政策出炉，您觉得哪条最大？
●非洲最大的五大铜矿山，中国霸占前两席！
●《中国矿业报》专访阳光创译吕国博士
●阳光创译 | 矿业翻译服务
●专业矿业能源翻译服务，帮您开启全球合作之门
相关业务需求即可致电下方相关责任人
| 吕国博士 | 董事长 | 1127203572@qq.com |
| 电话：13401184506 | 微信：suntrans-mining |
| 孙玉梅 | 总经理 | 853495100@qq.com |
| 电话：010-82865216 | 微信：853495100 |
| Gary | 矿业外语猎头 | 582934973@qq.com |
| 电话：13311203631 | 微信：suntrans222 |
| Bruce | 英语翻译 | 1935014417@qq.com |
| 电话：13693672413 | 微信：13693672413 |
| 刘鑫 | 论文翻译 | 1749173384@qq.com |
| 电话：13683660873 | 微信：lvy_09260312 |
| 苗菁 | 地矿报告翻译 | 2534271235@qq.com |
| 电话：13683661813 | 微信：zyy-suntrans |
| Jerry | 口译 | 2268356581@qq.com |
| 电话：13681439112 | 微信：miningtranslation |
| 范瑞瑞 | 媒体合作 | 1985130191@qq.com |
| 电话：17310253590 | 微信：suntrans2014 |
| Tom | 全职招聘 | 347562171@qq.com |
| 电话：13661190472 | 微信：13661190472 |
| 赵宏 | 矿业咨询部主任 | 1583289628@qq.com |
| 电话：13683660397 | 微信：suntrans_1543 |
| Mary | 矿业咨询部副主任 | 3073107861@qq.com |
| 电话：15210897852 | 微信：suntrans-1938 |
| Mary | 矿产贸易总监 | 1529169438@qq.com |
| 电话：17310657953 | 微信：ha15313128283 |
| 刘英龙 | 董事长助理兼销售经理 | 3602237436@qq.com |
| 电话：15701297623 | 微信:suntrans_6787
|
阳光创译的核心定位已经由最初的“阳光创译=矿业翻译”——中国地质矿业翻译领军品牌逐渐延伸扩展成“阳光创译=中国国际矿业服务大平台”，涵盖矿业翻译、矿业会展、矿业咨询、矿业猎头、“一带一路”矿业商会、矿业媒体等国际矿业服务板块。
文章版权声明：本文来源 ：《石油勘探与开发》2024年第4期P910-923 《覆盖区找矿》，版权归原作者所有，本文不代表阳光创译立场，并对文中观点保持中立，仅供各位阅读者交流参考之目的。本号所转载内容没有任何商业宣传目的，仅供交流，如有侵权，请联系主编删除（主编微信：suntrans2008），另外图片版权归原作者所有，如有侵权请联系我们，我们将会立刻删除！给您带来的不便，尽请谅解！
商务合作：请加编辑微信suntrans2008（添加时请您标明“公众号商务合作”意向）；联系电话：15313128281
图片版权声明：部分图片来源于网络，版权归原作者所有。如涉及侵权或者对版权有疑问，请联系邮件1943581358@qq.com，我们会尽快处理！
