AI佈局重塑油氣行業未來

　編者按：當前，人工智能已成為全球最火爆的科技賽道之一。其強大的功能、全新的服務模式和難以預估的發展潛力引來社會各界的廣泛關注。面對人工智能熱潮的強勢來襲，石油行業該如何完成智能化對接？本版將為您解讀，敬請關注。　　

　AI佈局重塑油氣行業未來　　

油氣企業數字化轉型亟需AI加持

　　2024年5月8日，國際著名學術期刊《自然》發表了一篇結構生物學論文稱，由谷歌DeepMind和Isomorphic Labs團隊研發的最新迭代人工智能模型AlphaFold3能夠預測DNA、小分子、離子與蛋白質組成的複雜結構。這一模型的問世震驚世界，科學家們認識到，人工智能具有強大的潛力來實現以前認為遙不可及的目標。作為新一輪產業革命的核心技術，人工智能與油氣行業的對接也愈發引起油氣公司的關注。

　　事實上，自2022年11月30日，美國OpenAI公司發佈ChatGPT開始，國內外各種預訓練大語言模型就開始不斷呈現。ChatGPT本身也在迭代升級，2024年2月16日，OpenAI公司發佈了其「文生視頻」的大模型工具Sora，它能據文字指令創造出既逼真又充滿想象力的場景。當前，人工智能特別是生成式人工智能（AIGC）以其強大的功能引來社會各界的廣泛關注。

　　AIGC的應用場景非常廣泛，「對話聊天」只是其面向公眾的一種外化表達方式，其背后的技術邏輯是由強大的計算力、強大的記憶力、強大的理解力、強大的解題格局和囊括各行各業或者本領域龐大知識庫的有力支撐。這使其能夠成為面向開放性任務的通用助理。其創意性寫作、強大的上下文理解能力、按照人類邏輯生成控制指令及對無人機或者複雜機器人進行操控等功能，使其已經具備全局性和顛覆性力量，正在對人類生產生活的方方面面產生廣泛而深遠的影響。

　　從社會經濟發展角度看，AIGC在企業級服務領域具有更大的價值和廣闊的前景。特別是當下，AIGC為諸多傳統行業的數字化轉型和智能化發展提供了新路徑。迄今為止，金融、交通、醫療等眾多傳統行業都在積極引入AIGC技術，以此來大幅提升服務效率，並引發相關業態的不斷演進和變革。

　　石油天然氣行業作為重資產、高投入、高風險行業，技術密集和勞動力密集並行，預防安全事故及生態環境災難的警鍾長鳴。面對洶涌而來的AIGC，油氣行業如何快速響應並及時完成數字化轉型和智能化對接，是時代的重大課題。

　　油氣上游是離散工業，下游是流程工業，不具備數字原生企業的特徵。在數字經濟和生成式人工智能時代，其生態夥伴的作用邊界及彼此之間的信息流、數據流正在發生根本變化。在「雙碳」目標強約束條件下，如何綠色、低碳、可持續發展，是油氣企業以及石油石化產業生存發展所面臨的嚴峻挑戰。數字化轉型、智能化發展則成為油氣企業擺脫困境的重要選擇。油氣企業的數字化智能化轉型，亟需新一代人工智能等技術的有力加持。

油氣行業數字化轉型需克服諸多困難

　　在數字化浪潮的帶動下，產業智能化發展已經成為工業領域數字化轉型的關鍵步驟。但歸根結底，產業智能化的落地和發展需要了解數字化智能化的底層邏輯。在前期研究中，筆者和團隊提出「四個世界模型」來闡明這一底層邏輯。第一個世界是我們所生活的物理世界，第二個世界是人類認知世界，第三個世界是機器認知世界，第四個世界是通過數字化構建的數字世界。

　　其背后的邏輯是：人們在以數據驅動的深度學習為主的人工智能技術中，通過傳感器對物理世界的泛在感知，獲取數據和數字孿生建模，以構建數字世界。再利用機器學習算法，通過基於明確機理的計算，使重複性工作得以自動化。也可以通過基於不明確機理的推測，來挖掘和發現數字世界的關聯關係，使探索性工作得以突破原有認知邊界。還可以通過物理世界與數字世界的映射互動和「複合孿生體」的智能共享，實現物理世界局部或整體的全生命周期認知、預測、優化及閉環控制。

　　從物理世界到數字世界，需要數字孿生建模並遵循香農採樣定理，這涉及對物理世界的理解、抽象及感知採樣。因此，數字世界的建設只能是階段性的，需要考慮層次性、兼容性、確定性、完備性、穩定性及可解釋性等一系列重要問題。此外，從第一個世界（物理世界）到第四個世界（數字世界），再到第三個世界（機器認知世界）的這個路徑，與現有組織（企業）的體制機制是一種解耦的關係，也就是説，數字世界獨立於現有組織及其體制機制之外，從而有可能遇到各種各樣的人事阻力。因此，對於油氣等傳統行業來説，其數字化和智能化轉型任重而道遠，必須應對諸多挑戰。

AIGC將在油氣領域得到廣泛應用

　　AIGC是對以數據驅動深度學習為主的人工智能技術的重大發展和實質性突破。它通過對第二個世界（人類認知世界）的文獻學習和語義理解，直接跨越到第三個世界，即形成機器認知世界。這個新路徑與現有組織（企業）的體制機制是一種耦合的關係，即與現有組織及體制機制緊密相連，從而能夠有效規避各種人事阻力。同時，這個新路徑也很好地化解了數字世界建設過程中遇到的階段性、層次性、兼容性、確定性、完備性、穩定性及可解釋性等諸多難題。

　　我們有理由相信，利用生成式人工智能，基於強大算力快速完成認知迭代，可在油氣地質、地球物理、測井錄井、鑽井和完井工程、油氣藏工程、油氣井生產地面工程、油氣儲運、煉油化工以及石油化工等各個環節和多個場景中，高效生成各類所需的內容及解決方案。它是提升油氣行業生產效率、對接數字經濟的強大工具。毫不誇張地説，大語言模型的出現以及AIGC的興起，對油氣行業的數字化轉型路徑已經帶來根本性改變，未來在油氣勘探開發等領域一定會得到廣泛應用。

　　AIGC在油氣行業的應用前景十分廣闊，但也充滿挑戰。1859年，美國賓夕法尼亞州首次通過鑽井獲取地下石油，揭開了現代石油工業的篇章。從此以后，油氣領域的通用知識、區域知識、機理模型、勘探數據、生產數據等均快速增長、不斷積累，其業務流程持續迭代升級，業務鏈與價值鏈逐步協調優化。如今，油氣領域完備的知識體系和嚴密的行業標準已經形成，為油氣行業AIGC的研發和應用奠定了良好的基礎。

　　但是，也應該看到，油氣行業業務邏輯十分複雜。以油氣上游即勘探開發核心業務為例，通常包括資源勘探、資源評價、油氣發現、油氣藏評價、開發生產、油氣田廢棄等多個階段。每個階段都涉及資料採集、處理、解釋、應用等綜合性研究。油氣核心業務企業，通常是「研究型生產企業」或者「生產型研究公司」，科研與生產不斷交錯、迭代。每個階段都涉及項目管理，包括規劃計劃、工程造價、投資預算、生產運行、質量監督、安全監管、項目驗收、工程結算等環節。除此之外，還涉及財務管理、人力資源、設備管理、物資供應、法律事務、生產銷售、客户關係等企業運營的方方面面。在以專業技術分工取得規模化發展的工業經濟體系里，必須強調各環節職責分明，其體制機制和以往持續的信息化建設，導致大量信息孤島、數據壁壘及技術保密存在。因此，在AIGC預訓練的文獻學習和語義理解過程中，如何去偽存真是一項十分艱鉅的任務。而在持續建設過程中，雖然有國家的頂層設計支撐，但領導層、執行層目前仍以觀望為主，實質性進展較小。當前，人工智能領域的高水平人才匱乏，油氣業務專家與AIGC專家之間存在壁壘，溝通不暢，業務場景構建過於簡單，使油氣行業數字化智能化實施難度大大增加。所有這些，在佈局和實施油氣行業生成式人工智能大項目、大決策時都應該實事求是地納入重點考量。（肖立志 中國石油大學（北京）人工智能學院創院院長）

　「數智」加持 油氣企業轉型可期　　

　　近期，中國石油與華為、百度先后接洽，準備攜手開啟大數據和人工智能技術在石油勘探開發領域的合作。近年來，中國石油與華為已經進行了多次合作，合作領域分佈在勘探開發、油氣生產、管網儲運、智慧煉化、綜合補能站、新能源等多個方面。中國石油與百度也曾在多個領域開展合作。譬如為油氣儲運領域帶來變革的WisGPT，就是中國石油與百度合作的我國首個油氣儲運領域人工智能大模型。

　　中國海油也曾引入華為雲Stack提供的軟件開發生產線CodeArts。基於CodeArts，中國海油已經開發了智能採辦（比如採購執行、倉儲物流管理、供應商管理）、智能油田二期（比如交叉工作提醒、區域隱患告知、實時作業監控、AI違章行為識別、智能注採調配）、應用開發雲平臺等主要業務系統，構建了中國海油供應鏈一體化數字化平臺。

　　近年來，石油公司與IT公司強強聯手加快佈局數字化，運用大數據、人工智能對油氣行業賦能，似乎已成為油氣企業的共識。科技企業通常具有物聯網、大數據、人工智能、區塊鏈等豐富的技術專長和先進技術，這些技術能夠為企業提供數字化轉型所需的各種技術解決方案。不僅如此，科技企業還擅長利用數據分析和機器學習等技術，通過對數據進行深度挖掘，為企業數字化轉型提供有價值的決策支持。

　　石油企業的業務涵蓋勘探、開發、生產、銷售多個環節，其地質數據、生產數據、市場數據等數據量相當龐大，且石油企業的運營高度依賴鑽井設備、煉油設備、儲油設施等，這些設備和設施的可靠性和安全性對於企業的運營至關重要。因此，藉助科技企業的技術，實現自身轉型升級是石油企業的不二選擇。而科技企業也可藉助能源行業的「東風」實現自身的發展壯大，雙方的合作是經濟發展的必然趨勢。

　　在能源革命和能源轉型的背景下，油氣企業需要利用數字技術重構業務模式、管理模式和商業模式，提升核心競爭力，加快數字化、智能化轉型。

　　首先，石油的勘探開發過程離不開自動化、物聯網、大數據、人工智能等數字技術。自動化鑽井系統可以遠程監測和控制鑽井過程，提高鑽井效率，減少人為錯誤。利用傳感器和物聯網技術，可以實時瞭解鑽井設備和地下油藏的狀態，及時發現故障並採取措施，確保生產安全。利用大數據分析技術，可以對海量地質數據進行處理和分析，更好地瞭解地下油藏的特性和分佈情況。通過分析歷史數據和實時數據，可以更準確地預測產量和油藏潛力，優化勘探開發計劃。利用人工智能技術可以對地震數據進行自動解釋和預測，提高勘探效率，還可以輔助工程師進行油井位置選擇和井網布局等決策。例如，道達爾能源利用飛艇和無人機向複雜勘探區域快速投放傳感器，實現高效可靠的地震資料採集；其基於大數據平臺開發井下故障的AI預測算法，可精確定位故障發生點，單井每次節約500萬—700萬美元的維修成本。

　　其次，在油氣儲運過程中，物聯網技術和大數據技術可以幫助石油企業提升儲運效率。利用物聯網技術，可以實時監測管道的運行狀態，包括壓力、温度、流量等參數。一旦發現異常，系統可以自動報警並採取措施，確保管道安全。通過分析歷史數據和實時數據，企業可以預測管道運輸的需求和趨勢，優化儲運計劃。自動化裝卸設備和智能調度系統，可以實現貨物的快速裝卸和運輸。例如，bp構建的e-field智能油田，以整合新技術手段和業務流程為關鍵，實時遠程監控和管理勘探開發、生產、銷售的整體過程，從而實現企業生產的全流程化管理。

　　最后，在油氣銷售過程中，電子商務技術和客户關係管理技術是重中之重。通過建立數字化營銷平臺，石油企業可以更有效地推廣產品和服務，吸引潛在客户。利用客户關係管理系統（CRM），更好地瞭解客户的需求和反饋，提高客户的滿意度和忠誠度。基於大數據技術對銷售數據進行分析，可以瞭解產品的市場需求和競爭態勢，優化銷售策略。利用物聯網和大數據技術，可以實時跟蹤產品的庫存和物流信息，確保供應鏈的順暢和高效。同時，通過智能預測和調度系統，可以優化庫存水平和物流路線，降低庫存成本和運輸成本。（禹春霞 孫繼莉 中國石油大學（北京）經濟管理學院）

油氣工業AIGC時代已經到來　

近年來，在國際石油公司（IOC）和國際油服公司（IOS）着力融合勘探、開採、生產、運輸和銷售等各個領域數據，並開展深度研發AI技術平臺的同時，由於OpenAI的ChatGPT/GPT-4已經成為大語言模型（LLM）的熱門象徵，一些油氣公司將開源的LLM作為內部油氣LLM項目的模板；另一些油氣公司與大型IT科技公司進行合作，開始了在油氣領域構建、訓練、定製LLM的探索，致力於將LLM技術用於提高油氣行業的運營效率、安全性和決策能力。

斯倫貝謝（SLB）

　　斯倫貝謝開發了大語言模型（LLM），研究解決了數據稀缺和特定領域的語言挑戰，展示了該模型在特定油氣任務和定性測試中的性能。為此，該公司在油氣領域收集了3.3萬個多樣性數據集，用以訓練模型和進行基準測試。結果表明，即使是對特定領域數據進行適當微調的小型模型，也優於在通用語料庫上訓練的LLM。這突出了在技術領域微調LLM的好處，有助於推進油氣行業的LLM發展。

埃克森美孚

　　埃克森美孚有兩種使用、開發LLM的機制。一是將GPT-4的使用限制在內部。二是與私營企業開發了專為石油和天然氣行業服務的自定義LLM，使用了PetroWiki、油氣行業相關研究論文、開源工單數據和行業報告，增強了當前模型的能力。該模型在數據處理、縮寫處理及行業特定任務處理等方面都顯示了巨大潛力。

沙特阿美

　　沙特阿美有兩款LLM服務。一是開發了一種TransLing語言模型，可以訓練、微調和部署較小的LLM模型，可以與油氣行業中的採購、倉儲、工廠維護、供應鏈、財務、銷售和營銷業務進行自然語言交互，並從描述中查找業務事項和交易，生成準確的信息並輸出。這些輸出與用户敍述和屏幕上下文一致，可為使用者提供來自業務系統的所需信息，並可根據需求編寫報告。二是開發了一種創新LLM框架，實現了對掃描存檔文檔中知識的提取、知識管理系統（KMS）的搜索和檢索功能的擴展，用來查找各類信息，並進行文檔間的相似性比較，以實現信息的精準檢索。該方法與傳統技術相比更加高效，使企業能夠充分利用數字檔案中的信息。這是對KMS領域的重大貢獻。

阿布扎比國家石油公司

　　阿布扎比國家石油公司開展了關於油氣LLM的兩個項目。一是啟動了第一個鑽探專用的GPT-4，使GPT-4能夠從鑽井數據中學習，以準確有效地服務鑽井過程。GPT-4能夠為混合結構、非結構化和多種表格形式的數據提供準確答案。它還具有處理和分析大量運營數據的能力，在識別運營異常或停滯方面的價值顯著。在鑽井領域，這是石油行業第一個使用ChatGPT的試點，其結果顯示GPT-4是一款能為鑽井工程師提供高效和高質量快速鑽井作業的方法和工具。二是採用GPT-4大語言模型分析地質文本描述。其開發的應用程序成功地從非結構化文本中提取了有價值的地質參數及尺度，促進了地下儲層的岩石類型和滲透率預測。該項目的持續推進有助於LLM在加強油藏表徵、優化生產和改善能源部門的整體決策過程中發揮重大作用。

馬來西亞國家石油公司

　　馬來西亞國家石油公司成功地使用LLM搜索大型非結構化數據存儲庫。系統支持對返回結果進行后續查詢，支持內容自動匯總。該系統已集成到馬來西亞國家石油公司開發的新型端到端數據挖掘平臺中。這一平臺不斷挖掘非結構化勘探數據以發現新的變化，並將結果編入索引，為非結構化數據查詢開闢了一種全新的數據發現方法。

石油工程師協會（SPE）

　　SPE數據科學與工程分析技術部門一直在與行業同行討論LLM的使用領域和方式。同時，SPE邀請了近200名SPE會員測試PetroQA（一個可以採用自然語言問答的原型工具），它使用PetroWiki內容向ChatGPT 發送油氣行業的特定知識，使用GPT-4從自然語言問題中自動生成準確的圖形查詢，形成幾種提示GPT-4生成正確查詢的新技術，並開發了一種先進的緩存機制來減少與雲模型的交互，從而減少回答時間和成本。SPE還與一家名為i2k Connect AI的公司，以及沙特阿美公司簽署了一份備忘錄，計劃在油氣領域開發LLM，幫助油氣行業的工程師和研究人員使用LLM解決油氣行業中具有挑戰性的技術問題。

挪威研究中心

　　挪威國家研究中心與斯塔萬格大學聯合研究稱，已使用石油行業數據集對7個商業和開源LLM進行了評估，結果顯示，GPT-4因其在多項選擇和上下文任務中的卓越性能而脫穎而出，它有效地解決了各種具有不同難度級別的一般和特定領域問題。研究證實LLM在提供上下文時，有提供準確響應的潛力。（竇宏恩 中國石油勘探開發研究院）