油氣人工智能將通向何方?

2024年9—10月，人工智能（AI）迎來3個歷史性時刻——9月12日，OpenAI發佈新模型o1，並稱「在涉及化學、物理和生物等專業的測評中，o1的表現超過了人類博士水平」；10月8日，2024年諾貝爾物理學獎揭曉，美國和加拿大科學家約翰·霍普費爾德、傑夫里·辛頓兩人獲獎，表彰他們基於人工神經網絡實現機器學習的基礎性發現和發明；10月9日，2024年諾貝爾化學獎揭曉，谷歌旗下AI公司DeepMind的2位科學家德米斯·哈薩比斯和約翰·江珀獲獎，表彰他們利用人工智能在蛋白質結構預測方面的貢獻。這些進展表明，基於機器學習的人工智能理論物理基礎牢固，化學應用可靠，「超級人工智能」正在快步向我們走來。可以預見，未來若干年，人才和資金將大規模湧入人工智能領域。

肖立志 中國石油大學(北京)人工智能學院創院院長

人工智能賽道正在迎來重大變革

　　人工智能（AI）聽起來很複雜，但機器學習的核心要素就是3個，即數據（包括數值數據和文本數據）、以人工神經網絡為基礎的算法、由芯片和電力決定的算力。模型訓練的過程，是使損失函數最小化的迭代擬合過程。

　　相比於傳統的機器學習算法，深度學習算法可以處理更大量級的數據，並且在特徵提取、模型訓練方面更加出色。深度學習增強了機器學習算法的通用性，促進人工智能產業的快速發展。我國正在大力推動數字化轉型。2020年底至2021年初，中國石油、中國石化、中國海油等能源央企紛紛表態，要把握大勢、搶抓機遇，推動數字化轉型和智能化發展。2022年1月12日，國務院發佈《「十四五」數字經濟發展規劃》，加快能源領域數字化轉型，提升能源體系智能化水平。國務院國資委更是連續10次發佈數字化轉型的方法論和體系架構相關標準T/AIITRE 10001-2020，明確數字化轉型的核心要義是要把基於工業技術專業分工取得規模化效率的發展模式，逐步轉變為基於信息技術、數字技術、智能技術取得多樣化效率的發展模式；並指出，這是一場「系統性變革」，是價值體系的「優化、創新和重構」，其核心路徑是「新型能力建設」，關鍵驅動要素則是「數據」。

　　2023年3月31日，國家能源局發佈《關於加快推進能源數字化智能化發展的若干意見》，涉及涵蓋油氣綠色低碳開發利用上、中、下游的6個重點領域，包括「推動智能測井、智能化節點地震採集系統、智能鑽完井、智能注採、智能化壓裂系統部署、遠程控制作業」。一幅包含智能油氣田、智能管網、智能煉廠等在內的智能化應用畫卷正在全面鋪開……

　　近2年，ChatGPT的橫空出世使生成式人工智能異軍突起，智能化發展路徑出現顛覆性變革。大語言模型成為AI發展的主賽道。ChatGPT是「面向開放任務的通用助理」，能夠準確理解提出的問題，並給出具體而詳細的解決方案。它可以進行「創意性寫作」，初步實現知識生產的第一種方式，即「類比與綜合」。它還能夠按人類邏輯生成控制指令，對無人機或複雜機器人進行操控。2023年12月，卡內基梅隆大學在Nature刊發的文章顯示，利用ChatGPT-4協同實驗自動化工具，可以在很短的時間內重現2010年諾貝爾化學獎獲獎者的工作。它按照文獻和數據搜索、制定研究計劃、執行計劃並自動編程和遠程操控儀器、進行實驗數據採集與處理分析、形成研究結論並自動生成研究報告，成功實現了知識生成的第二種方式，即科學實驗。

　　面對這些進展，學術界部分專家驚呼「超級人工智能已經在路上」。一般認為，人類智能可以分為結構化智能和非結構化智能兩類。結構化智能又分為可以利用有限次二進制運算的傳統計算機完成的算法智能，以及需要無限次傳統運算或者量子計算機才能完成的有關「創造」「自主」和「信念」的智能。現在，採用生成式大語言模型，結構化智能均可通過傳統二進制計算機（無須量子計算機）實現。至此，一個新的「智能物種」已經形成，即硅基生命的雛形，至於它是否需要具有意識科學範疇里的「私密體念」，即非結構化智能，已經無關緊要了。屆時，以正在形成的硅基智能物種為基礎的具身智能將應運而生，它使大語言模型實體化和個性化，成為聰明的「人造外星人」，在工業生產環境等閉合場景中生存和行動，從而使人工智能從「數字世界的一種認知方式」，轉變為「物理世界的一種生產方式」。這有可能成為未來人工智能發展的重要趨勢，並給生產和生活帶來重大變革。

人工智能重塑全球油氣行業未來

　　面對數字經濟時代的快步到來和智能技術產業化的巨大沖擊，作為傳統重資產、高投入、高風險行業的油氣工業，必須儘快找到數字化轉型和智能化發展的途徑及實施方案。

　　油氣領域的人工智能應用目前尚處於起步階段。石油工業的業務鏈很長，涉及勘探開發、儲運、煉油化工、物流和銷售等上下游各環節。在從萬米鑽探到萬里管網的各種大工程、大場景中，需要關注的是隱藏在圖片背后的包括裝備、人員、資金、油氣在內的各種數據流動。而數據的流動又涉及數據的採集、傳輸、處理、應用、複用，以及知識的生產應用、樣品的分析測試、機理模型的形成等。

　　爲了讓數據和知識流動起來，石油公司做了大量工作。例如，中國石油勘探開發夢想雲平臺，建成了涵蓋勘探開發全業務鏈的信息化支撐體系，在量化決策、降本增效、增儲上產、提高效率、轉變生產組織模式等方面取得了顯著成效。中國石油與華為合作開發的認知計算平臺，致力於集成和適配全部機器學習算法，實現認知分析，在測井油氣層識別、初至波拾取、地震層位解釋、抽油機井工況診斷、單井產量遞減及含水量預測等業務場景中開展應用。國際方面，阿布扎比國家石油公司（ADNOC）採用的全流程可視化智能調控優化系統，是油氣行業現階段數智化卓越的實踐之一，並在2024年實現了規模化盈利。

　　隨着ChatGPT的問世，生成式人工智能為油氣領域的數智化路徑帶來了新變革，國內外許多數字化頭部企業紛紛開始進入這一賽道。2023年10月，華為發佈面向油氣領域的大語言模型，其基本架構為L0基礎大模型、L1行業大模型和L2部署級細分場景模型。其中，L0基礎大模型包含科學計算大模型（千億級參數）、40萬億字節（TB）文本數據的計算機視覺大模型、30億參數多模態大模型和10億級圖像預測大模型。該模型基於海量知識和模型歸納，具備自監督學習功能，可以對大模型進行預訓練，並針對細分場景進行微調。L1行業大模型基於專業知識和模型泛化，可處理超過10萬個油氣數據，具備「邊用邊學」的模型優化迭代能力。L2部署級細分場景模型基於模型細分場景推理，可實現重採樣、小樣本類別處理的模型微調，域遷移學習和模型蒸餾，以及計算機視覺模型的工廠化生產，打通模型監控、數據回傳、持續學習、自動評估、持續更新的人工智能全鏈路閉環。

　　2024年5月，中國石油進一步與中國移動、華為、科大訊飛簽署崑崙大模型合作共建協議。這是油氣行業智能化的重大事件，意味着巨大的投資和宏大的基礎設施建設將提上日程。這一舉措將對油氣行業智能化進展產生深遠影響，助推油氣全產業鏈的流程重構以及數據體系、知識體系的重置。

　　2024年9月，斯倫貝謝（SLB）在摩納哥發佈Lumi?數據和人工智能平臺。該平臺採用生成式大語言模型，將從根本上改變能源價值鏈中的數據驅動決策、操作自動化及實時優化。值得關注的是，斯倫貝謝保留了Delfi數字平臺，並通過Lumi?平臺的數據基礎和人工智能能力，實現儲層建模、地震和井筒解釋、定向鑽井和地質導向等工作流程的自動化和實時優化。同時，Lumi?的開放架構使用了Open Group的OSDU技術標準。這在國際上引起了高度關注並逐步成為新的趨勢。

油氣人工智能落地須釐清底層邏輯

　　人工智能在油氣勘探領域的應用目標主要有2個。一是對於已知機理模型的重複性工作來説，利用人工智能實現自動化，大幅提高生產效率。二是對於未知機理模型的探索性工作來説，利用人工智能擴展認知邊界，從而提高符合率。

　　在人工智能應用研究中，構建學術性應用場景容易，但實現工程化應用場景很難。其應用落地的複雜性難題須從多個維度解決。這包括釐清業務邏輯與發展人工智能理論，構建數據集與標籤體系，使場景與算法適配，以及建設配套基礎設施等。而應用落地的成熟度，很大程度上取決於數據的準備程度及治理水平。

　　人工智能作為一種「賦能工具」，具有重構各行各業的能力。展望未來，油氣行業需要深入瞭解人工智能發展的底層邏輯，以此理論做指導才能準確把握發展方向。

　　2022年，筆者和團隊提出「四個世界模型」。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，使探索性工作得以突破原有的認知邊界。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。

　　近年來的實踐證明，在此基礎上建構油氣人工智能的理論體系，可以為油氣人工智能及傳統行業智能化發展提供開放、普惠、縮放兼容、可度量、可複製、可執行的理論架構。基於該架構，可以清晰理解行業人工智能應用發展的底層邏輯，併爲傳統行業構建人工智能應用場景提供方法論。

　　按照「四個世界模型」，在生成式大模型出現之前，AI的發展路徑是通過數字化轉型從物理世界步入數字世界，在數字世界利用機器學習算法，實現機器認知世界。這是一條「逆時針」的路徑，與現有組織（企業）的體制機制是一種解耦的關係。而生成式大語言模型，開闢了從物理世界到人類認知世界，通過對文本語料的學習，實現機器認知世界。這是一條「順時針」的路徑，與社會組織架構高度耦合。未來，上述2條路徑將融合協同，使機器學習更強大。我們有理由相信，人工智能將在油氣勘探開發等領域得到廣泛應用，並基於強大的算力快速完成認知迭代，在油氣全產業鏈各環節和多場景中形成所需的各類解決方案，提升油氣行業的生產效率。與此同時，在機器認知世界里成長起來的具有空間辨識能力和行動能力的具身智能，也終將走出機器認知世界，從一種認知方式轉變為生產方式，推動包括油氣領域在內的各領域進入全新的發展階段。

AI賦能鑽井技術智能化發展

哈里伯頓

　　哈里伯頓與AIQ和阿聯酋阿布扎比國家石油公司（ADNOC）合作，在ADNOC位於阿布扎比的東北巴布（NEB）油田資產中成功推出了一款AI自主井控解決方案RoboWell，以提高作業的安全性和效率。該公司應用了LOGIX自動化和遠程操作平臺，協助自主鑽井，簡化油井交付，縮短生產時間。這一平臺還集成了地質導向軟件，顯著提高了井位精度。哈里伯頓的鑽井自動化方案包括使用機器學習和基於物理模型來改進轉向、管控振動和處理壓力參數，從而實現更一致、更可預測的鑽井交付。

斯倫貝謝

　　斯倫貝謝（SLB）公司開發了一個名為INNOVATION FACTORI的全球網絡，並在世界各地的主要城市設立中心。INNOVATION FACTORI在客户獨特的業務挑戰背景下，能夠助力客户加速企業級人工智能和數字解決方案的開發和部署，涵蓋包括勘探、生產和新能源在內的多個領域。這促進了客户與斯倫貝謝數據科學專家之間的合作，以便為特定業務需求量身定製數字解決方案。例如，快速實現鑽井自動化，部署數字孿生以優化生產，以及通過建模來實現高效的碳捕集和封存。

威德福

　　威德福公司成功開發並應用了Vero?自動鑽井完整性系統。該系統採用人工智能來最大限度地降低安全風險，並能絕對可靠地驗證井的完整性。在從傳統陸上到複雜深水的應用中，Vero?解決方案為操作員提供了傳統方法無法獲得的準確性。該系統已在全球範圍內實現了大量應用，展示了威德福在關鍵操作場景中部署AI的能力。

埃克森美孚

　　埃克森美孚開發了一種專用的智能鑽井系統，利用AI在深水油氣生產中進行自主鑽井作業。其智能鑽井系統可以自動設置最佳鑽井參數，通過最大限度地減少人為干預來提高安全性和效率。該公司在圭亞那建立了鑽井自動化試驗基地。其深水鑽井平臺「Nono Don Taylor」號在圭亞那作業的同時，也作為該公司鑽井自動化的試驗平臺從事各種相關試驗與培訓工作。

艾奎諾

　　艾奎諾（Equinor）利用AI技術進行油氣勘探開發，通過大數據分析和機器學習算法，提高了地質模型的準確性和勘探成功率。艾奎諾在鑽井規劃和鑽井過程中生成多個井眼的軌跡場景，大大加快了規劃過程，提高了決策效率，實現了更高效的鑽井作業並使油氣採收率顯著提高。此外，艾奎諾還利用AI技術進行生產優化和故障預測，降低了運營成本，提高了生產安全性。

　　（以上由中國石油勘探開發研究院竇宏恩整理）

國際能源署（IEA）：油氣領域AI發展機遇與挑戰並存

　　國際能源署（IEA）認為，人工智能（AI）是對能源領域具有重要影響的變革性技術。IEA啟動了一項名為「Energy for AI, and AI for Energy」的重大計劃。作為該計劃的一部分，IEA將於12月4日至5日組織召開全球能源和人工智能會議，為政府、能源行業、科技部門、研究人員和民間社團之間的對話提供平臺。

　　IEA認為，對於能源領域而言，AI技術的部署有助於優化能源系統的結構和管理方式。在新能源領域，AI與機器人技術的結合可使生產流程更加高效、精確，從而降低光伏或電池的製造成本。AI在石油和天然氣生產方面也有大量應用，包括分析地下數據和優化煉油廠或鑽井平臺的運營。此外，AI技術正被用於更準確地預測電力需求和可再生能源發電量，自動管理需求以更好地匹配供應，並監控基礎設施以發現故障並預測維護需求。

　　AI有助於推動技術創新。目前，AI越來越多地被應用於加速能源領域的創新和技術發展。例如，研究人員正在使用AI來加速發現有潛力的電池化學成分，並幫助發現更高效、更便宜的電動汽車（EV）電池或制氫催化劑。

　　需要注意的是，隨着AI技術的加快發展，與之相關的電力需求也隨之飆升。IEA數據顯示，在美國，至少有5個州的數據中心用電量超過了總用電量的10%，而在愛爾蘭，數據中心用電量則佔到所有計量用電量的20%以上，給當地電網帶來相當大的壓力。IEA認為，這可能使該區域的能源轉型目標偏離正軌。

　　因此，IEA指出，AI技術在能源行業的應用前景仍充滿不確定性。爲了充分實現AI技術的高效運用，政府需要建立數據共享和治理機制，制定國際適用和可複製的解決方案，實現技術成果的流通共享，推動降低成本的同時加快能源轉型步伐。 （記者 馬宇涵）

標普全球（S&P Global）：AI減排的「兩面性」

　　標普全球（S&P Global）11月14日最新數據顯示，到2029年，全球AI相關數據中心的電力需求預計翻一番。這意味着，人工智能（AI）技術對使用化石燃料電力的持續需求或導致能源使用量的反彈。因此，AI助力碳減排具有「兩面性」。報告指出，未來AI應用的關鍵問題在於，如何確保其在氣候風險和情景分析、減排和其他用途方面產生足夠的「氣候效益」，以抵消其自身排放的增加，從而實現「淨正效益」。

　　與此同時，在今年3月發佈的另一份報告中，S&P Global詳細闡述了AI對能源行業應對氣候挑戰的積極影響。大量實例表明，AI技術在提高公司能源利用效率、改進風險管理流程（包括氣候管理流程）、幫助收集和報告可持續性數據等方面都具有巨大潛力。

　　第一，提高效率。在2014—2015年油價下跌期間，能源領域的AI技術得到了極大的發展。能源公司通過應用AI算法來學習重複性任務並使其實現自動化，預測和避免設備故障，優化供應鏈和物流網絡，以及協助其他提高效率的活動來降低鑽井成本和提高生產率。

　　第二，管理大型複雜系統。事實證明，能源轉型中不斷擴大的能源價值鏈（例如，以可再生能源為主的電網和綠色氫能網絡）很難使用傳統方式進行管理和優化。如將AI與其他數字概念相結合，操作員便可計算並自主實施最佳配置，從而進一步提高效率和擴大產能。

　　第三，縮短創新周期。高昂的成本阻礙了部分清潔能源技術（例如碳捕集、利用與封存以及小型模塊化核反應堆）的廣泛應用。因此，在未來項目中，更快地縮短學習周期成為新能源發展的當務之急。AI技術可以在工廠投入運營后迅速識別出設計上的不足，並在后續的項目迭代中進行糾偏，使創新能力和效率顯著提高。（記者 馬宇涵）