AI布局重塑油气行业未来|人工智能_新浪财经

　编者按：当前，人工智能已成为全球最火爆的科技赛道之一。其强大的功能、全新的服务模式和难以预估的发展潜力引来社会各界的广泛关注。面对人工智能热潮的强势来袭，石油行业该如何完成智能化对接？本版将为您解读，敬请关注。　　

　AI布局重塑油气行业未来　　

油气企业数字化转型亟需AI加持

　　2024年5月8日，国际著名学术期刊《自然》发表了一篇结构生物学论文称，由谷歌DeepMind和Isomorphic Labs团队研发的最新迭代人工智能模型AlphaFold3能够预测DNA、小分子、离子与蛋白质组成的复杂结构。这一模型的问世震惊世界，科学家们认识到，人工智能具有强大的潜力来实现以前认为遥不可及的目标。作为新一轮产业革命的核心技术，人工智能与油气行业的对接也愈发引起油气公司的关注。

　　事实上，自2022年11月30日，美国OpenAI公司发布ChatGPT开始，国内外各种预训练大语言模型就开始不断呈现。ChatGPT本身也在迭代升级，2024年2月16日，OpenAI公司发布了其“文生视频”的大模型工具Sora，它能据文字指令创造出既逼真又充满想象力的场景。当前，人工智能特别是生成式人工智能（AIGC）以其强大的功能引来社会各界的广泛关注。

　　AIGC的应用场景非常广泛，“对话聊天”只是其面向公众的一种外化表达方式，其背后的技术逻辑是由强大的计算力、强大的记忆力、强大的理解力、强大的解题格局和囊括各行各业或者本领域庞大知识库的有力支撑。这使其能够成为面向开放性任务的通用助理。其创意性写作、强大的上下文理解能力、按照人类逻辑生成控制指令及对无人机或者复杂机器人进行操控等功能，使其已经具备全局性和颠覆性力量，正在对人类生产生活的方方面面产生广泛而深远的影响。

　　从社会经济发展角度看，AIGC在企业级服务领域具有更大的价值和广阔的前景。特别是当下，AIGC为诸多传统行业的数字化转型和智能化发展提供了新路径。迄今为止，金融、交通、医疗等众多传统行业都在积极引入AIGC技术，以此来大幅提升服务效率，并引发相关业态的不断演进和变革。

　　石油天然气行业作为重资产、高投入、高风险行业，技术密集和劳动力密集并行，预防安全事故及生态环境灾难的警钟长鸣。面对汹涌而来的AIGC，油气行业如何快速响应并及时完成数字化转型和智能化对接，是时代的重大课题。

　　油气上游是离散工业，下游是流程工业，不具备数字原生企业的特征。在数字经济和生成式人工智能时代，其生态伙伴的作用边界及彼此之间的信息流、数据流正在发生根本变化。在“双碳”目标强约束条件下，如何绿色、低碳、可持续发展，是油气企业以及石油石化产业生存发展所面临的严峻挑战。数字化转型、智能化发展则成为油气企业摆脱困境的重要选择。油气企业的数字化智能化转型，亟需新一代人工智能等技术的有力加持。

油气行业数字化转型需克服诸多困难

　　在数字化浪潮的带动下，产业智能化发展已经成为工业领域数字化转型的关键步骤。但归根结底，产业智能化的落地和发展需要了解数字化智能化的底层逻辑。在前期研究中，笔者和团队提出“四个世界模型”来阐明这一底层逻辑。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。

　　其背后的逻辑是：人们在以数据驱动的深度学习为主的人工智能技术中，通过传感器对物理世界的泛在感知，获取数据和数字孪生建模，以构建数字世界。再利用机器学习算法，通过基于明确机理的计算，使重复性工作得以自动化。也可以通过基于不明确机理的推测，来挖掘和发现数字世界的关联关系，使探索性工作得以突破原有认知边界。还可以通过物理世界与数字世界的映射互动和“复合孪生体”的智能共享，实现物理世界局部或整体的全生命周期认知、预测、优化及闭环控制。

　　从物理世界到数字世界，需要数字孪生建模并遵循香农采样定理，这涉及对物理世界的理解、抽象及感知采样。因此，数字世界的建设只能是阶段性的，需要考虑层次性、兼容性、确定性、完备性、稳定性及可解释性等一系列重要问题。此外，从第一个世界（物理世界）到第四个世界（数字世界），再到第三个世界（机器认知世界）的这个路径，与现有组织（企业）的体制机制是一种解耦的关系，也就是说，数字世界独立于现有组织及其体制机制之外，从而有可能遇到各种各样的人事阻力。因此，对于油气等传统行业来说，其数字化和智能化转型任重而道远，必须应对诸多挑战。

AIGC将在油气领域得到广泛应用

　　AIGC是对以数据驱动深度学习为主的人工智能技术的重大发展和实质性突破。它通过对第二个世界（人类认知世界）的文献学习和语义理解，直接跨越到第三个世界，即形成机器认知世界。这个新路径与现有组织（企业）的体制机制是一种耦合的关系，即与现有组织及体制机制紧密相连，从而能够有效规避各种人事阻力。同时，这个新路径也很好地化解了数字世界建设过程中遇到的阶段性、层次性、兼容性、确定性、完备性、稳定性及可解释性等诸多难题。

　　我们有理由相信，利用生成式人工智能，基于强大算力快速完成认知迭代，可在油气地质、地球物理、测井录井、钻井和完井工程、油气藏工程、油气井生产地面工程、油气储运、炼油化工以及石油化工等各个环节和多个场景中，高效生成各类所需的内容及解决方案。它是提升油气行业生产效率、对接数字经济的强大工具。毫不夸张地说，大语言模型的出现以及AIGC的兴起，对油气行业的数字化转型路径已经带来根本性改变，未来在油气勘探开发等领域一定会得到广泛应用。

　　AIGC在油气行业的应用前景十分广阔，但也充满挑战。1859年，美国宾夕法尼亚州首次通过钻井获取地下石油，揭开了现代石油工业的篇章。从此以后，油气领域的通用知识、区域知识、机理模型、勘探数据、生产数据等均快速增长、不断积累，其业务流程持续迭代升级，业务链与价值链逐步协调优化。如今，油气领域完备的知识体系和严密的行业标准已经形成，为油气行业AIGC的研发和应用奠定了良好的基础。

　　但是，也应该看到，油气行业业务逻辑十分复杂。以油气上游即勘探开发核心业务为例，通常包括资源勘探、资源评价、油气发现、油气藏评价、开发生产、油气田废弃等多个阶段。每个阶段都涉及资料采集、处理、解释、应用等综合性研究。油气核心业务企业，通常是“研究型生产企业”或者“生产型研究公司”，科研与生产不断交错、迭代。每个阶段都涉及项目管理，包括规划计划、工程造价、投资预算、生产运行、质量监督、安全监管、项目验收、工程结算等环节。除此之外，还涉及财务管理、人力资源、设备管理、物资供应、法律事务、生产销售、客户关系等企业运营的方方面面。在以专业技术分工取得规模化发展的工业经济体系里，必须强调各环节职责分明，其体制机制和以往持续的信息化建设，导致大量信息孤岛、数据壁垒及技术保密存在。因此，在AIGC预训练的文献学习和语义理解过程中，如何去伪存真是一项十分艰巨的任务。而在持续建设过程中，虽然有国家的顶层设计支撑，但领导层、执行层目前仍以观望为主，实质性进展较小。当前，人工智能领域的高水平人才匮乏，油气业务专家与AIGC专家之间存在壁垒，沟通不畅，业务场景构建过于简单，使油气行业数字化智能化实施难度大大增加。所有这些，在布局和实施油气行业生成式人工智能大项目、大决策时都应该实事求是地纳入重点考量。（肖立志中国石油大学（北京）人工智能学院创院院长）

　“数智”加持油气企业转型可期　　

　　近期，中国石油与华为、百度先后接洽，准备携手开启大数据和人工智能技术在石油勘探开发领域的合作。近年来，中国石油与华为已经进行了多次合作，合作领域分布在勘探开发、油气生产、管网储运、智慧炼化、综合补能站、新能源等多个方面。中国石油与百度也曾在多个领域开展合作。譬如为油气储运领域带来变革的WisGPT，就是中国石油与百度合作的我国首个油气储运领域人工智能大模型。

　　中国海油也曾引入华为云Stack提供的软件开发生产线CodeArts。基于CodeArts，中国海油已经开发了智能采办（比如采购执行、仓储物流管理、供应商管理）、智能油田二期（比如交叉工作提醒、区域隐患告知、实时作业监控、AI违章行为识别、智能注采调配）、应用开发云平台等主要业务系统，构建了中国海油供应链一体化数字化平台。

　　近年来，石油公司与IT公司强强联手加快布局数字化，运用大数据、人工智能对油气行业赋能，似乎已成为油气企业的共识。科技企业通常具有物联网、大数据、人工智能、区块链等丰富的技术专长和先进技术，这些技术能够为企业提供数字化转型所需的各种技术解决方案。不仅如此，科技企业还擅长利用数据分析和机器学习等技术，通过对数据进行深度挖掘，为企业数字化转型提供有价值的决策支持。

　　石油企业的业务涵盖勘探、开发、生产、销售多个环节，其地质数据、生产数据、市场数据等数据量相当庞大，且石油企业的运营高度依赖钻井设备、炼油设备、储油设施等，这些设备和设施的可靠性和安全性对于企业的运营至关重要。因此，借助科技企业的技术，实现自身转型升级是石油企业的不二选择。而科技企业也可借助能源行业的“东风”实现自身的发展壮大，双方的合作是经济发展的必然趋势。

　　在能源革命和能源转型的背景下，油气企业需要利用数字技术重构业务模式、管理模式和商业模式，提升核心竞争力，加快数字化、智能化转型。

　　首先，石油的勘探开发过程离不开自动化、物联网、大数据、人工智能等数字技术。自动化钻井系统可以远程监测和控制钻井过程，提高钻井效率，减少人为错误。利用传感器和物联网技术，可以实时了解钻井设备和地下油藏的状态，及时发现故障并采取措施，确保生产安全。利用大数据分析技术，可以对海量地质数据进行处理和分析，更好地了解地下油藏的特性和分布情况。通过分析历史数据和实时数据，可以更准确地预测产量和油藏潜力，优化勘探开发计划。利用人工智能技术可以对地震数据进行自动解释和预测，提高勘探效率，还可以辅助工程师进行油井位置选择和井网布局等决策。例如，道达尔能源利用飞艇和无人机向复杂勘探区域快速投放传感器，实现高效可靠的地震资料采集；其基于大数据平台开发井下故障的AI预测算法，可精确定位故障发生点，单井每次节约500万—700万美元的维修成本。

　　其次，在油气储运过程中，物联网技术和大数据技术可以帮助石油企业提升储运效率。利用物联网技术，可以实时监测管道的运行状态，包括压力、温度、流量等参数。一旦发现异常，系统可以自动报警并采取措施，确保管道安全。通过分析历史数据和实时数据，企业可以预测管道运输的需求和趋势，优化储运计划。自动化装卸设备和智能调度系统，可以实现货物的快速装卸和运输。例如，bp构建的e-field智能油田，以整合新技术手段和业务流程为关键，实时远程监控和管理勘探开发、生产、销售的整体过程，从而实现企业生产的全流程化管理。

　　最后，在油气销售过程中，电子商务技术和客户关系管理技术是重中之重。通过建立数字化营销平台，石油企业可以更有效地推广产品和服务，吸引潜在客户。利用客户关系管理系统（CRM），更好地了解客户的需求和反馈，提高客户的满意度和忠诚度。基于大数据技术对销售数据进行分析，可以了解产品的市场需求和竞争态势，优化销售策略。利用物联网和大数据技术，可以实时跟踪产品的库存和物流信息，确保供应链的顺畅和高效。同时，通过智能预测和调度系统，可以优化库存水平和物流路线，降低库存成本和运输成本。（禹春霞孙继莉中国石油大学（北京）经济管理学院）

油气工业AIGC时代已经到来　

近年来，在国际石油公司（IOC）和国际油服公司（IOS）着力融合勘探、开采、生产、运输和销售等各个领域数据，并开展深度研发AI技术平台的同时，由于OpenAI的ChatGPT/GPT-4已经成为大语言模型（LLM）的热门象征，一些油气公司将开源的LLM作为内部油气LLM项目的模板；另一些油气公司与大型IT科技公司进行合作，开始了在油气领域构建、训练、定制LLM的探索，致力于将LLM技术用于提高油气行业的运营效率、安全性和决策能力。

斯伦贝谢（SLB）

　　斯伦贝谢开发了大语言模型（LLM），研究解决了数据稀缺和特定领域的语言挑战，展示了该模型在特定油气任务和定性测试中的性能。为此，该公司在油气领域收集了3.3万个多样性数据集，用以训练模型和进行基准测试。结果表明，即使是对特定领域数据进行适当微调的小型模型，也优于在通用语料库上训练的LLM。这突出了在技术领域微调LLM的好处，有助于推进油气行业的LLM发展。

埃克森美孚

　　埃克森美孚有两种使用、开发LLM的机制。一是将GPT-4的使用限制在内部。二是与私营企业开发了专为石油和天然气行业服务的自定义LLM，使用了PetroWiki、油气行业相关研究论文、开源工单数据和行业报告，增强了当前模型的能力。该模型在数据处理、缩写处理及行业特定任务处理等方面都显示了巨大潜力。

沙特阿美

　　沙特阿美有两款LLM服务。一是开发了一种TransLing语言模型，可以训练、微调和部署较小的LLM模型，可以与油气行业中的采购、仓储、工厂维护、供应链、财务、销售和营销业务进行自然语言交互，并从描述中查找业务事项和交易，生成准确的信息并输出。这些输出与用户叙述和屏幕上下文一致，可为使用者提供来自业务系统的所需信息，并可根据需求编写报告。二是开发了一种创新LLM框架，实现了对扫描存档文档中知识的提取、知识管理系统（KMS）的搜索和检索功能的扩展，用来查找各类信息，并进行文档间的相似性比较，以实现信息的精准检索。该方法与传统技术相比更加高效，使企业能够充分利用数字档案中的信息。这是对KMS领域的重大贡献。

阿布扎比国家石油公司

　　阿布扎比国家石油公司开展了关于油气LLM的两个项目。一是启动了第一个钻探专用的GPT-4，使GPT-4能够从钻井数据中学习，以准确有效地服务钻井过程。GPT-4能够为混合结构、非结构化和多种表格形式的数据提供准确答案。它还具有处理和分析大量运营数据的能力，在识别运营异常或停滞方面的价值显著。在钻井领域，这是石油行业第一个使用ChatGPT的试点，其结果显示GPT-4是一款能为钻井工程师提供高效和高质量快速钻井作业的方法和工具。二是采用GPT-4大语言模型分析地质文本描述。其开发的应用程序成功地从非结构化文本中提取了有价值的地质参数及尺度，促进了地下储层的岩石类型和渗透率预测。该项目的持续推进有助于LLM在加强油藏表征、优化生产和改善能源部门的整体决策过程中发挥重大作用。

马来西亚国家石油公司

　　马来西亚国家石油公司成功地使用LLM搜索大型非结构化数据存储库。系统支持对返回结果进行后续查询，支持内容自动汇总。该系统已集成到马来西亚国家石油公司开发的新型端到端数据挖掘平台中。这一平台不断挖掘非结构化勘探数据以发现新的变化，并将结果编入索引，为非结构化数据查询开辟了一种全新的数据发现方法。

石油工程师协会（SPE）

　　SPE数据科学与工程分析技术部门一直在与行业同行讨论LLM的使用领域和方式。同时，SPE邀请了近200名SPE会员测试PetroQA（一个可以采用自然语言问答的原型工具），它使用PetroWiki内容向ChatGPT 发送油气行业的特定知识，使用GPT-4从自然语言问题中自动生成准确的图形查询，形成几种提示GPT-4生成正确查询的新技术，并开发了一种先进的缓存机制来减少与云模型的交互，从而减少回答时间和成本。SPE还与一家名为i2k Connect AI的公司，以及沙特阿美公司签署了一份备忘录，计划在油气领域开发LLM，帮助油气行业的工程师和研究人员使用LLM解决油气行业中具有挑战性的技术问题。

挪威研究中心

　　挪威国家研究中心与斯塔万格大学联合研究称，已使用石油行业数据集对7个商业和开源LLM进行了评估，结果显示，GPT-4因其在多项选择和上下文任务中的卓越性能而脱颖而出，它有效地解决了各种具有不同难度级别的一般和特定领域问题。研究证实LLM在提供上下文时，有提供准确响应的潜力。（窦宏恩中国石油勘探开发研究院）