在全球能源結構轉型的大背景下，油氣勘探開發行業正面臨著前所未有的挑戰與機遇。隨著科技的進步和社會的發展，人工智能（AI）技術的引入和應用，為油氣行業帶來了革命性的變革。AI技術的融入不僅優化了傳統作業流程，而且開辟了勘探開發的新天地，未來，通過頂層設計、數據一體化、技術創新和合作生態的構建，也將為油氣行業帶來更高效、更安全、更可持續的發展。本版深入探討了AI技術在油氣勘探開發中的應用現狀，并對其未來發展趨勢進行預測，旨在為業內人士提供參考和啟發，敬請關注。

□ 中國石化石油工程技術研究院數字化技術專家 孫旭東

在世界各國均在競逐通用人工智能（AGI）技術的背景下，我國人工智能產業發展戰略被寫入了2024年的政府工作報告：“要大力推進現代化產業體系建設，加快發展新質生產力。同時，深化大數據、人工智能等研發應用，開展 ‘人工智能+’行動，打造具有國際競爭力的數字產業集群”。

目前，國內外各大石油公司都將人工智能列為重要的發展戰略。中國石化順應新形勢、新要求，推進油氣數字化轉型，規劃人工智能頂層設計，使其深度賦能業務發展，形成新質生產力。

油氣領域AI技術應用模式和組織生態是什么樣

在油氣領域，人工智能技術具有廣泛的應用空間。一方面，AI作為一種新技術直接應用于油氣勘探開發的各個細分領域。另一方面，AI通過與自動化機器人、工業互聯網、數字孿生、智能設施的結合，形成系統化解決方案，可適用于不同場景。

在油氣勘探方面，AI可在資源評價中進行海量地質、地球物理和地球化學數據融合分析；在地震解釋中進行地質構造與儲層屬性識別；在測井分析中進行曲線數據重構、儲層識別與油氣水解釋。在采油生產方面，AI可對物聯網數據實時處理分析、工況識別、產能預測并調控方案；在油藏開發中，替代傳統油藏建模與數智模擬，建立更精確的油藏模型和流體流動模型，構建更精確的油氣藏開發方案。在鉆井工程方面，針對“測傳控”鉆井決策閉環，AI以地質數據與井場實時傳感器數據為基礎，開展軌跡優化、鉆頭選型、鉆井參數優化、風險分析預警等新方法應用，實現智能鉆井參數控制和風險預測。在管理決策工作中，AI能深度學習，為管理層提供復雜情況下的決策分析方法和工具。

在自動化與機器人領域，AI通過結合計算機視覺（CV）和自然語言處理（NLP）技術，形成自動化設備的“具身智能”。深度學習驅動的機器人與無人機可在危險或難以到達的環境中執行任務，如海底管道檢查或現場監測。在工業互聯網領域，AI基于云端算力開展互聯網實時數據處理分析，形成基于數據驅動的生產作業自動化，廣泛應用于地震施工、鉆井工程、采油氣工程等。在數字孿生技術領域，AI借助物聯網、大數據分析、虛擬現實技術，通過與地質和油藏機理代理模型的深度整合，實時模擬地質對象與油氣藏的性能。在智能生產設備領域，AI結合物聯網與邊緣計算，形成數據、人、指令到控制的閉環，推動設備設施的無人化趨勢，廣泛應用在鉆井平臺、采油平臺。

AI技術在油氣行業的應用經過了哪些歷程

人工智能技術正式走上歷史舞臺，始于1956年樸次茅斯會議，并在過去幾十年的發展中，逐步形成了三大技術流派，即符號主義學派、連接主義學派和行為主義學派。

油氣行業的人工智能技術應用，正沿著“機器學習—深度學習—大語言模型/行業大模型”的技術路線逐步深化到勘探開發細分領域。

1.機器學習應用時期

機器學習屬于連接主義學派中一個重要技術分支，是基于歷史數據的訓練來動態形成規則，并應用該規則（模型）解決問題。它在技術上是一種對大腦學習和訓練機制的模擬。

機器學習技術在油氣勘探開發中的應用可追溯到20世紀90年代，以模式識別、基因算法、BP神經網絡（神經網絡模型）為代表的機器學習方法已開始應用于鉆測錄信息處理與解釋、地質構造解釋、儲層屬性識別、鉆井隨鉆參數優化與風險預警、采油遞減曲線分析及生產流程優化等方面。

中國石化在2000年后涌現了一批基于數據挖掘的專業化應用，如基于遺傳算法的測試選層、基于BP神經網絡的儲層“甜點”預測等。如今，機器學習方法已成為油氣勘探開發研究與決策工作中的重要方法，不僅存在于各業務流程的管理和決策流程中，而且應用于幾乎所有的地震處理解釋、地質建模、油藏數模、石油工程專業軟件中。

2.深度學習應用時期

深度學習爆發于2008年前后，是從機器學習中一個重要的分支——神經網絡技術深化發展形成的。深度學習通過融合多層神經元（深度概念由此而來）的神經網絡方法，在圖像識別和自然語言處理方面大放異彩。

2015年之后，傳統的機器學習方興未艾，以深度學習為代表的人工智能技術也在油氣領域開始廣泛應用。由于深度學習相對傳統的機器學習，在方法上不需要專家參與來構建 “特征參數”，使得油氣大數據，尤其是地震、測井與油藏開發、采油生產等領域的數據優勢得以充分發揮，并帶來了前所未有的革新力量。

過去幾年，油氣領域廣泛應用深度學習解決地震處理與解釋、儲層識別、油藏模型模擬、采油氣實時數據分析優化等具備大數據特征的問題。重點應用領域包括基于卷積神經網絡的地震數據成像分析和構造及屬性自動提取，基于深度學習的儲層參數自動提取（勝利油田的濁積巖體識別），基于強化學習的鉆井軌跡設計及鉆井提效、采油生產優化與產量預測、采油注水及壓裂方案設計等。

近兩年，深度學習在儲層地質建模和油氣藏數值模擬兩個領域，通過代理模型來替代傳統屬性算法和流體力學方程，已取得了廣泛的技術突破。

3.大語言模型時期

目前廣泛談論的大模型，一般是指大語言模型（LLM）。大語言模型是深度學習在文字處理領域的持續發展，是一種參數量以“十億（B）”為基本單位的深度學習模型。

2023年，以OpenAI公司的ChatGPT為代表的大語言模型蓬勃發展，其強大的功能正逐步形成一種“認知世界”的智能——通用人工智能。它不僅能生成自然語言文本，而且能深入理解文本含義，處理各種自然語言任務，如文本摘要、問答、翻譯等。基于這種能力，大語言模型應用的重點集中在知識挖掘與檢索、智能問答、報告生成與數據分析解釋、跨學科協作與溝通，以及智能分析決策。

自2023年下半年起，油氣領域的大語言模型應用進入快速發展階段。它是由成熟的大語言模型為基座模型，進行行業能力拓展而成，可應用于勘探部署、井位論證、開發方案論證、生產指揮和應急指揮等重大決策場景，能快速準確地提供決策依據，并智能研判問題，推薦策略。

中國石化勝利油田的“勝小利”大模型（第二版發布于2023年12月）基于多個大語言模型后臺的支持，具有油氣專業知識查詢、圖件查詢、生產信息查詢、工作進度查詢、生產異常分析、公文輔助寫作等20多項技能，經應用證明，能顯著減少科研和管理人員查找數據等煩瑣工作。

中國石油管道局設計院聯合百度公司（文心大模型）推出了我國首個油氣儲運領域人工智能大模型WisGPT（首版發布于2024年2月），基于油氣儲運行業知識、數據和應用場景特點，能為油氣儲運的各環節提供決策支持。

中國石油昆侖數智與阿里云通義千問大模型合作推進大模型在油氣行業的落地應用，為油氣勘探、開發生產、經營管理等全流程提供智能化決策支持。

未來油氣工業大模型會如何發展

在2024年GTC大會上，AI科學家李飛飛指出，未來認知世界的模型不會是“一維”的大語言模型，而是一個基于“空間+時間”的“四維結構”模型。在油氣工業領域，由于業務領域與業務流程的高度細分與高度專業化，長期以來形成了成熟的理論方法和科研流程，以及基于數學模型和機理模型來開展模擬分析的研究方法。這個領域對于風險控制、準確度與精度的高要求，是單純的大語言模型難以支撐的。

目前，工業大模型理論設計尚處于探索階段，但大模型技術落地工業場景的進程正拉開序幕。工業大模型以通用大語言模型為“大腦”，通過工業知識注入、機理融合、模型融合、閉環控制等技術，形成面向特定應用場景的解決方案。如“羚羊工業大模型”以科大訊飛的星火大模型為底座打造，具有工業文本生成、知識問答、理解計算、代碼生成、工業多模態等五大核心能力，可實現面向場景問題的全流程閉環。“盤古大模型”則是華為公司根據不同行業和場景需求，應用多種模態的行業數據和知識積累，基于基礎大模型技術構建面向不同行業領域的分析能力，可幫助企業在油藏模擬、資源評估、鉆井優化等方面實現高效決策。

油氣工業的大模型發展之路，是利用大語言模型的交互與智能決策優勢，并深度融合油氣數據和行業知識，構建多種智能體整合的具備多模態信息處理能力的分析預測模型，實現精細化仿真模擬與生產優化，并具備高精度決策能力。

在實際應用中，工業大模型仍面臨諸多技術和應用挑戰，包括技術成熟度、數據可用性、經濟可行性及行業接受度等。因此，對于AI技術的實際應用效果和影響應持審慎態度。工業大模型的實際應用和落地可能還需要更多的研發和實踐。

可以想象，未來油氣大模型的構建也許會從業務角度進行延伸，如以地震屬性為核心的地球物理大模型、以地質構造為核心的地質大模型、以油藏開發為核心的油藏大模型、以井筒和地層為核心的地質工程大模型等。

油氣領域AI技術應用要解決哪些關鍵問題

1.推動油氣領域人工智能發展需要一個頂層設計

油氣領域“人工智能+”的發展需要一個長期可行的頂層設計：以數字化轉型為出發點，以數據問題為基礎，以生態合作實現技術創新，以項目驅動實現人才協作。

數字化轉型是以整體價值鏈效率提升為目標，將人工智能作為企業數字化戰略的核心，以人工智能基礎設施與技術創新作為內容，構建智能油田和智能工廠。數據驅動決策需投資建設大數據平臺，通過收集、分析和解讀海量地質、工程、生產和環境監測數據，以支持人工智能模型構建。技術合作與創新要與科技公司（如IBM、微軟、谷歌等）合作研發AI解決方案，并建立內部研發團隊進行技術創新與突破。項目驅動的人才協作，則要培養石油工程師與數據科學家的跨界能力與協同能力，以應用場景推動項目落地。

2.數據一體化及數據生態的構建成為關鍵

石油勘探產生的海量數據需要統一和標準化，以保證來自不同區域的數據可以有效整合。同時，隨著數據的數字化和共享，數據隱私和安全成為日益突出的問題。如何通過解決數據所有權鑒權、生命周期追蹤、數據安全等問題，保護數據產權與商業秘密，是確保行業可持續發展的關鍵挑戰之一。

國際上大型開放數據環境標準（OSDU）是石油和天然氣行業正在進行的一項重大改革，是由許多具有國際影響力的油公司和油氣服務公司共同推動的一個數據標準和軟件平臺，旨在通過提供一個標準化和互操作的數據平臺來優化數據管理和分析過程。OSDU 可以幫助公司高效管理海量的地質、地震、油藏、鉆井等數據，顯著提高數據處理效率，加速勘探開發決策進程。此外，OSDU還促進了不同數據提供商、軟件開發商、油氣公司的數據源和應用之間的集成，有助于實現更全面和精確的地下資源評估。在一定程度上，它是為大數據分析和人工智能應用而準備的。

目前，中國石化通過EPDC（數據中心）建設推動數據統一與標準化，以數據湖-數據倉一體化技術實現勘探開發的數據一體化采集匯聚、存儲和共享，提高了數據的可訪問性和可用性，也有助于將來加快創新大數據分析思維模式。

3.工業大模型的實現存在多重挑戰

當前，油氣領域工業大模型的創新還存在諸多挑戰。

建立以商業價值和工程場景需求為導向的AI技術應用是重要的出發點。雖然國內基于大語言模型的產業融合已經廣泛開展，但國際領域的大語言模型應用尚無公開的發展戰略和產品。

從廣泛的工業應用角度看，國內目前的應用市場仍以通用大語言模型為主，下沉到垂類領域的不夠多，也尚未形成標準化、體系化的大模型工業應用范式，尤其是從底層開始訓練的工業大模型具有一定的技術門檻。

隨著大模型在工業領域應用成為行業共識，大模型已呈現出以基礎大模型為技術底座、工業應用為切入點的發展趨勢，工業大模型概念和落地案例也不斷涌現。未來的大模型也將在數據治理、數據安全和商業模式方面開啟更多落地探索。未來5~10年，工業大模型或許會成為油氣工業智能化的重要范式，推動產業升級。

他山之石

過去幾年，人工智能在油氣工業應用的組織模式是廣泛而高效的強強聯合。油公司與信息技術公司、人工智能公司以生態構建的模式開展深度合作，共同打造油氣工業細分領域的解決方案。

殼牌利用微軟云服務和人工智能技術來優化勘探和采油流程，加速數字化轉型。殼牌和雪佛龍均與C3.ai合作開發基于人工智能的能源管理應用，以提高能源效率、減少碳排放。

挪威國家石油公司與康斯伯格海事在海底機器人技術上展開深度合作，與挪威阿克集團合作開發世界上第一個無人操作海上石油平臺，與微軟云AI平臺合作開發數字化轉型應用。

沙特阿美與西門子能源合作制定智能化能源管理方案，以實現綠色能源目標；與谷歌合作，應用機器學習提升勘探、生產和運營效率，如地下儲層精準預測。

道達爾與谷歌合作，利用AI和數據分析技術提升石油勘探和生產效率。

巴西國家石油公司與IBM合作開發機器學習平臺，用于優化鉆井過程，減少非生產時間，提高石油和天然氣產量。

康菲石油公司應用微軟人工智能和物聯網功能，實現高效生產管理、設備維護和資產優化。