AI时代：油气行业迎来革命性变革

阅读提示

在全球能源结构转型的大背景下，油气勘探开发行业正面临着前所未有的挑战与机遇。随着科技的进步和社会的发展，人工智能（AI）技术的引入和应用，为油气行业带来了革命性的变革。AI技术的融入不仅优化了传统作业流程，而且开辟了勘探开发的新天地，未来，通过顶层设计、数据一体化、技术创新和合作生态的构建，也将为油气行业带来更高效、更安全、更可持续的发展。本版深入探讨了AI技术在油气勘探开发中的应用现状，并对其未来发展趋势进行预测，旨在为业内人士提供参考和启发，敬请关注。

□ 中国石化石油工程技术研究院数字化技术专家孙旭东

在世界各国均在竞逐通用人工智能（AGI）技术的背景下，我国人工智能产业发展战略被写入了2024年的政府工作报告：“要大力推进现代化产业体系建设，加快发展新质生产力。同时，深化大数据、人工智能等研发应用，开展 ‘人工智能+’行动，打造具有国际竞争力的数字产业集群”。

目前，国内外各大石油公司都将人工智能列为重要的发展战略。中国石化顺应新形势、新要求，推进油气数字化转型，规划人工智能顶层设计，使其深度赋能业务发展，形成新质生产力。

油气领域AI技术应用模式和组织生态是什么样

在油气领域，人工智能技术具有广泛的应用空间。一方面，AI作为一种新技术直接应用于油气勘探开发的各个细分领域。另一方面，AI通过与自动化机器人、工业互联网、数字孪生、智能设施的结合，形成系统化解决方案，可适用于不同场景。

在油气勘探方面，AI可在资源评价中进行海量地质、地球物理和地球化学数据融合分析；在地震解释中进行地质构造与储层属性识别；在测井分析中进行曲线数据重构、储层识别与油气水解释。在采油生产方面，AI可对物联网数据实时处理分析、工况识别、产能预测并调控方案；在油藏开发中，替代传统油藏建模与数智模拟，建立更精确的油藏模型和流体流动模型，构建更精确的油气藏开发方案。在钻井工程方面，针对“测传控”钻井决策闭环，AI以地质数据与井场实时传感器数据为基础，开展轨迹优化、钻头选型、钻井参数优化、风险分析预警等新方法应用，实现智能钻井参数控制和风险预测。在管理决策工作中，AI能深度学习，为管理层提供复杂情况下的决策分析方法和工具。

在自动化与机器人领域，AI通过结合计算机视觉（CV）和自然语言处理（NLP）技术，形成自动化设备的“具身智能”。深度学习驱动的机器人与无人机可在危险或难以到达的环境中执行任务，如海底管道检查或现场监测。在工业互联网领域，AI基于云端算力开展互联网实时数据处理分析，形成基于数据驱动的生产作业自动化，广泛应用于地震施工、钻井工程、采油气工程等。在数字孪生技术领域，AI借助物联网、大数据分析、虚拟现实技术，通过与地质和油藏机理代理模型的深度整合，实时模拟地质对象与油气藏的性能。在智能生产设备领域，AI结合物联网与边缘计算，形成数据、人、指令到控制的闭环，推动设备设施的无人化趋势，广泛应用在钻井平台、采油平台。

AI技术在油气行业的应用经过了哪些历程

人工智能技术正式走上历史舞台，始于1956年朴次茅斯会议，并在过去几十年的发展中，逐步形成了三大技术流派，即符号主义学派、连接主义学派和行为主义学派。

油气行业的人工智能技术应用，正沿着“机器学习—深度学习—大语言模型/行业大模型”的技术路线逐步深化到勘探开发细分领域。

1.机器学习应用时期

机器学习属于连接主义学派中一个重要技术分支，是基于历史数据的训练来动态形成规则，并应用该规则（模型）解决问题。它在技术上是一种对大脑学习和训练机制的模拟。

机器学习技术在油气勘探开发中的应用可追溯到20世纪90年代，以模式识别、基因算法、BP神经网络（神经网络模型）为代表的机器学习方法已开始应用于钻测录信息处理与解释、地质构造解释、储层属性识别、钻井随钻参数优化与风险预警、采油递减曲线分析及生产流程优化等方面。

中国石化在2000年后涌现了一批基于数据挖掘的专业化应用，如基于遗传算法的测试选层、基于BP神经网络的储层“甜点”预测等。如今，机器学习方法已成为油气勘探开发研究与决策工作中的重要方法，不仅存在于各业务流程的管理和决策流程中，而且应用于几乎所有的地震处理解释、地质建模、油藏数模、石油工程专业软件中。

2.深度学习应用时期

深度学习爆发于2008年前后，是从机器学习中一个重要的分支——神经网络技术深化发展形成的。深度学习通过融合多层神经元（深度概念由此而来）的神经网络方法，在图像识别和自然语言处理方面大放异彩。

2015年之后，传统的机器学习方兴未艾，以深度学习为代表的人工智能技术也在油气领域开始广泛应用。由于深度学习相对传统的机器学习，在方法上不需要专家参与来构建 “特征参数”，使得油气大数据，尤其是地震、测井与油藏开发、采油生产等领域的数据优势得以充分发挥，并带来了前所未有的革新力量。

过去几年，油气领域广泛应用深度学习解决地震处理与解释、储层识别、油藏模型模拟、采油气实时数据分析优化等具备大数据特征的问题。重点应用领域包括基于卷积神经网络的地震数据成像分析和构造及属性自动提取，基于深度学习的储层参数自动提取（胜利油田的浊积岩体识别），基于强化学习的钻井轨迹设计及钻井提效、采油生产优化与产量预测、采油注水及压裂方案设计等。

近两年，深度学习在储层地质建模和油气藏数值模拟两个领域，通过代理模型来替代传统属性算法和流体力学方程，已取得了广泛的技术突破。

3.大语言模型时期

目前广泛谈论的大模型，一般是指大语言模型（LLM）。大语言模型是深度学习在文字处理领域的持续发展，是一种参数量以“十亿（B）”为基本单位的深度学习模型。

2023年，以OpenAI公司的ChatGPT为代表的大语言模型蓬勃发展，其强大的功能正逐步形成一种“认知世界”的智能——通用人工智能。它不仅能生成自然语言文本，而且能深入理解文本含义，处理各种自然语言任务，如文本摘要、问答、翻译等。基于这种能力，大语言模型应用的重点集中在知识挖掘与检索、智能问答、报告生成与数据分析解释、跨学科协作与沟通，以及智能分析决策。

自2023年下半年起，油气领域的大语言模型应用进入快速发展阶段。它是由成熟的大语言模型为基座模型，进行行业能力拓展而成，可应用于勘探部署、井位论证、开发方案论证、生产指挥和应急指挥等重大决策场景，能快速准确地提供决策依据，并智能研判问题，推荐策略。

中国石化胜利油田的“胜小利”大模型（第二版发布于2023年12月）基于多个大语言模型后台的支持，具有油气专业知识查询、图件查询、生产信息查询、工作进度查询、生产异常分析、公文辅助写作等20多项技能，经应用证明，能显著减少科研和管理人员查找数据等烦琐工作。

中国石油管道局设计院联合百度公司（文心大模型）推出了我国首个油气储运领域人工智能大模型WisGPT（首版发布于2024年2月），基于油气储运行业知识、数据和应用场景特点，能为油气储运的各环节提供决策支持。

中国石油昆仑数智与阿里云通义千问大模型合作推进大模型在油气行业的落地应用，为油气勘探、开发生产、经营管理等全流程提供智能化决策支持。

未来油气工业大模型会如何发展

在2024年GTC大会上，AI科学家李飞飞指出，未来认知世界的模型不会是“一维”的大语言模型，而是一个基于“空间+时间”的“四维结构”模型。在油气工业领域，由于业务领域与业务流程的高度细分与高度专业化，长期以来形成了成熟的理论方法和科研流程，以及基于数学模型和机理模型来开展模拟分析的研究方法。这个领域对于风险控制、准确度与精度的高要求，是单纯的大语言模型难以支撑的。

目前，工业大模型理论设计尚处于探索阶段，但大模型技术落地工业场景的进程正拉开序幕。工业大模型以通用大语言模型为“大脑”，通过工业知识注入、机理融合、模型融合、闭环控制等技术，形成面向特定应用场景的解决方案。如“羚羊工业大模型”以科大讯飞的星火大模型为底座打造，具有工业文本生成、知识问答、理解计算、代码生成、工业多模态等五大核心能力，可实现面向场景问题的全流程闭环。“盘古大模型”则是华为公司根据不同行业和场景需求，应用多种模态的行业数据和知识积累，基于基础大模型技术构建面向不同行业领域的分析能力，可帮助企业在油藏模拟、资源评估、钻井优化等方面实现高效决策。

油气工业的大模型发展之路，是利用大语言模型的交互与智能决策优势，并深度融合油气数据和行业知识，构建多种智能体整合的具备多模态信息处理能力的分析预测模型，实现精细化仿真模拟与生产优化，并具备高精度决策能力。

在实际应用中，工业大模型仍面临诸多技术和应用挑战，包括技术成熟度、数据可用性、经济可行性及行业接受度等。因此，对于AI技术的实际应用效果和影响应持审慎态度。工业大模型的实际应用和落地可能还需要更多的研发和实践。

可以想象，未来油气大模型的构建也许会从业务角度进行延伸，如以地震属性为核心的地球物理大模型、以地质构造为核心的地质大模型、以油藏开发为核心的油藏大模型、以井筒和地层为核心的地质工程大模型等。

油气领域AI技术应用要解决哪些关键问题

1.推动油气领域人工智能发展需要一个顶层设计

油气领域“人工智能+”的发展需要一个长期可行的顶层设计：以数字化转型为出发点，以数据问题为基础，以生态合作实现技术创新，以项目驱动实现人才协作。

数字化转型是以整体价值链效率提升为目标，将人工智能作为企业数字化战略的核心，以人工智能基础设施与技术创新作为内容，构建智能油田和智能工厂。数据驱动决策需投资建设大数据平台，通过收集、分析和解读海量地质、工程、生产和环境监测数据，以支持人工智能模型构建。技术合作与创新要与科技公司（如IBM、微软、谷歌等）合作研发AI解决方案，并建立内部研发团队进行技术创新与突破。项目驱动的人才协作，则要培养石油工程师与数据科学家的跨界能力与协同能力，以应用场景推动项目落地。

2.数据一体化及数据生态的构建成为关键

石油勘探产生的海量数据需要统一和标准化，以保证来自不同区域的数据可以有效整合。同时，随着数据的数字化和共享，数据隐私和安全成为日益突出的问题。如何通过解决数据所有权鉴权、生命周期追踪、数据安全等问题，保护数据产权与商业秘密，是确保行业可持续发展的关键挑战之一。

国际上大型开放数据环境标准（OSDU）是石油和天然气行业正在进行的一项重大改革，是由许多具有国际影响力的油公司和油气服务公司共同推动的一个数据标准和软件平台，旨在通过提供一个标准化和互操作的数据平台来优化数据管理和分析过程。OSDU 可以帮助公司高效管理海量的地质、地震、油藏、钻井等数据，显著提高数据处理效率，加速勘探开发决策进程。此外，OSDU还促进了不同数据提供商、软件开发商、油气公司的数据源和应用之间的集成，有助于实现更全面和精确的地下资源评估。在一定程度上，它是为大数据分析和人工智能应用而准备的。

目前，中国石化通过EPDC（数据中心）建设推动数据统一与标准化，以数据湖-数据仓一体化技术实现勘探开发的数据一体化采集汇聚、存储和共享，提高了数据的可访问性和可用性，也有助于将来加快创新大数据分析思维模式。

3.工业大模型的实现存在多重挑战

当前，油气领域工业大模型的创新还存在诸多挑战。

建立以商业价值和工程场景需求为导向的AI技术应用是重要的出发点。虽然国内基于大语言模型的产业融合已经广泛开展，但国际领域的大语言模型应用尚无公开的发展战略和产品。

从广泛的工业应用角度看，国内目前的应用市场仍以通用大语言模型为主，下沉到垂类领域的不够多，也尚未形成标准化、体系化的大模型工业应用范式，尤其是从底层开始训练的工业大模型具有一定的技术门槛。

随着大模型在工业领域应用成为行业共识，大模型已呈现出以基础大模型为技术底座、工业应用为切入点的发展趋势，工业大模型概念和落地案例也不断涌现。未来的大模型也将在数据治理、数据安全和商业模式方面开启更多落地探索。未来5~10年，工业大模型或许会成为油气工业智能化的重要范式，推动产业升级。

他山之石

过去几年，人工智能在油气工业应用的组织模式是广泛而高效的强强联合。油公司与信息技术公司、人工智能公司以生态构建的模式开展深度合作，共同打造油气工业细分领域的解决方案。

壳牌利用微软云服务和人工智能技术来优化勘探和采油流程，加速数字化转型。壳牌和雪佛龙均与C3.ai合作开发基于人工智能的能源管理应用，以提高能源效率、减少碳排放。

挪威国家石油公司与康斯伯格海事在海底机器人技术上展开深度合作，与挪威阿克集团合作开发世界上第一个无人操作海上石油平台，与微软云AI平台合作开发数字化转型应用。

沙特阿美与西门子能源合作制定智能化能源管理方案，以实现绿色能源目标；与谷歌合作，应用机器学习提升勘探、生产和运营效率，如地下储层精准预测。

道达尔与谷歌合作，利用AI和数据分析技术提升石油勘探和生产效率。

巴西国家石油公司与IBM合作开发机器学习平台，用于优化钻井过程，减少非生产时间，提高石油和天然气产量。