让人工智能大模型为油气行业注入新质生产力
蒋旺成
新质生产力的核心在于创新，关键则在于“质”，促进生产力提升的方式应该达到“有足够竞争力门槛”的目标。这意味着不仅要有新的技术突破，而且必须能够大规模复制、普惠全行业。
如今，各行业实践证明，人工智能将成为新质生产力的强力支撑。其中，大模型及平台能力识别准、漏报少、泛化性强，是人工智能高质量发展的保障，将推动人工智能应用的快速开发和规划的推广复制。
过去几年里，我们看到很多企业已经在不同程度上开展了人工智能的应用，但在传统的开发模型中，面临着五大挑战：
一是算法精度低，准确率和误报率难以达到工业级的要求；二是负样本无法穷举，工业场景很多异常样本无法获取，并随着时间推移不断出现新的变化；三是算法通用性差，基于某个场景的应用，到了新的场景后需要重新开发或者优化；四是数据出园区，生产数据需要拿到企业之外训练，带来数据安全的问题；五是人才储备不足，面向人工智能开发的人员技能门槛要求高。
面对这些人工智能落地难问题，引入新的架构和大模型技术成为破局的关键。新的架构主要指中心训练与边缘推理的两级架构。大模型则包含视觉大模型、预测大模型、自然语言大模型、多模态大模型及科学计算大模型等不同方向。
在“大模型热”的时候，我们更需要冷静分析，厘清其范畴。首先，大模型不局限于自然语言处理或者对话应用，如ChatGPT。本质上，大模型提出了一个人工智能的新范式，即通过预训练（Pre-trained）的机制，采用Transformer或其他架构达到生成式（Generative）的目标，从而实现人工智能效果的显著提升。其次，大模型并不等同于泛人工智能或者通用人工智能，也不能包治百病。AI大模型、传统模型（也称“小模型”、专用模型）以及机理模型，各有其优势，企业应该按需采用。
截至目前，能源领域、冶炼领域、勘探开发领域、炼油化工领域的龙头企业都已经进行了大量有益的尝试。尤其是“数实融合”，即“行业Know-how+人工智能大模型”的模式能够加速大模型的落地，已得到了初步成功的验证。综合这些行业龙头企业的实践经验，我认为，油气企业应用人工智能大模型，要从场景规划、架构设计、运营体系三个方面进行全面思考与布局。
首先，场景规划的布局。各业务部门围绕主航道，从场景价值、可复制性、技术可行性、需求紧迫性等多维度评估筛选，做好场景排序与分阶段实施规划，形成企业维度的场景蓝图。
其次，布局大模型的部署架构。企业应明确算力规划、数据管理、不同类别大模型架构设计等问题，在企业的两级私有云基础上布局，实现算法与算力资源的云边协同、边用边学和共建共享。
再次，构建团队保障、能力建设、流程机制保障等完整运营体系，保证企业人工智能的长期运营与持续发展。
最后，“行业Know-how+人工智能大模型”的模式需要向油气行业专家学习，需要持续加深对行业的业务场景认识，把人工智能开发与运营的能力赋予油气企业，从而激发企业的内生动力，让人工智能的能力外溢，实现场景应用的规模复制与快速推广，为全行业注入新质生产力。（作者单位：华为油气矿山军团解决方案总裁）
责任编辑：余璇
来源：中国石油报
