让人工智能大模型为油气行业注入新质生产力(图)
2024/6/28
关键字:
来源:[互联网]
面对面专家谈[中国石油新闻中心2024-06-27]
![](/upload/202406/20240628090500001.jpg)
华为油气矿山军团解决方案总裁 蒋旺成
>各行业实践证明,人工智能将成为新质生产力的强力支撑>大模型及平台能力将推动人工智能应用的快速开发和规划的推广复制
>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
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。