我要投稿

能源生产领域如何构建大模型应用新范式

发布日期：2024-12-25 18:28:04 浏览次数： 2859

作者：爱分析ifenxi

微信搜一搜，关注“爱分析ifenxi”

在全球能源结构正在面临转型与升级，能源企业也面临着安全、效率、环保等多重压力，人工智能（AI）与大模型的应用日益成为推动行业创新和提高效率的重要力量。本期分享专家将聚焦能源生产领域，带来行业大模型的落地场景、路径与实践案例。

油气行业人工智能场景分析

近几年大家都在关注数字化，那么企业数字化转型的本质是什么呢？可以先引入DIKW模型，是知识工程的模型，我认为也是整个人类智慧认知进阶的模型。

“ D ”是数据，最早的人类社会开始用符号来计数，“ I ”是信息，即数据所表示的含义，再向上一层就是知识“ K ”，也就是蕴含在信息背后，用于人类社会认知事物、解决问题的信息逻辑。最上层是智能“ W ”，是个体或组织运用知识认识事物、解决问题的能力。通过 DIKW 的认知进阶模型，不难发现企业数字化转型的本质就是不断的用 IT 手段来提升企业整体的认知层次，包括从最早的基础设施构建、数据管理构建、信息系统构建，再到最后的知识工程、智能业务等。

整体的数智化要素包括了人员、技术、资源、业务四类。企业的每个业务活动，都是个体或组织不断的去发现知识、运用知识、创造知识的过程。所以说企业业务的认知层次提升，也就是企业数字化转型的本质。

上图是国内第一个数字化转型价值效益参考模型的国家标准。这个模型展示了企业数字化过程中，对数据的诉求从点到线、到面、到体，甚至到生态的发展路径。

企业在数字化转型中，对知识化、智能化的需求，正在从单点到业务链再到整体性发展，甚至最后为了实现持续生命力的发展，必须依赖生态化发展。所以业务发展的价值驱动，才是企业信息化发展的核心动力。

在人工智能落地建设的过程中，算力、算法和数据是构建的基础，围绕数字化转型的价值驱动模型，如何找到更高价值的应用场景，才是企业数字化转型或者人工智能应用落地的核心要素。如果没有价值驱动，那算法、算力和数据都是沉没成本，只有投入到真正的业务中，产生更高价值，才能更好的促进大模型建设的有序发展。

回归到油气行业，结合业务的特点以及人工智能技术的特点，勾画了未来的蓝图，主要分两个大层次。

第一个层次是面向物的无人化作业。未来工业行业的现场作业，都应该向无人化作业的方向发展。

第二个层次是面向人的智能化运营。前几年企业都在做数字化、数据治理，而下一步的关键点是要建立知识管家，或者要重点加强知识管理。因为知识才是企业进一步智能化的关键基础。

有了知识之后，首先可以做普适性的岗位助理，其次是构建生产能手，再进一步构建企业的科研大师，最后形成决策智囊。这些拟人化的岗位能力，也代表了人工智能在未来发展过程中要经历的三个阶段：拟人、替人、超人。

为了将业务蓝图真正的落地，需要进一步规划建设地图，围绕上述提到的 6 类模式进一步延伸，形成了 21 种能力和 78 个细分场景，详见下图。

生产领域人工智能构建新范式

大模型在油气行业落地的过程中，需要对智能化的能力进行塑造。常见的大模型在垂直行业应用落地种有 4 个层次，分别是 L0 层、 L1层、 L2 层、 L3 层。

L0 层是通用模型，L1 层是油气行业模型，L2是专业大模型，L3是场景大模型，怎么理解这四个层次呢？

可以类比为个人学习和培养的历程，通用模型相当于完成了九年义务教育，具有普适性。行业大模型经过预训练就是石油学院的大学生。专业大模型就像上三年的研究生，或者上岗之后经过岗位培训成为专业的专家。最后的场景大模型就是专家积累五年经验，能够在岗位中独当一面，独立开展工作。

实际上大模型的落地也需要有这样的培养过程，在训练中需要不断的注入行业的知识，来提高行业的服务能力，特别是到了场景大模型阶段，要根据场景的不同特点，建立专门的模型能力。

而大模型在行业实际落地中，也是面临着很多挑战，特别是在思考“大模型到底能不能在生产中解决实际的问题”。

这个问题背后主要体现出三个挑战，第一是准确性问题。第二是黑箱问题，对大模型回答的问题，企业不知道为什么这样回答。第三是时效性问题，企业生产领域的工况是实时变化的，大模型基于历史数据的训练，怎么能够更好、更快、更准的跟上生产的管理需求？这也是一个非常突出的矛盾。

为了真正解决这些挑战，首先需要找到高价值的业务场景，基于高价值业务场景下，充分运用人工智能的各种技术来综合解决业务问题。

人工智能有三大学派：符号派、链接派，行为派。

符号派就是常说专家系统、知识图谱，甚至机理模型，人工智能的技术主要是靠专家通过前期的观察、理论、研究、建模等等形成知识，把知识符号化，再让计算机能够读懂知识进行运算，这种知识的表达可能是一个专家系统，也可能是知识图谱，也可能是机理模型。

另一个学派是链接派，也就是常说的机器学习，从大量的数据信息中得到它的映射关系来进行学习。这种学习最后也是从信息中挖掘潜在知识的过程，这种知识的表现形式就是机器学习的模型，将这些模型和知识，编入到系统中，由系统进行知识的运用，形成智能。

还有一种学派是行为派，通过作用和反馈得到知识，直接从感知的数据中快速找到规律，然后形成一种动作，这种知识的典型代表就是具身智能，例如人形机器人以及智能驾驶等。

不同的三种学派只是用不同的方式对环境中的知识进行获取表达，使用知识的过程才是人工智能，面对现场生产领域的人工智能时，应该基于场景目标，来反观需要什么样的能力，以及思考什么样的技术更适合，不能只局限于一种方法去来解决。

三大学派都有各自的优势，比如符号主义的知识图谱和机理模型，已经在行业中得到了前期的验证，对于准确性、可解释性是毋庸置疑的。而大模型就是机器学习的代表，它的优势具有更好的涌现力，能够有更大的适用范围。行为主义的智能体优势在于对实践业务中的稳定性和有效性。通过三者各自的结合，可以充分发挥各自的优势来解决更多的场景问题，这就是我们提出的人工智能构建的新范式。下面将基于新范式，举几个油气生产过程中实际应用的例子。

案例实践分享

案例1：油井生产大模型的多应用任务构建

传统的抽油机不能智能化生产，前期我们研发了智能设备“司采”，相当于智能驾驶系统，具备感知、决策和控制的能力。

智能采油管理具备的功能有采集与控制、油性健康管理、柔性生产控制、产能指标预测，原来在构建这些功能时，大多采用传统方法，利用机理方法和大数据方法进行学习，形成模型之后植入到硬件设备中，来实现油井侧的智能管控。

现在对油井管理的功能要求是多任务的，比如需要电功图转施工图、抽油井的工况诊断、功图计产、折算动液面等多任务。原来构建需要针对每个任务使用不同的模型、算法需要单独建不同的模型，以及有很多非线性的问题，会导致建模非常困难，泛化能力差，对人工依赖也比较大。

大模型技术的出现，为我们提供了新的思路想法，基于行业大模型的基础之上，针对油井生产管理做微调，使得一个模型解决多个任务，能够更好、更准确、更适应生产环境的变化。

基于大模型 Transformer 的框架，在油井管理的整个过程，实际上有很多节点，而且涉及到的实时数据也比较多。需要针对不同任务构建不同的样本数据集，采用大模型 Transformer 微调的机制，可以对多任务不断迭代训练，一方面能够更好地实现多个任务，另一方面也有更好的扩展性，使得油井复杂的工况下，能更好的完成智能化生产采集的任务。（上述的油井生产大模型的多应用任务构建系统已经对外发布，有感兴趣的企业可以联系我们进行试用和体验。）

案例2：气井积液定量预测与间开优化复合智能体任务构建

气井初始生产时，气体会自动向上喷，喷的过程中是携带有水的，随着地层的压力系统变变低之后，水会慢慢积累在井底，造成井底堵塞导致生产停滞。

一个气井的生命周期是从无水期产量不断下降，再到产水期经过轻度、重度、水淹的阶段，最后是不出气的状态。尤其在气体衰减期，气井的管理是需要人工不断地监测井底液体的程度，根据液体的深浅，可以采取泡排、气举、柱塞、间开等不同工艺进行生产的优化。

在传统的监测过程中，我们主要是靠机理模型计算携液流量的临界值，但计算携液流量会有很大误差，整个地下过程的数据很难获取，如果要在现场中实时使用是非常困难的。

那么如何利用大模型来解决这个问题呢？