華為礦山軍團蔣旺成：讓人工智慧大模型為油氣行業注入新質生産力

華為礦山軍團解決方案總裁 蔣旺成

各行業實踐證明,人工智慧將成為新質生産力的強力支撐

大模型及平臺能力將推動人工智慧應用的快速開發和規劃的推廣複製

油氣企業應用人工智慧大模型,要從場景規劃、架構設計、運營體系三個方面進行全面思考與佈局

新質生産力的核心在於創新,關鍵則在於“質”,促進生産力提升的方式應該達到“有足夠競爭力門檻”的目標。這意味著不僅要有新的技術突破,而且必須能夠大規模複製、普惠全行業。

如今,各行業實踐證明,人工智慧將成為新質生産力的強力支撐。其中,大模型及平臺能力識別準、漏報少、泛化性強,是人工智慧高品質發展的保障,將推動人工智慧應用的快速開發和規劃的推廣複製。

過去幾年裏,我們看到很多企業已經在不同程度上開展了人工智慧的應用,但在傳統的開發模型中,面臨著五大挑戰:

一是演算法精度低,準確率和誤報率難以達到工業級的要求;二是負樣本無法窮舉,工業場景很多異常樣本無法獲取,並隨著時間推移不斷出現新的變化;三是演算法通用性差,基於某個場景的應用,到了新的場景後需要重新開發或者優化;四是數據出園區,生産數據需要拿到企業之外訓練,帶來數據安全的問題;五是人才儲備不足,面向人工智慧開發的人員技能門檻要求高。

面對這些人工智慧落地難問題,引入新的架構和大模型技術成為破局的關鍵。新的架構主要指中心訓練與邊緣推理的兩級架構。大模型則包含視覺大模型、預測大模型、自然語言大模型、多模態大模型及科學計算大模型等不同方向。

在“大模型熱”的時候,我們更需要冷靜分析,厘清其範疇。首先,大模型不局限于自然語言處理或者對話應用,如ChatGPT。本質上,大模型提出了一個人工智慧的新範式,即通過預訓練(Pre-trained)的機制,採用Transformer或其他架構達到生成式(Generative)的目標,從而實現人工智慧效果的顯著提升。其次,大模型並不等同於泛人工智慧或者通用人工智慧,也不能包治百病。AI大模型、傳統模型(也稱“小模型”、專用模型)以及機理模型,各有其優勢,企業應該按需採用。

截至目前,能源領域、冶煉領域、勘探開發領域、煉油化工領域的龍頭企業都已經進行了大量有益的嘗試。尤其是“數實融合”,即“行業Know-how+人工智慧大模型”的模式能夠加速大模型的落地,已得到了初步成功的驗證。綜合這些行業龍頭企業的實踐經驗,我認為,油氣企業應用人工智慧大模型,要從場景規劃、架構設計、運營體系三個方面進行全面思考與佈局。

首先,場景規劃的佈局。各業務部門圍繞主航道,從場景價值、可複製性、技術可行性、需求緊迫性等多維度評估篩選,做好場景排序與分階段實施規劃,形成企業維度的場景藍圖。

其次,佈局大模型的部署架構。企業應明確算力規劃、數據管理、不同類別大模型架構設計等問題,在企業的兩級私有雲基礎上佈局,實現演算法與算力資源的雲邊協同、邊用邊學和共建共用。

再次,構建團隊保障、能力建設、流程機制保障等完整運營體系,保證企業人工智慧的長期運營與持續發展。

最後,“行業Know-how+人工智慧大模型”的模式需要向油氣行業專家學習,需要持續加深對行業的業務場景認識,把人工智慧開發與運營的能力賦予油氣企業,從而激發企業的內生動力,讓人工智慧的能力外溢,實現場景應用的規模複製與快速推廣,為全行業注入新質生産力。

來源:中國石油報