编者按：十几年来，我国高校牵头建设了60%以上的学科类国家重点实验室、30%的国家工程（技术）研究中心。2025年1月～4月，由全国高校人工智能与大数据创新联盟、华算人工智能研究院组织编写的《全国高校人工智能大数据区块链元宇宙数字经济专业实验室建设典型案例汇编》(2025版)，首次收录全国60所高校人工智能、大数据、区块链、元宇宙、数字经济专业实验室建设典型案例。《汇编》全文110万字左右，同时推荐了50位编委(专家学者)寄语，现予以陆续公开发表，以飨读者。以下内容选自《汇编》中国石油集团东方地球物理勘探有限责任公司教授级高工赖能和的观点。

在全球数字化转型的大背景下，人工智能大模型凭借其强大的数据分析和处理能力，正逐渐成为推动各行业创新发展的核心驱动力。油气行业作为全球经济的重要支柱产业，正积极探索人工智能大模型的应用，以提升勘探开发效率、优化生产运营管理、增强决策科学性。然而，在实际应用过程中，人工智能大模型在油气行业面临着诸多亟待解决的主要挑战，这些挑战不仅关乎技术的应用效果，更关系到油气行业的可持续发展和未来竞争力。

一、数据相关挑战

（1）数据样本与数据质量问题 

油气行业的数据来源广泛，包括地质勘探、地球物理、测井、生产等多个环节，数据类型多样，涵盖结构化数据（如测井数据、生产报表等）、半结构化数据（如地质报告、文档记录等）和非结构化数据（如地震图像、文本资料等）。然而，由于数据采集设备的精度差异、数据传输过程中的干扰以及人为操作失误等原因，数据质量往往参差不齐，而且高质量样本数据少。例如，在地质勘探中，由于勘探区域的复杂性，可能导致部分数据采集不准确或不完整；在生产环节，设备故障或数据传输故障可能导致数据缺失或错误。低质量的数据会严重影响人工智能大模型的训练效果，使得模型难以准确学习到数据中的规律和特征，从而降低模型的预测准确性和可靠性。

（2）勘探数据安全与隐私保护

油气行业的数据涉及国家能源安全和企业的核心商业机密，数据安全和隐私保护至关重要。人工智能大模型的应用需要大量的高质量数据作为支撑，在数据的收集、存储、处理和共享过程中，存在着数据泄露、篡改和滥用的风险。例如，黑客攻击可能导致企业的地质数据、生产数据等敏感信息泄露，给企业带来巨大的经济损失和安全隐患；在数据共享过程中，如果缺乏有效的安全措施，可能导致数据被非法获取和使用。此外，随着数据合规性要求的不断提高，如何在满足法律法规要求的前提下，实现数据的安全共享和利用，是人工智能大模型在油气行业应用面临的重要挑战。

（3）地震数据治理与管理

油气行业的数据量庞大且分散，数据治理和管理难度较大。缺乏统一的数据标准和规范，导致不同部门、不同系统之间的数据难以共享和集成。例如，地质部门和生产部门的数据格式和编码规则可能不同，使得数据在整合过程中需要进行大量的转换和清洗工作。此外，数据的生命周期管理也存在不足，数据的存储、备份和销毁缺乏有效的策略和流程，导致数据存储成本过高，且存在数据丢失和泄露的风险。有效的数据治理和管理是确保人工智能大模型能够获取高质量数据的基础，因此，如何建立完善的数据治理体系，提高数据管理水平，是油气行业面临的重要任务。 

二、大模型的挑战 

（1）模型可解释性 

人工智能大模型，尤其是深度学习模型，通常具有复杂的结构和大量的参数，其决策过程往往难以解释。在油气行业，由于决策的高风险性和对专业知识的依赖，模型的可解释性尤为重要。例如，在油藏勘探中，地质专家需要理解模型为什么预测某个区域存在油气资源，以及模型的预测依据是什么。然而，目前的人工智能大模型往往无法提供清晰的解释，使得地质专家和工程师难以信任模型的决策结果，从而限制了模型在实际应用中的推广和使用。因此，”三桶油”也正在建设行业大模型，但如何提高人工智能大模型的可解释性，让模型的决策过程更加透明和可理解，是油气行业应用人工智能大模型需要解决的关键问题。 

（2）大模型适应性与泛化能力

油气行业的工作环境复杂多变，不同地区的地质条件、生产工艺和操作流程存在较大差异。现有的人工智能大模型在训练过程中往往基于特定的数据集和场景，模型的适应性和泛化能力有限。例如，在某个地区训练的油藏产量预测模型，在应用到其他地区时，可能由于地质条件的差异而无法准确预测产量。此外，油气行业的生产过程受到多种因素的影响，如气候变化、市场需求变化等，模型需要能够及时适应这些变化，调整预测结果。因此，如何提高人工智能大模型的适应性和泛化能力，使其能够在不同的场景和条件下都能取得良好的应用效果，是油气行业面临的重要挑战。 

（3）大模型的迭代更新与优化

随着油气行业的发展和数据的不断积累，人工智能大模型需要不断更新和优化，以适应新的数据和业务需求。然而，模型的更新和优化并非易事，需要耗费大量的时间、计算资源和人力成本。例如，重新训练一个大规模的人工智能模型可能需要数周甚至数月的时间，而且在训练过程中需要消耗大量的计算资源。此外，模型的更新还需要考虑到模型的稳定性和兼容性，避免更新后的模型出现性能下降或与现有系统不兼容的情况。因此，如何建立高效的模型更新和优化机制，提高模型的性能和适应性，是油气行业应用人工智能大模型需要解决的重要问题。 

三、人才与组织相关挑战

（1）复合型专业人才短缺

人工智能大模型的应用需要既懂油气专业知识又掌握人工智能技术的复合型人才。然而，目前这类人才在市场上十分稀缺。油气行业的专业人员对人工智能技术的了解和掌握程度有限，缺乏相关的编程和数据分析技能；而人工智能领域的专业人才对油气行业的业务流程和专业知识缺乏深入了解，难以将人工智能技术与油气行业的实际需求相结合。人才短缺导致企业在应用人工智能大模型时面临技术实施困难、模型应用效果不佳等问题，制约了人工智能大模型在油气行业的推广和应用。 

（2）组织文化与变革阻力

油气行业是一个传统的行业，具有悠久的历史和深厚的行业文化。在引入人工智能大模型等新兴技术时，企业往往面临着组织文化和变革阻力的挑战。员工对新技术的接受程度较低，担心新技术会取代他们的工作，从而对技术的应用产生抵触情绪；同时企业的组织架构和管理流程可能不适应新技术的应用，需要进行相应的调整和变革。例如，传统的决策流程可能依赖于经验和直觉，而人工智能大模型的应用需要基于数据和模型进行决策，这就需要企业改变决策方式和管理理念。因此，如何营造有利于技术创新和应用的组织文化，克服变革阻力，推动人工智能大模型在油气行业的顺利应用，是企业需要解决的重要问题。 

四、行业标准与规范相关挑战 

目前，人工智能大模型在油气行业的应用缺乏统一的行业标准和规范。不同企业和机构在数据采集、处理、模型训练和评估等方面采用的方法和技术各不相同，导致数据和模型的质量难以保证，且难以实现数据和模型的共享和互操作性。例如，在地震数据处理中，不同企业可能采用不同的地震数据格式和处理算法，使得数据在共享和集成时存在困难。此外，缺乏统一的行业标准和规范也给监管部门的监管带来了困难，难以对人工智能大模型在油气行业的应用进行有效的评估和管理。因此，制定统一的行业标准和规范，是推动人工智能大模型在油气行业健康发展的重要保障。 

人工智能大模型在油气行业的应用前景广阔，但同时也面临着诸多挑战。这些挑战涉及数据、模型、人才、组织和行业标准等多个方面，需要政府、企业、科研机构和行业协会等各方共同努力，加强合作，共同攻克技术难题，完善政策法规，培养专业人才，建立行业标准，推动人工智能大模型在油气行业的广泛应用和健康发展，为油气行业的转型升级和可持续发展提供强大的技术支撑。 

积极拥抱AI，迎接挑战，为油气行业智能化发展注入新动能。

赖能和，中国石油集团东方地球物理勘探有限责任公司数据中心原总工程师、教授级高级工程师。软件专业+地球物理专业研究生毕业；一直从事高性能计算技术研究、存储技术研究、海量数据处理技术研究、油气软件研发、数据中心基础设施技术研究以及云计算、大数据、信息化、人工智能在油气勘探领域的应用开发等。在全国性行业会议上发表报告100余篇；完成3项行业技术标准编制；多次获得部级、局级科技进步奖。先后任中国计算机协会并行处理分会常务理事、中国数据中心工作组专家委员(CDCC)；中国工程建设标准化协会信息通讯专业委员会数据中心专家委员；国家互联网数据中心产业技术创新战略联盟专家委员会副主任委员；中国工程建设标准化协会城乡建设信息化与大数据工作委员会委员;中国大数据产业应用创新联盟专家委员会副主任委员；中国大数据与智能计算产业联盟专家委员会副主任委员；中国智能计算产业联盟专家委员会副主任委员；全国高校人工智能与大数据创新联盟专家委员会副主任委员;国家超算天津中心应用技术工程中心专家委员会委员；深圳国家基因库高级顾问；安徽省信息技术应用创新适配验证中心专家委员会委员；中国电子（CEC）中软独立董事。