AI+油气缓不得，同样急不得，需要找到“双轮驱动”的平衡点。

　　随着大模型等关键技术的不断突破，AI应用加速迭代更新，多样化应用场景不断涌现。与此同时，在这些AI的应用过程中暴露出数据泄露、数据伪造等安全威胁。面对新情况、新问题，油气行业既要抓住当前AI技术带来的变革机遇，又要应对随之而来的安全挑战。

　　油气AI有门槛

　　尽管DeepSeek激起了油气行业AI革新的浪潮，但雪佛龙首席执行官Mike Wirth认为，当前AI在油气领域应用仍存在一些局限。这些局限性，在于油气行业的一些特殊性。

　　“‘三桶油’在数字化转型方面做了很好的基础工作，目前通过数据共享、业务协同和智能化建设，已逐步迈向智能化发展新阶段。”中国工程院院士刘合在一次讲话中表示。但客观现实，决定了AI等技术在油气领域落地需要长期的探索与攻关。“互联网、金融等领域的AI技术应用，已向效率化、工业化生产的成熟阶段演进。油气行业需要融合专业领域知识，且业务场景复杂，面临着数据获取成本高、数据质量待提升等现状，目前无法单纯依靠数据驱动。国内外油气上游领域，总体上处于数字化和AI技术与典型应用场景融合赋能的起步探索阶段。” 刘合指出了油气领域数智化转型所面临的挑战。

　　油气领域最早应用AI的环节主要集中在问答客服、信息检索、数据查询等高频场景，可实现大模型能力直观映射的场景。随着技术的成熟，AI逐步向更复杂的环节扩展。在勘探开发领域，AI技术被用于地震数据处理、测井解释和油气层识别，提高了储层识别的准确率和开发方案的优化水平。在储运环节，AI通过计算机识别和数据分析，提升了管道安全性和调度效率。在炼化领域，AI优化了生产过程、预测设备故障并提高了产品质量。但其并非所有环节完全实现了智能化。例如，深水勘探和非常规油气开发仍面临着技术瓶颈，数据孤岛和异构数据整合问题制约了AI的全面应用。“可以认为，AI在油气领域的应用正从简单场景向复杂链路延伸，但全产业链的智能化仍需要克服技术、数据和行业适配等挑战。”昆仑数智数据智能事业部副总经理金纬说。

　　当前，AI与油气行业的结合存在着一些难点。在周磊看来，油气行业跟传统的金融、电信不同的是，有控制系统。让AI控制物理设施的风险很大。因为一旦出现故障，损失的可能就是生命。因此，错误成本、容错机制、行业接受度，因行业、业务不同而有区别。

　　在炼化行业，AI也要区分对待。“AI在炼化企业的应用，最重要的是要关注防火防爆等安全问题，特别是在安全环保、节能降耗、降本增效方面。”中科炼化信息中心经理蔡荣生说。

　　AI+油气还面临着数据孤岛与算力限制的挑战。这意味着除安全外，行业面临着数据质量不足、标准化缺失等问题。“在AI应用研究中，构建学术性应用场景容易，但实现工程化应用场景很难。”中国石油大学(北京)AI学院创院院长肖立志说。其应用落地的复杂性难题，须从多个维度解决。这包括构建数据集与标签体系，使场景与算法适配，以及建设配套基础设施等。而应用落地的成熟度，在很大程度上取决于数据的准备程度及治理水平。

　　油气行业的数据多来自地下，数据采集装备自动化程度以及管理的不同会导致数据标准不统一、样本缺失、数据质量难以保证。不同于互联网数据，大多数油气地质数据获取成本较高，多为“小样本”，数据量无法满足深度学习要求，难以获得供机器学习的“教材”。“如果训练的数据样本不够多且不够真实可靠，训练就失去了意义。”刘合进一步说。

　　江汉油田勘探开发研究院地球物理所研究员博士刘智颍博士表示：“随着AI技术的发展,特别是大模型的应用,对算力的需求会显著增加。”这也是国内外油气企业面临的问题。当前,油气行业的算力资源主要用于传统的勘探和开发研究。现有的计算基础设施，难以满足大规模预训练模型和深度学习模型对算力的高要求。大规模预训练模型，需要大量的计算资源进行训练和推理。而现有的算力资源，无法支持如此高强度的计算需求。以大规模地震数据处理为例,进行高分辨率三维地震成像和复杂地质结构的预测，需要耗费巨大的计算资源。而传统的算力配置，根本无法满足这种需求。

　　数据安全须考量

　　在能源和油气领域，AI应用的安全性是核心挑战之一。从当前实践看，安全风险与数据治理、技术落地难度共同构成了三大核心矛盾。这其中，安全问题的特殊性尤为突出。在昆仑数智数据智能事业部副总经理金玮看来，安全问题来自数据安全、系统风险和非安全类挑战三个方面。

　　在数据安全方面，油气勘探开发数据涉及矿权、储量等核心战略信息，具有高度的敏感性。这种“安全与效能”的权衡，在油气领域尤为尖锐。数据泄露或伪造，甚至可能威胁国家能源安全。在安帝科技有限公司董事长周磊看来，数据投毒、脱敏不足等问题，使用第三方污染数据集可能植入恶意触发器，导致模型输出异常或敏感数据泄露等。

　　3月8日，全国人大常委会工作报告针对AI领域安全问题提出，2025年将围绕AI、数字经济、大数据等新兴领域加强立法研究。这无疑为AI技术的安全防护指明了另一个方向——立法监管。周健提到，希望国家出台相关政策来统一数据共享和保护的标准，并通过法律来约束，更好地促进新兴业态、新兴产业的高质量发展。

　　在系统性风险方面，油气生产系统高度复杂。AI模型若部署在基座层或智能体环节存在漏洞，可能引发全生产链的连锁风险。例如，炼化装置中数十万传感器实时生成百万级数据变量，传统人工经验难以捕捉异常信号，而AI若被攻击或误导将导致重大事故。大模型部署在政府和企业内部的基座模型、知识库或智能体中的任一环节一旦出现安全隐患，极有可能诱发整个生产环境暴发系统性风险。在油气行业，由于油气勘探开发领域的生产数据往往具有战略属性，与矿权、储量等核心数据紧密相关，所以，这样的安全风险往往更为致命。

　　AI应用中出现的这些问题，需要在不断探索实践中解决。“安全是油气AI应用的关键瓶颈，但要置于‘双轮驱动’框架下解决。一方面要构建封闭式数据治理体系，另一方面要推进跨领域安全标准制定。唯有平衡安全防控与技术迭代，才能释放AI对油气产业的变革潜力。”刘智颖说。

　　亟待复合型人才

　　在专家看来，要解决AI应用的局限性问题，离不开与AI结合的复合型人才的培育。我们不得不承认这样一个事实：行业专业人才对AI技术的掌握程度参差不齐，缺乏既懂能源化工专业知识又精通AI算法的复合型人才。这阻碍了AI技术在企业内部的深度场景化推广。

　　在中国石油数智研究院创新中心主任苏伊拉看来，首先要突破传统用人机制，构建青年主导的创新生态。在算法研发、产品设计等核心岗位尝试设立“青年首席科学家”“青年项目总监”等职位，允许青年人才直接参与战略级技术路线规划。建立“非边界人才引入”机制，允许跨学科、跨领域人才参与核心研发，扩大技术创新的多样性。破除传统评价壁垒，改革以职称、论文为核心的单一评价体系，建立以实际贡献、技术突破为导向的考核标准，提高青年创新能力权重，推动“产学研用”协同评价，鼓励青年人才通过产业实践实现技术转化。

　　不仅如此，AI+油气风生水起，有人会担心，AI会不会替代了一些油气工人的职位?在AI时代，产业工人面临失业危机还是迎来转型机遇?这一问题的背后，隐藏着技术进步与人类发展的复杂辩证关系。一方面，AI的迅猛发展确实让一些重复性、规律性强的工作岗位逐渐被替代。另一方面，AI的崛起更像是一场技术赋能的革命。它为产业工人提供了重新定义自身价值的契机。

　　在刚结束的两会上，来自各行各业的代表委员普遍认为，AI与产业工人并非简单的替代关系。双方应相互赋能、协同发展。同时，国家与企业要有所作为，让产业工人在企业数字化发展中实现同步升级。

　　“企业需要搭建‘训战结合’的培养体系，培育实战化成长平台。”苏伊拉说。通过各类专项人才培训项目，将理论学习与实战项目相结合，鼓励有志于AI的人才积极参与重大科技创新项目，提升他们的技术商业化能力。设立突击队或创新工作室，在为他们提供前沿领域研究权限的同时，提供算力资源、高性能设备等，提升研发效率。连接产业级场景，让青年团队主导智能化改造项目，实现技术能力的跃升。

　　构建多层次人才交流平台，是培育油气AI人才的重要一步。鼓励相关人才参与国内外顶级技术研讨交流，建立与国内外高校、专业机构的合作机制，在新技术研发、创新平台搭建、人才共建等方面制定有针对性的措施和鼓励政策，促进各级研发机构及生产单元开展跨界协作，逐步形成技术、人才和资源的大生态。

　　唯有各方携手共进，才能让产业工人在AI浪潮中抓住机遇、战胜挑战，以AI技术赋能顺利推动行业转型升级，实现经济的高质量发展，共创产业发展的崭新未来。

　　未来已来。海上智能油田探索团队的负责人林杨，为我们描述了未来油气生产的情形：数转，云算，人干。穿越重重局限，AI与油气行业协同生产发展的未来不再是梦。

　　责任编辑：赵 玥