中国工程院院士 刘合
·没有高质量的数据基础，人工智能就是无源之水
·必须避免盲目跟风，要选择数据基础好、业务价值明确的场景重点突破
·亟须建立协同创新机制，从制度层面破解当前数据与算力领域的系统性难题
|
|
作为一名长期从事人工智能技术应用的研究人员，我见证了数字化转型给油气这个传统行业带来的深刻变革。参加完集团公司2025年年中工作会议后，我结合一线实践经历，就油气行业数字化转型的现状、挑战和未来方向，分享一些自己的体会和思考。
在油气行业推进人工智能技术应用，不同业务板块面临着截然不同的挑战。就我的观察，炼化和销售板块在人工智能应用方面走在前列，这主要得益于数据基础的优势。
炼化企业自动化程度高，数据采集系统完善，积累了大量的生产运营数据。这些结构化数据是人工智能技术最理想的“养分”。我们与长三角多家高校合作的前沿研究表明，通过在工艺流程优化、设备预测性维护等场景应用AI技术，炼化企业可以实现显著的降本增效。此外，通过人工智能赋能新材料研发，能够显著加快其工程化进程，推动新材料领域的顶层设计更早落地。这无疑是一个极具潜力的发展方向。
相比之下，上游业务的人工智能应用面临更大挑战。油气地下数据具有小样本、多解性和不可重复性等特点。去年我们尝试构建一个面向岩石图像的视觉基础模型，做了4个多月的数据清洗、2年多的数据标注，才研发了11亿参数量的视觉基础模型。数据采集、标注的复杂性极大地提升了油气行业大模型构建的难度。这种“数据困境”让我们深刻认识到，没有高质量的数据基础，人工智能就是无源之水。这也促使我今年将工作重点转向数据治理领域，在各类培训中反复强调数据基础建设的重要性。
销售企业的数字化转型则呈现出另一番景象。加油站运营、客户管理等业务产生的数据具有“所见即所得”的特点，为精准营销和需求预测提供了良好基础。但新能源革命正在重塑这个领域的游戏规则。炼化行业，尤其是化工领域，普遍涉及销售环节，而当前销售面临较大压力，销售指标的下滑已直接对炼厂经营形成冲击。基于我们去年的研究成果，成品油市场需求在去年已基本达到峰值。去年在南方某省的调研数据显示，新能源汽车对传统燃油车的替代效应远超模型预测。这给炼化企业的转型升级带来了前所未有的压力。
面对这些挑战，数字化转型不再是选答题，而是生存的必答题。但具体实施路径需要理性规划。以大模型为例，当前训练一个百亿参数规模的模型，单个成本就高达400余万元。我们必须避免盲目跟风，而是要选择数据基础好、业务价值明确的场景重点突破。
此外，数据共享和算力建设是一个关键难题。油气行业的数据是商业数据，保密性和隐私性较强，不同区域和单位数据管理模式也有较大区别，这样就必然在数据共享与流通环节带来“数据孤岛”问题。如何在保障数据隐私安全和保密的前提下，利用公共算力研发大模型，需要我们研究制定相应的数据保密协议、数据共享等规章制度。
从更广泛的层面看，当前还存在多种数据相关问题。一是企业自建算力中心投入成本高、建设难度大，租用设备又面临数据保密问题，建议采用租建结合的方式稳步推进，同时配套体制标准及保密制度的完善；二是数据要素流通面临确权不清、估值缺失等核心障碍，制约了数据资源的优化配置和价值释放。因此，我们应在集团公司层面建立统一的数据治理标准，在确保安全的前提下促进数据要素有序流动。
同时，体制机制创新同样迫在眉睫。目前各业务单元各自为战的开发模式容易造成大量重复投入，与数据共享、算力建设领域的协同需求形成明显反差。因此，我们亟须建立协同创新机制，在算法开发、算力建设等方面形成合力，从制度层面破解当前数据与算力领域的系统性难题。
站在新的历史起点，我坚信数字化转型是中国石油高质量发展的必由之路。但这条路不会平坦，需要我们在数据治理、场景选择、组织变革等方面持续探索。作为科技工作者，我将继续深耕人工智能技术与石油业务的融合创新，为集团建设世界一流企业贡献自己的智慧和力量。相信通过我们的共同努力，一定能够走出一条具有石油特色的数字化转型之路。（王芳 采访）
微信公众号：zgsybwx