01

大模型技術的性能和遷移性顯著超越此前模型，具備支持行業智能化的巨大潛力

自ChatGPT模型于2022年底問世以來，大模型以其強大的多輪對話能力、多場景多任務適應能力和與人的交互體驗，在全世界引發熱烈反響。

目前的大模型屬于生成式人工智能（AI Generated Contents，AIGC）范疇，主要指語言大模型，也包括計算機視覺（Computer Vision，CV）大模型和多模態（Multimodal）大模型。大模型的訓練數據量、參數量、計算量顯著大于此前的人工智能模型，可實現在超高維度空間上對人類全部知識的高度壓縮映射。

大模型基于海量數據訓練形成基本的語言能力，并通過基于人工干預的模型調優，形成了包括對話能力、代碼生成能力在內的一系列基礎能力。大模型普遍具有自動形成推理結構和分析邏輯、長距離上下文一致、代碼生成和理解等支撐相對復雜任務的基礎能力。同時，大模型還能夠理解基于自然語言的需求描述或示例，結合補充的業務信息知識，實現基礎能力迅速向不同任務和場景遷移，有效解決人工智能技術在場景落地時研發成本高、數據不足、模型能力不穩定且遷移性差等問題。

大模型的上述突出能力也令其具有較大的工程應用潛力。基于提示詞工程、強化學習、外部知識庫等技術，大模型能迅速實現從基座模型能力向場景應用落地轉化，模型的場景調優成本很低甚至無須模型調優。這不僅使得模型場景落地的研發成本和業務知識需求顯著降低，而且令模型場景落地的標準化、流程化水平以及相應標準化工具的可用性顯著提高。

眾多科技企業正全力推進行業大模型技術落地工作，打造通用的基座模型、通用的工具能力和標準化的行業智能應用。建設服務專業領域的行業大模型，并深度賦能業務，已成為眾多企業在人工智能技術領域的關鍵工作任務。

02

大模型技術在油氣行業應用潛力巨大，但面臨應用層面和工程層面的業務理解、數據打通等挑戰

目前，大模型的主要應用形式包括聊天對話、智能寫作、輔助編程、智能搜索、知識問答等，主要應用場景可分為通用（如經營管理、辦公）和專業（如能源、金融）兩類。

人工智能大模型技術在助力油氣行業適應市場變化、提升生產效率等方面前景廣闊，潛在的業務需求場景豐富。在勘探開發領域，行業大模型可以幫助工程師快速分析地質、儲層、油藏等復雜信息，為勘探技術方案、研究報告等專業文檔的編寫提供輔助支持。在煉油化工領域，行業大模型可以針對化工研究中特定的物理和化學特性，智能化模擬組合全新的化工原料，幫助煉化企業產品向差異化、高端化的方向發展。在銷售等領域，行業大模型可以快速獲取和分析生產、市場等數據，生成行業和市場分析研究報告，為企業管理決策提供依據。

與此同時，油氣行業大模型技術落地，在應用層面和工程層面分別存在一定的困難。

在應用層面，一是場景洞察難。石油天然氣工業數智化場景覆蓋采集、分析、控制、呈現、決策等業務鏈。在實際場景應用上，是否真正具備價值、如何實現可量化的商業價值評判，是技術、經驗、商業模式、交付能力、生態等多方面共同作用的結果，這導致洞察難度大、試錯成本高。二是結論解釋難。生成式人工智能屬于典型的黑盒編解碼架構，推理預測過程不可解釋。同時，大模型提供的數據服務，存在生成幻覺、錯誤引導等風險，需要通過具有業務屬性的結果解釋來滿足終端用戶的理解與使用要求。

在工程層面，一是應用構建和集成難。企業現有業務信息系統，均以流程驅動為主、以數據和模型驅動為輔。大模型與現有業務系統及流程對接難度大。此外，跨多個分布式系統帶來的組織、角色、權限統一管理與數據資產安全應用問題，給大模型應用的嵌入帶來了不確定性。二是跨專業語言對齊難。垂直領域大模型涉及勘探、開發、生產、營銷、運營等多個不同專業，跨專業間的術語、專業知識、業務模式等復雜體系急需統一模式進行對齊。此外，對于同類專業內部，終端用戶的業務專業語言與開發者的技術語言也同樣急需對齊。三是數據獲取難。能源工業數據資產多為私域數據資產，存在數據獲取渠道和獲取可行性上的限制，數據的流通與共享存在一定困難。同時，不同來源的數據資產涉及范圍廣、數量大、質量不一致，需要完備的數據存儲、治理、傳輸、表征和應用鏈路，以保證數據資產的全鏈路可靠。

03

加快大模型技術研究與應用落地，建議重點關注掌握自主可控的大模型技術，實現場景深化應用

大模型技術在通用和油氣專業場景展現出傳統技術不可替代的價值，將為產業新舊動能轉換和能源經濟高質量發展提供有力支撐。建議貼近油氣產業鏈價值增量，基于油氣工業理解和數據資產積累，建設油氣行業的一體化大模型平臺和場景大模型應用，解決應用組裝、場景嵌入、高價值內容生成、復雜任務鏈路執行、復雜決策輔助等系列難點問題，以大模型智能體集群支撐業務模式重塑、生產效率提升和生產安全可控。

一方面，要培育自主可控的油氣行業大模型關鍵核心技術。

培育人工智能大模型關鍵核心技術，目標是掌握大語言模型數據集建設技術，大模型分布式構建、訓練、調優、推理技術，以及與之相配套的開發工具。具體包括：一是研究模型基礎技術，具備源碼層面的大模型開發能力；二是研發模型工程技術能力與工具鏈，具備部署及持續優化千億參數級大模型的能力；三是試點通用大模型的技術落地，結合油氣行業真實業務需求實現大模型技術的應用落地。

另一方面，要打造通用智能助手、行業知識服務、智能伙伴等三類大模型應用。

一是通用智能助手。優先在基礎通用大模型（L0）上加載通用語料，結合提示詞（prompt）技術，快速搭建并推廣員工日常辦公輔助AI工具，提升辦公效率，培育大模型應用環境和文化。

二是行業（專業）知識服務。依托行業大模型（L1）、專業大模型（L2），加載沉淀的行業和專業知識，構建行業和專業知識庫，提供行業和專業知識服務，為智能業務協同輔助奠定基礎。

三是智能伙伴。結合專業知識和AI智能體（Agent）技術，打造輔助業務系統的智能助手（Copilot），實現智能化與當前面向業務的數字化系統深度集成，并優化甚至重構再造現有業務流程，大幅提升企業的整體運營效率和響應速度。