1995 年工作至今一直在信息化管理领域深耕，期间负责多个中国石化集团的重点信息化建设项目。作为新一代的科技信息石油人，我高度关注新能源、新材料、节能环保、高端智能制造和大数据、人工智能的融合，深信人工智能将对传统能源行业产生深远影响。
首先亮明观点，我是乐观派，是 AI 在行业落地的积极支持者。
我的信心就是，不用十年，AI 一定在石油产业最核心的环节，比如勘探开发和石油工程方面，发挥革命性的、重大的作用。
当然，和这个目标相比，我们目前的准备工作还有很大的差距，数字化生态基础也不完善，如果说突破核心环节相当于建立了新中国，那我们现在是朝着延安在过雪山草地、吃皮带的阶段，而且这个皮带可真的是难吃难咽啊。
很多人不敢说这个话，我敢说。有两个原因，第一个是有一腔热血。我是一个出生在胜利油田长在中原油田的“油二代”，从小接受石油工人的传统教育，我对石油石化行业有至深的情感，这件事如果没有情怀，而只有诗和远方是做不成的；第二是有系统性的思考。能源行业经过几十年的信息化建设，积累了大量数据和成果，尤其是近几年大数据、云计算和人工智能技术的快速普及，已具备在个别领域产生革命性变革的条件，人工智能发展突破处于“黎明前的黑暗”阶段。
石油行业和其它一些行业一样，有很多共性问题。希望我的思考也能够给其它行业的 AI 架构师们带来激发、对撞和共创。
AI 是技术问题，但 AI 落地是管理问题
在这次 AICA 的学习中，我们学习到了很多非常高水平的 AI 知识，所获良多。但如果要我稍微挑挑刺的话，那就是希望未来可以增加一些课——一系列探讨 AI 在行业整体落地过程中涉及管理性因素的课程。本质上，这源于互联网市场和政企市场的巨大不同。向政企客户推广人工智能并不简单。因为他们对人工智能既不刚需，也不追求技术领先，况且还会打破现有利益平衡。
请注意我的措辞，我说的目标是“AI 整体落地”，也就是 AI 作为一个完整的生态，和企业的整个数字化转型嵌合在一起，完整而且全面的在企业中发挥核心作用，这是 AI 在行业、企业落地的最高状态。
如果只是希望引入一些 AI 技术，单点或小规模的应用 AI，则需要考虑的管理因素相对较低。
首先，要承认一个事实，就是 AI 的全面落地是一个很大的战略决策，是金钱、资源、时间窗口、人才队伍乃至于企业绩效等方方面面的因素综合起来的决策，所以它一定是“一把手工程”，是一个企业最高层才能下决心推动的事情。
而我们知道，传统行业的高管，和推进数字化智能化的企业高管，彼此间的接 触是不多的。也许某个 AI 企业的高层在行业上、世界上都很有影响力，但传统行业的高管通常不会对此心有灵犀，更谈不上推心置腹。
所以我的一个非常朴素的建议就是，一定要利用各种机会，推动双方的高管坐下来，认真地谈一谈这件事，只有这样才能相向而行、互相奔赴。尽管这距离出发都还早。
其次，高层决定了一件事能不能落地，中层决定了一件事推进的顺利与否。
我前几天看了一篇文章，是讲中国顶尖的一家 AR 增强现实公司是如何实现把技术推广到一家传统企业的故事，其中我认为最精彩的部分，就是如何说服各个部门的负责人用新技术的。
并不是每个人都是因为要保护自己的地盘和话语权，比如有些关键的业务部门，用传统的方式已经把效率做到了 80%，你用 AI、用新方法，不一定有人家的效率高，反而可能增加不确定性、性能耗损和部门成本。这种问题是没有办法强压的，只能做分管领导和部门负责人的工作，用各种方式来说服他们。
AI 的落地在基层也是一个管理问题，因为基层熟悉人工智能的工程师根本留不住，这涉及到我们的队伍如何管理的问题。
具体到 AI 的整体落地，涉及的人才队伍的问题就更复杂了，包括百度这样的通用型 AI 领军企业如何和我们石油行业这样的集团式架构的公司在人才上合作；我们自己内部的研究院所、技术部门、业务部门如何协同，怎么才能建立起人才的培养机制……不能细想，细想都是问题。
对于这些问题如何解决，我有一些设想，在文章的第三部分会提出来，供大家拍砖。我之所以把这个问题放在第一部分，也是基于一切从实际出发，不管是百度还是我们行业内部，如果不意识到 AI 落地其实是一个管理问题，就很难顺利推进人工智能和石油行业这类政企用户的深度融合。
但是也不必悲观，关键的在于找到切入点，就像疫苗，第一针是最难的，此后的强化就越来越顺利了。这也是世界上一切复杂事物的解决规律。
AI 做好“三个助手”，才能大放异彩
参加 AICA 学习的这一段时间，我其实是非常感动的。百度安排了大量高水平的课程，这背后的资源付出是非常可观的。我也了解到了百度近 10 年来累计研发投入超过 1000 亿，在发展 AI 等技术上的决心，有这样的企业，中国的 AI 产业是大有希望的。
但我必须要讲一些有点泼冷水的个人观点，那就是百度 AI 要想进入千行百业尤其是传统能源行业，还有几道关要过。
比如，我看到了一些算法，从算法水准上是非常高的，是我的个人能力望尘莫及的。但如果我是负责人，我可能不会用这样的算法。因为我可以看出来，写算法的很懂 AI，但对于石油行业的一些特性规律，并没有基本认知。
任何行业都有自己的特性，比如，凭借百度强大的 CV 视觉技术能力，在巡检、安监、质检等领域应该是大放异彩的，但我举个例子，有个视频安全监测的方案我们拿到实地去使用，效果不好。为什么呢？一个是井场的环境复杂，网络信号不通畅；另一个是环境特殊，摄像头可能 2-3 天就脏得看不见了……在实际场景下还有很多需要再去解决的非 AI 技术问题。
我想强调一下，就是本身技术壁垒越高的行业，通用型的 AI 进来就越难。比如石油行业，是一个传统行业，很多人对石油行业的印象可能还停留在铁人王进喜的时代，但其实，石油行业应该在国内算的上是算力最集中、信息化水平最高的行业之一。
在具体的 AI 能力上，百度是我们的老师。而对于百度如何打开在石油行业或者类似超大行业的局面，我是有一点小小的见解希望提供的。
我把它叫“三个助手”理论：
第一个助手，是百度 AI 要甘当“企业高管的助手”。百度和石油石化这样的巨头企业全方位合作的时候，首先要得到企业高管的认可，如何能得到认可？！无非是能解决企业高管头疼的问题，甘当助手、智囊，了解企业高管的所思所想，创造机会加深沟通交流，高质量论坛交流和高管辅导必不可少，关注了解哪些信息会引起利益相关方的共鸣。
第二个助手，是百度 AI 要以“技术平台的助手”的身份深入行业。营造良好的氛围，让行业内的其它友商不是感觉“狼来了”，彼此在数字化生态圈里各司其职、各显其能。“技术平台的助手”就是要专心搞底层框架、基础研发等生态式赋能，助力企业内部团队从项目式建设为主转向数字能力产品运营来落地行业应用， 让企业做好引路人，全力支持基于能力开放的内外部合作伙们的生态共建。在培训上帮助企业培养大批应用实践人才，从培训对象、培训内容、师资配备等要素出发，助力企业建立科学合理的培训体系。
2022 年全球石油行业有件大事，斯伦贝谢（Sch lumberger）与工业 AI 软件即服务 (SaaS) 公司 Cognite 联手，为全球能源行业提供数据驱动的解决方案。
斯伦贝谢（Sch lumberger）公司是全球最大的油田技术服务公司，公司成立于 1927 年，现有员工 130000 多名。这个公司的业务和 IT 能力都是很强的，斯伦贝谢在油服行业已经很专业了，但它还是认为，要把斯伦贝谢的地下企业数据解决方案与 Cognite 的开放式工业数据操作平台 Cognite Data Fusion®集成，还是要充分依赖后者的专业性，所以才有这样一种合作。
这也是我对百度的建议，要适时传递一种信息，把自己放在 Cognite 的角色上会比较好，而且一个“技术平台助手”的身份，也比较容易让内部友商放心。
第三个助手，是人工智能要充当数字化转型中辅助决策、辅助专家工作、辅助复杂场景处理的“一线员工助手”的角色。在石油行业，有很多类似场景，比如原始资料的收集、知识图谱初步成果的提供、数万部摄像机做监测预警等等，一线员工面临许多棘手问题，如果能实现“一线呼叫 AI 强大炮火”，这些非常广阔的场景，说白了 AI 都是在提供一个助手的角色，这个助手角色会让企业、专家、一线员工越来越轻松，能够把更多的时间和精力放在更重要的事情上。我相信从这个定位切入进去，一定会让 AI 大放异彩。
AI 落地的五步路线图
由于文章的篇幅有限，我必须把“AI 如何在石油行业落地”这个大话题，用最简约的篇幅表达出来。所以我凝结成了一个“五步路线图”：
第一步：设定好力所能及的目标
我建议优先关注容易完成的小型 AI 项目，能够通过快速获得成功而培养热情、可靠性和信任，这是很关键的。
第二步：要寻求各级人员的支持
高级别人员要通过可信的、有前瞻性的验证来打动，一旦下决心，帮助是非常大的；基层研发人员对学习新技术普遍热情较高；真正决定进度的是中层，对这一层级的关注点，在前文已有详细的介绍。
第三步：要依靠好现有的团队
AI 方面的人力资源缺乏将是一个长期问题，不能指望天上掉下人才来。对于中层业务领导，最好的办法是充分的借助现有的团队，利用他们的才能、鼓励他们尝试以取得经验和教训、对有亮点有成绩的员工进行激励更是明智之举。总体而言，依靠自己的团队是最可控的，而且要加快发展 AI 人才培养机制，降低人才断供的风险。
第四步：发展 AI 人才中心
AI 人才中心和前面说的团队转型有所不同，AI 人才中心更偏向于专精和研发，而工作团队更偏向应用。AI 人才中心的建立，是把百度这样优秀的生态里的技术逐步引入、围绕行业化的适应性逐步进行扩展的关键节点，这里的人才要有较高的水平，包括可以设计有针对性的数据架构，能利用飞桨这样的深度学习框架和平台、能判断相关的模型算法的潜力，能够利用开源大生态，能够持续关注 AI 的行业最新进展等等，这是 AI 在企业内部站稳脚跟的技术基础。
第五步：数字化平台需专业的人干专业的事
承载 AI 的数字化平台在大模型与应用层之间需要一个中间层，这个中间层向下对接大模型能力，向上提供个性化服务。企业需对中间层进行鼓励发展，培育一批专精服务商专门负责调整大型模型以适应具体 AI 应用需求。专业解决方案商的大厂适合布局的环节应聚焦高投入、大算力需求、大数据量级、通用能力好的环节，因此适合布局在算力层、算法层的基础层和平台层的模型生产和训练等环节。石油行业各企业适合入局的环节应聚焦在投入少、算力需求不高、中低数据量级、垂直/专业场景等环节，适合布局在中间层、应用层，而平台层的数据平台的应由总部统一建设、运维。
数字化生态 前景光明
虽然我对 AI 的未来抱有极大的信心，但是，未虑胜，先虑败。我先来概括一些可能导致 AI 落地失败的情况：
第一种情况是战略层、项目管理层和技术层没能充分一致。在战略层上，对 AI 项目要有和公司业务战略保持一致的清晰愿景，尤忌为了拿经费立项目，项目一定要立在战略发展的大愿景、大方向上；
第二是我反复强调的，AI 是技术问题，AI 落地是组织问题、管理问题，如果没有对应的组织架构设计及变革，再多优秀的人也无法发挥作用；
第三是允许失败，AI 作为前沿，要允许失败概率，要能够冷静总结，稳扎稳打。
再从积极面看，AI 是数字化转型中的关键要素，是通向数据、算力、模型、场景等等的“四通八达的立交桥”，我们不断的数字化转型，最终目的是营造基于数字化生态的下一代石油工程平台，而这个生态又反过来反哺 AI，AI 技术又能够极大的丰富完善整个数字化的生态。
目前，百度已经在与我们协作，打造中石化的石油工程一体化云平台，我们计划用两到三年的时间，完成井场、站库高风险区视频图像智能分析及安全预警系统开发，以及建立统一的人工智能样本库，围绕勘探开发领域数据资料的智能采集、处理、解释，建立勘探开发、石油工程生产样本库集，力争形成行业标准，推动跨企业样本共享。
回到最初的问题， 我们到底能不能在 10 年里，用 AI 让中国的石油工程取得革命性的跃迁。我的答案是肯定的，虽然有很多细节不能透露，但大家可以听一听这几个课题的名字，就足够震撼了，它们是：
针对页岩气藏开发过程中生产规律认识不清、产能预测不准确的问题：基于机器学习方法建立一套数据驱动的页岩气开发主控因素分析及预测模型，优化布井方案、压裂施工过程及生产方式，提高气井产量。
针对气藏储、气层非均质性强、传统研究模式侧重单因素分析的问题：建立一套利用气井地质工程参数快速预测产能的致密气藏人工智能算法模型与压裂参数优化方法，从而提高天然气采收率，助力精细高效气田开发。
针对储层埋藏深、物性差、岩性复杂、开发效益差的问题：通过大数据机器学习充分挖掘各业务环节数据蕴含的信息，建立科学高效的分析、预测、优化机器学习研究工作流，提高单井产能、提高区块开发效益。
针对断溶体油藏埋藏深、储层结构复杂，资料相对较少，储集体精细预测难：基于精细地质分析及人工智能方法，建立基于半监督深度学习的纵波阻抗反演方法，断溶体轮廓、缝洞带、溶洞训练样本的获取方法，以及基于 P2P 对抗神经网络的沉积相建模方法，提高断溶体油藏建模的高效性和准确度。
针对深层碳酸盐岩储层沉积相建模精度低等难题：通过沉积过程模拟及井震反演手段构建优质的学习训练样本，建立基于替代模型的地层沉积反演技术，改进和完善适用于小样本的深度学习建模算法，形成相应的深度学习软件模块，应用来提高布井成功率。
从最早自苏联引入电子式计算机用于地震波分析，到今天广泛应用超级计算 机，再到明天的 ABC 合流的数字化生态，中国的石油工业从来都是一个令人热血沸腾的行业。
希望通过我们这一代人的努力，让 AI 真正落地生根，让智能生生不息，让生态进化不止。
