AI一下，煥智生長（三）

為了更好地服務石油石化行業，未來還需把好數據、技術、人才、標準等關口。

文‖龍遷羽 張蕾/曲紹楠

目前，人工智能賦能石油石化行業已經取得積極進展，但從試點示范走向規模化應用、從技術可用走向經營有效、從局部優化走向系統重構，仍然面臨數據、技術、組織、生態、藍圖等方面的深層次制約。

未來的石油石化行業，應該如何更好地應用人工智能的手段實現高質量發展？

1

完善頂層設計，系統化推進

2025年，國家發展改革委、國家能源局發布的《關于推進“人工智能+”能源高質量發展的實施意見》提出，到2027年推動五個以上專業大模型在油氣等行業深度應用、到2030年能源領域AI技術與應用總體達到世界領先水平的“兩步走”目標，明確聚焦勘探評價、開發優化、鉆井壓裂、煉化裝置、管網仿真等方向推動全過程智能聯動與自動優化。

2025年9月以來，國內七部門聯合印發《石化化工行業穩增長工作方案（2025—2026年）》，明確實施“人工智能+石化化工”行動；工信部也發布了《工業領域重要數據識別指南》（YD/T 4981-2024）等3項工業數據安全行業標準。

2026年4月，中國石油和化學工業聯合會發布的《石油和化學工業“十五五”發展指南》提出，到2030年，智能工廠普及率超過30%。

2026年5月，《關于促進人工智能與能源雙向賦能的行動方案》進一步以“能源支撐AI發展、AI賦能能源轉型”為主線部署了29項重點任務，提出到2030年，構建“雙向賦能、深度融合”的新格局，加速推動AI在勘探開發、生產運行、設備運維、安全管理等全鏈條場景落地應用，為行業AI深度應用提供了清晰的政策方向與任務牽引。

上述政策明確要求，AI應用面向勘探開發、煉化儲運、安全環保等全鏈條重點場景，形成以業務價值為導向、以場景落地為牽引、以標準體系為保障的系統推進格局。

在標準規范層面，能源領域的人工智能應用仍然處于加快完善階段。今年初，中國電子技術標準化研究院發布的《人工智能賦能石油石化行業發展標準化研究報告（2025版）》指出，數據治理、模型評測、安全評估等標準的缺失，直接制約了AI系統的跨企業、跨平臺復用。

按照《關于推進“人工智能+”能源高質量發展的實施意見》的要求，未來，應在總結試點示范經驗的基礎上，加快構建能源領域人工智能標準體系，推動形成可評估、可驗證、可推廣的技術應用規范。

此外，行業也發布了《石油行業人工智能應用指南》《油氣田智能工廠建設規范》等團體標準20余項；工信部發布了《工業領域重要數據識別指南》等3項數據安全行業標準，構建了從識別到防護、評估的管理體系。

2

夯實數據基礎，建立標準體系

數據是AI應用的基礎，也是當前制約石油石化行業智能化發展的首要瓶頸。但是，部分煉化裝置、儲運設施和生產現場設備服役時間較長，未預置完善的數據采集接口，導致關鍵運行數據缺失、采樣頻率不一致、標簽不準確、歷史數據質量參差不齊。同時，ERP、MES、SCADA、DCS、LIMS、EAM等系統之間數據標準不統一、口徑不一致、接口不貫通，造成“數據孤島”和“煙囪系統”并存。

對此，業內專家給出的建議是，要不斷夯實數據基礎，建立覆蓋全產業鏈的數據標準與治理體系，推動數據分類分級、質量評估與資產目錄建設。“同時，運用隱私計算、可信溯源等技術，保障安全合規前提下的數據流通利用，構建高質量能源數據集。”業內專家說。

此外，企業還面臨高質量數據集建設不足的問題，導致模型訓練、驗證和遷移應用受到限制。“一些工業數據雖然規模較大，但可用于建模的數據比例并不高，數據清洗、標注、治理成本高昂。數據安全和網絡安全問題同樣突出，能源基礎設施具有關鍵性和敏感性，數據跨域流通、模型遠程調用、云邊端協同部署均需要嚴格的安全可信機制。”業內專家分析認為。

對此，《關于推進“人工智能+”能源高質量發展的實施意見》明確提出，要推動數據智能標注、智能增強、數據合成等技術應用，推進能源數據分類分級、隱私計算、動態加密和跨域可信溯源等技術研發。這為破解數據瓶頸指明了方向。

3

強化技術攻關，加快平臺適配

石油石化生產過程具有強機理、多變量、強耦合、高風險等特點，單純依賴數據驅動的模型容易出現可解釋性不足、泛化能力不強、極端工況下可靠性不高等問題。不同裝置、不同油品、不同工況之間差異較大，同一模型在跨區域、跨企業應用時效果可能明顯下降。小樣本、長尾風險、異常事件等場景下，模型訓練難度更高。

同時，大模型訓練和部署對算力資源、數據資源、工程平臺和運維能力提出更高要求。部分企業在GPU資源、國產AI芯片適配、邊緣推理能力、工業軟件集成、模型安全評測等方面仍然存在短板。生產控制場景對實時性、穩定性和安全性要求極高，模型推理速度、邊緣部署能力、容錯機制和人機協同方式必須滿足工業現場要求。

專家建議，未來應按照政策要求，圍繞多元異構算力統一調度、任務智能編排、模型可解釋性、輕量化推理、綠色低碳AI等方向加大攻關力度。同時，企業要不斷強化技術攻關，重點突破多模態融合、物理信息神經網絡、可解釋AI、聯邦學習、邊緣智能、工業智能體等關鍵技術，推動機理模型、數據模型與專家知識深度融合；加快核心工業軟件與AI平臺的適配，提升模型在復雜工況下的可靠性、可控性與可驗證性。

4

培養復合型人才，深化組織變革

人工智能深度融入石油石化業務，既需要懂算法、懂平臺、懂數據的技術人才，也需要懂工藝、懂設備、懂市場、懂管理的業務專家，更需要能夠貫通兩類知識體系的復合型人才。當前，石油石化行業普遍存在“懂油氣的不懂AI、懂AI的不懂油氣”的結構性矛盾，導致技術方案與業務需求脫節、模型開發與現場應用割裂、應用建設與運營維護脫節。

在組織層面，部分單位對AI應用的認識仍然停留在技術展示和系統建設層面，對業務流程重塑、崗位能力提升和管理機制配套重視不足。一線員工可能擔心智能系統削弱經驗價值，中層管理人員可能擔心短期業績壓力影響創新投入，高層決策者也可能因投入產出難以量化而趨于謹慎。

因此，推進智能化轉型必須同步推進組織機制變革，建議通過試點示范、標桿帶動、績效牽引和培訓賦能，形成業務部門、信息化部門、科研單位和外部生態協同推進的工作格局。

專家提到，在人才培養上要健全組織保障機制，鼓勵企業與高校共建“人工智能+能源”人才培養基地，培養復合型人才。同時，要建立“一把手”牽頭、業務主責、技術支撐、科研協同的推進機制，完善投入產出評價、創新容錯與成果推廣機制，推動AI從局部試點走向系統賦能。

5

加強標準建設，完善產業生態

人工智能在石油石化行業的規模化應用，離不開統一的數據標準、接口規范、模型評測、安全準則和應用評價體系。

當前，不同企業、不同平臺、不同系統之間標準不統一，容易形成新的技術壁壘和數據孤島。行業級公共數據集、測試驗證平臺、模型評估基準和安全合規框架仍需完善，制約了AI解決方案跨企業復制推廣。

此外，行業生態協同仍顯不足。部分企業各自為戰，重復建設現象仍然存在；技術服務商對油氣業務機理、生產流程和安全約束理解不深，導致部分解決方案“水土不服”；產學研用之間尚未形成穩定、高效的聯合攻關機制。

因此，按照《關于推進“人工智能+”能源高質量發展的實施意見》的要求，石油石化企業未來應推動建設行業研發創新平臺和“人工智能+”能源創新聯盟，形成開放協同、共創共享的能源智能化創新生態。

同時，要加強標準建設，加快制定數據治理、模型評測、安全評估、接口規范、場景設計、智能裝備應用等系列標準，建設行業級測試驗證平臺與評估指標體系。同時，鼓勵龍頭企業參與國際標準制定工作，以標準化帶動技術、產品與解決方案“走出去”。

除以上建議外，有專家還提到要堅持場景牽引。即聚焦勘探評價、開發優化、鉆井壓裂、煉化運行、管網仿真、設備預測維護、安全預警等重點場景，遴選基礎好、價值高、潛力大的項目，打造可復制、易推廣的標桿應用。同時，還要不斷完善算力支撐，統籌通用算力、智能算力、邊緣算力與現場算力資源，探索算力池化、智能編排與多元異構調度，形成“云端訓練、邊緣推理、終端感知”的協同架構；推動算力中心與綠色電力、通信網絡、數據資源協同布局，降低AI應用成本與能耗。

6

打造“生態指揮官”，重構發展藍圖

“未來的企業領導者將演變成一位高明的‘生態指揮官’。”全球最大的私董會教練機構偉事達（VISTAGE）持牌教練、SAP中國前首席數字化轉型專家孫惠民提出了一個新的構想。

他說，這位“指揮官”能同時指揮三類“員工”協同作戰：一是碳基（人類）員工，具有獨特的創造力、倫理判斷和復雜戰略思維；二是比特（數字智能）員工 ，即各類AI智能體與數字員工，負責處理海量信息、執行精密邏輯與自動化流程；三是硅基（具身機器人/設備）員工，如現場巡檢機器人、高危作業自動化設備等物理執行單元。

他補充道，人工智能的價值遠不止于替代單個崗位，而是重塑整個企業的組織與運行范式。他以實際架構為例，講述了未來智慧企業的可能面貌。其中，基石是企業的私有“智慧云腦”。即以私有化部署的大模型（如DeepSeek）為核心，深度融合企業大量的地質數據、生產工藝、設備圖譜、安全管理經驗，從而形成一個安全、專屬、可以不斷進化的“企業數字大腦”。

工具則是模塊化的“技能工具箱”。企業可以圍繞勘探、煉化、供應鏈、安全預警等具體業務場景，開發一系列高度專業化的工具型技能。“這些工具如同手術刀和聽診器一般，可以解決特定領域的復雜問題。”他解釋道。

執行層面，就是打造協同作戰的“智能體軍團”。在類似“愛馬仕”智能體（Hermes Agent）操作系統之上可以激活并協調多個專業智能體。例如，一個實時監測催化裂化裝置運行狀態的智能體，在捕捉到異常微小變化時能瞬間聯動維修調度智能體、備件庫存智能體與工藝優化智能體，從而形成自主閉環的應急響應機制。

最后是打造企業決策者的“數字分身”。其可以獨自承擔戰略目標分解、跨部門資源調配、多智能體協同指揮的核心職責，真正實現對信息流與物質流的統一和智慧化管控。

談及人工智能的發展趨勢，專家預測了四個方向。

未來，將由判別式AI向生成式AI和工業智能體協同演進。傳統判別式AI主要解決分類、預測、識別等問題，生成式AI則在方案設計、報告生成、代碼編寫、知識問答和多輪交互方面具備優勢。未來，油氣行業大模型將更多地與工業軟件、專業數據庫、知識圖譜和仿真系統結合，形成面向具體業務場景的工業智能體，實現從回答問題向執行任務轉變。

將由單模態應用向多模態融合感知演進。石油石化場景同時包含地震資料、測井曲線、工藝流程圖、設備圖像、傳感器時序數據、文本報告和視頻監控等多種數據形態。多模態融合將成為提升復雜場景識別、工況診斷和輔助決策能力的重要方向。未來，多模態大模型有望實現對地質圖像、生產報表、設備狀態和現場視頻的聯合理解，從而提升勘探評價、生產優化和安全預警的準確性。

將由企業級智能化向產業鏈協同智能化拓展。隨著行業數據標準、算力平臺和模型能力逐步完善，AI應用將從企業內部單點優化，拓展到勘探開發、煉化加工、管網儲運、終端銷售、客戶服務和供應鏈協同的全鏈條優化。上游資源、煉化裝置、物流庫存、市場需求和價格策略之間的數據貫通，將推動石油石化行業由局部最優向系統最優轉變。

將由高耗能智能化向綠色低碳智能化演進。AI本身對算力和能源消耗提出新要求，能源行業既是AI應用的重要場景，也是支撐AI發展的重要基礎。國網信通產業集團總工程師、黨委委員李慶峰在中國能源周上提到，未來應強化算力與電力協同發展，提高算力設施的綠電占比，降低算力設施的能耗水平，加強算力設施節能降碳管理，推動數據中心液冷、廢熱回收、備電集約化等技術應用，實現AI與能源行業的雙向賦能。

總之，人工智能賦能石油石化行業不是簡單的技術疊加，而是涉及數據基礎、模型能力、業務流程、組織機制和產業生態的系統工程。面向新型能源體系建設和能源高質量發展要求，石油石化行業應該堅持應用導向、問題導向和價值導向，圍繞高價值場景加快試點示范和規模推廣，推動人工智能真正成為保障能源安全、提升經營質效、促進綠色低碳轉型的重要支撐。