华为企业业务中国
近年来，我国对油气的需求不断攀升。统计数据显示，2018年我国石油净进口量为4.4亿吨，原油对外依存度达到70.9%。为了加大油气供应，国内石油企业加大了石油勘探力度，提出了更高的要求，这对勘探开发领域带来了前所未有的压力。一方面，勘探难度越来越大，我国已探明石油储量中低渗、超低渗储量占70%，已开发油田综合含水率达89.35%，原油储量和产量的提升面临巨大压力；另一方面，石油生产成本居高不下，企业效益难以控制。此外，生态环境保护和绿色发展对石油开发提出了新的挑战。
那么，如何消除勘探痛点，将蕴藏在地下的更多油气资源开采出来，以满足国家日益增长的能源需求？国内外专家研究认为，
人工智能是解决石油勘探开发业务面临的一系列难题的最佳技术和途径。
人工智能技术正在给勘探开发领域带来颠覆性变革。
近几年来，国内外越来越多的石
油企业选择拥抱人工智能，或自主研发，或与IT巨头联手，加大人工智能等新一代信息技术在勘探开发领域的应用，试图通过新技术的应用，促进企业数字化转型。
而在此过程中，不同石油公司的智能化水平差距正在不断拉大。
国内方面，中国石油将包括认知计算平台在内的华为云工业智能体新技术引入生产实践，用知识图谱、自然语言处理和机器学习等人工智能技术进行知识体系的构建、计算和应用，为油气勘探开发科研、生产管理提供智能化分析手段，支撑油气勘探开发增储上产和降本增效，帮助决策者从海量的数据中洞悉规律，来提升效率和管理水平。
2019年1月4日，中国海油旗下海油发展工程技术分公司成功开发了中国海油在勘探开发领域的首个人工智能应用。
该款具有自主知识产权的人工智能软件，可以基于储层、裂缝、流体、压裂改造等属性描述的大数据，建立全空间模型，自主向测试的产能数值进行深度学习，并预测三维空间产能指数。
国际方面，2016年，埃克森美孚宣布与麻省理工学院合作设计用于海洋勘探的人工智能机器人。
该机器人具有自学能力，能够在艰苦条件下自主操作，并能按自身意愿改变任务参数，探测异常的情况。
2018年4月24日，法国油气巨头道达尔宣布同谷歌云签署协议，联合发展人工智能技术，为油气勘探开发提供全新智能解决方案。
根据道达尔，人工智能将率先应用于油气勘探开发地质数据的处理分析。
石油巨头壳牌已经逐步结束了石油智能化的尝试期，转而迈进了推广期，将大规模普及石油人工智能。
2018年9月20日，石油巨头壳牌宣布将和微软公司扩大合作，在石油行业大规模推行人工智能的应用，AI覆盖领域包括油气钻井、油气生产、加油站零售、财务管理、员工管理等。
英国石油公司BP通过投资人工智能，加强其在上游业务中的人工智能化和数字化。
2019年1月，BP投资了总部位于休斯顿的技术初创公司Belmont Technology，开发一个名为“Sandy”的人工智能助理。
Sandy可以自动将BP专家提供的地质学、地球物理学、油藏和历史项目信息结合在一起，创建出BP整个地下资产知识图，供BP的工程师查询数据、提问并快速得到答案。
意大利石油巨头埃尼于2019年5月公布了和IBM联合开展的AI研究成果“认知发现”，为埃尼在勘探阶段初期的决策提供支持，以减少勘探与地质复杂性可能导致的潜在风险。
人工智能和各行业结合是一个长期的过程，原因是存在一系列的门槛和限制，在人工智能技术和国内石油勘探领域结合过程中，面临五大门槛：
第一：
“限”数据不能出局，数据共享不方便；
第二：
“专”油气勘探开发领域是多学科，知识密集型行业，大量行业知识在老专家的脑中，行业和AI结合是人工智能在领域应用的关键；
第三：
“慢”，AI开发效率低，标注、训练、部署整个过程非常耗时；
第四：
“贵”，AI基础资源，尤其是算力稀缺且昂贵；
第五：
“缺”，AI人才的短缺，中国的AI人才缺口就超过500万人。
针对以上五大门槛，构建油气勘探领域人工智能专有平台是AI推广的一个必然选择。
这个平台应该具备以下特点：
1) 自建人工平台提供算力和算法预装解决数据不出局的问题；
2) 具备快速构建行业知识图谱的流水线打造专家助手，提升专家效率；
3) 构建平民化的油气行业人工智能开发平台提升普及率，提升开发效率；
4) 采用开放的硬件架构，采用AI专用训练芯片，解决传统AI训练GPU贵的问题。
5) 具备行业油气人工智能算法模型的市场，构建行业生态，解决人才短缺问题。
以中国石油为例，中国石油正携手华为联合打造了勘探开发的认知计算平台，该平台是基于华为云AI技术的通用开放可扩展的人工智能计算平台，按照平台和场景两个关键因素进行设计，从数据处理、机器学习，到模型发布、推理应用，是可提供一站式AI开发环境和知识图谱流水线工具的平台。
据了解，人工智能计算平台是中国石油“共享中国石油”信息化战略发展规划的落地举措。
该平台的建成应用，为勘探开发业务的创新提供了智能化的驱动引擎和开发生态，实现了勘探开发知识的固化、传承和普惠。
中国石油勘探开发研究院计算机应用技术研究所所长龚仁彬在2019华为全联接大会（HUAWEI CONNECT 2019）上表示，认知计算平台已经在测井油气层识别和抽油机井工况诊断两个场景进行应用，实现了
测井油气层智能识别和抽油机井工况自动诊断。
例如，在石油勘探的“测井”环节，有祖国东部“石油小摇篮”之称的中国石油大港油田，借助认知计算平台对900口油井进行机器学习，实现了油气水层位的智能识别，识别评价时间缩短了70%，识别的准确率达到测井解释专家水平。
更重要的是，通过知识图谱的建设与应用，从业门槛明显降低，专家知识得到有效传承，普通专家可承担资深专家的职责，工作效率明显提高。
而在油气生产领域，中国石油借助人工智能计算平台，通过采用物联网技术和机器学习方法，实现了油井工况的定量诊断和远程实时在线管理，预测异常工况的准确率达到90%以上，油田管理实现了从事后诊断升级为事前预警，减少了作业维护费用20%。
中国石油青海油田８个采油厂通过生产现场的远程管理实现了无人值守，将管理重心从荒凉的油田现场后移至油田管理基地，一年之内搬迁现场管理人员700余人，一线员工转岗800余人，极大降低了油田的生产成本，有效提高了油田的管理水平。
龚仁彬表示，认知计算平台有助于中国石油与华为共同跨越油气行业AI商用裂谷。借助认知计算平台，中国石油正在与华为共同建设一个覆盖勘探开发全专业的知识图谱。
“这是一个可不断完善并自动生长的工程，必将给石油勘探开发业务带来颠覆性的技术变革。”
目前，中国石油已经完成了智能油田建设的规划设计，在勘探开发领域优选了22个场景开展人工智能探索，“智能应用的种子已经开始发芽，期待中的参天大树指日可待。”龚仁彬表示，
中国石油未来将继续携手华为，不断完善认知计算平台的建设，进一步推动石油勘探开发业务的转型升级。
认知计算平台助力“梦想云”
放飞上游业务智能化梦想
对于中国石油来说，勘探开发认知计算平台还是——“勘探开发梦想云平台”（简称“梦想云”）的智慧引擎。
2019年11月27日，中国石油勘探开发梦想云2.0发布，
这是中国油气行业第一个智能云平台——中国石油勘探开发梦想云平台。
在各行各业“云技术”方兴未艾之时，被认为在人工智能数字化进程上慢半拍的油气行业，这次通过认知计算平台对梦想云的加持，跟上了节奏，进行了彻底的自我革新。
打造行业人工智能平台赋予行业云平台智能化的能力，可解决石油勘探开发领域的六大痛点，未来必将广泛应用于石油勘探领域。而从全球范围来看，石油行业广泛看好人工智能（AI）的前景，
视AI为
“推动石油行业走向新台阶的关键数字技术之一”
、
“油气勘探的下一场革命”。
随着全球石油行业进入新常态，人工智能在勘探领域的应用将更深更广。
下一个十年，AI将助推石油工业加快进入智能新时代，彻底颠覆石油工业的思维和运营模式，重塑整个行业。
对于我国石油企业来讲，AI是提高企业竞争力、打造国际一流综合性国际能源公司的必要手段；
而对于IT/ICT企业来说，有责任通过AI从技术层面上促进石油勘探开发行业整体的转型升级，从而助力我国石油勘探开发实现从跟跑到并跑、最终领跑全球的转变。
延展阅读：
郭仁贤
雷锋网
从传统运维到智能运维，其本质的变化是：人为核心到数据为核心的转变。
据 Gartner 预测，智能运维的全球部署将从2017年的10%增加到2020年的50%，其行业应用除了互联网之外，还包括了电信、金融、电力、航空等领域。
而在国内，智能运维从正式提出到实际落地，这个阶段也只有两三年的时间。
尽管如此，一些率先探索智能运维的企业，通过对该领域的深入研究和实践已取得了一定的成效。
近日，在雷锋网
于深圳举办的AIoT年终盛会——2019全球AIoT产业 · 智能制造峰会上，来自宝武装备智能科技有限公司工业智能服务事业部总经理王建宇，以「智享生态 云联未来——钢铁行业设备智能运维探索与实践」为主题进行了分享，为工业企业如何探索智能运维提供了思路，并与众多跨界的伙伴探讨了各种前沿技术的应用等。
宝武装备智能科技有限公司（简称“宝武装备”），是中国宝武集团下属一级子公司，是专业从事装备智能运维的科技公司，承担中国宝武多基地核心设备状态保障功能，现已成为行业领先的综合设备状态保障技术服务提供商。
雷锋网了解到，传统运维比如“点检定修制”，是通过人工“五感”方式了解和判断设备的状态并周期性的开展维护活动。
而智能运维强调是以数据为核心，是自动汇聚所有设备状态相关数据，基于状态变化趋势驱动决策并有针对性的开展设备运维。
王建宇表示，宝武装备早在2014年就启动了智能运维的相关探索，从今年上半年，按照中国宝武“四个一律”智慧制造整体部署，即：
操作室一律集控、操作岗位一律机器人、运维一律远程以及服务一律在线，开始规模化推进。
以下为王建宇的现场演讲内容，雷锋网作了不改变原意的编辑与整理：
大家好！
非常开心有这样的一个机会，与这么多跨界的伙伴在一起进行交流，我今天主要分享的是钢铁行业设备智能运维的探索与实践。
讲到AloT在工业领域的应用，其实它的场景是非常多的，比如质量检测、工艺优化、能效优化，以及产业链协同等，而我则是从智能运维的角度来跟大家分享。
我来自钢铁行业，正如我们所了解的，钢铁行业是一种典型的长流程工业，工厂里汇聚了大量的设备设施，并且对连续生产稳定性和可靠性的要求非常高；
宝武装备正是专注于大工业系统装备智能运维的公司，承载着整个中国宝武装备智能运维服务体系建设和运行的使命。
宝武装备面向中国宝武十大基地，最远的在新疆天山，最近的在上海，总体上看，目前集中在长江三角洲、珠江三角洲，以及西北角，呈现出“弯弓搭箭”的格局。
在十大基地，我们有几千亿的设备资产，数百万设备，数十万台套关键设备，这些都是我们所要服务的场景。
宝武装备源于原宝钢设备系统相关专业，从最早宝钢引入日本的“点检定修制”开始，一直专注于设备状态领域，长期服务于宝钢以及外部众多客户。
提到大数据，当前大数据应用一个很重要的前提是：
拥有足够已标注的有效样本数据，而宝武装备经过三十余年的发展已积累了数十万条设备状态相关有效数据，以及海量的设备点检、维护、检修有关的标准和数据，这些有效数据的积累和标注是我们开展智能运维这项工作一个很好的基础。
宝武装备不仅是中国智能制造系统解决方案供应商，也是工信部制造业与互联网融合试点示范单位、上海市工业互联网平台和专业服务商推荐单位。
“智能运维”这个概念是这两年兴起的一个概念，以前更多的大工业是在讲点检定修、状态管理。
作为一个新兴的概念，大家对智能运维初期的理解可谓众说纷纭，但是当我们换一个角度，以逆向思维的方式，我们首先来看智能运维不是什么。
-
首先，智能运维 ≠ 平台。
或者说，不是简单地搭建了一个工业互联网平台就等同于实现了智能运维。
-
第二，智能运维 ≠ 机器人。
现在一提到智慧制造，大家很容易和机器人联系起来，但是设备管理中即使应用了机器人并不代表已实现了智能运维，这只是解决了一个局部的问题。
-
第三，智能运维 ≠ 在线监测。
在线监测已有几十年的历史，它更多是从实时把握设备状态的角度去考虑，但智能运维实际上是对整个设备管理全流程进行重塑，去进行变革。
智能运维是基于对工业设备管理的深刻理解，以智能化手段赋能传统设备运维管理所形成的“设备状态智能管理系统解决方案”。
它的核心是基于设备状态变化趋势的智能决策，将这种决策映射到整个设备管理活动当中，基于对设备当前状态把握和未来状态预知的基础上，去判断设备该不该修，什么时候修，修什么，怎么来修，谁来修，也就是完整地体现数据驱动决策；
在整个设备管理中，“从数据中来，到数据中去”。
钢铁工业为代表的大工业中，多是以“点检定修制”为主的设备管理模式，更多是以人为核心，靠现场人员“五感”的方式：
用眼睛去看，耳朵去听，鼻子去嗅，嘴巴去尝，以及手去触摸等感知设备变化。
通过这种方式判断设备的状态是不是正常，是不是需要保养、维护或者维修，设备有问题了就会人工地去安排一个维护检修的计划，开出一个单子给相应的维检单位，组织他们去维护和维修；修好之后，再由现场的设备工程师对现场的设备恢复情况进行验证，通过人最终形成一个闭环。
而未来的智能运维是以数据为核心，从智能的采集开始，不管是在线的、离线的，还是现有系统中蕴含的数据，我们都把他汇聚上来，基于这些数据进行综合的分析、判断。
如果设备有问题，由系统和平台自动地排定维护检修计划，自动地推送相应的解决方案。
在实施的过程中，如果遇到问题，可以随时随地呼叫全国各地甚至全球范围内的专家来进行远程的支持；当设备修好之后，恢复到原先的工作状态，可以通过在线的数据，来对它进行校验是不是真的修好了，通过数据最终形成闭环。
智能运维有三个“一”为核心：
一个平台，一个专家系统，以及一个标准化体系。
-
首先，一个平台。
该平台更多是为整个设备管理相关的人员，包括生态合作伙伴等，提供了一个共同的信息共享平台、沟通交流平台、协同工作平台。
同时，基于这个平台，还能够对不同的基地，同类的产线或设备进行综合的比较、分析，去寻找进一步改进优化的空间。
-
再者，一个专家系统。
专家系统是一个人机结合的系统，一方面人脑中的经验、知识与智慧转化为计算机可以自动识别判断的语言，另一方面，基于我们现有的认知，这个转化还会持续很长一段时间，所以也需要人去对一些疑难杂症进行处理。
-
最后是一个标准化体系。
工业是一个很严谨、很严苛的业态，工业的基础都是源于上千年以来人对形成产品价值创造这个过程的经验知识的固化，所有的管理基础都是基于标准化，数字化、智能化更要基于标准化；
通过标准化，不断地去固化我们行业的管理运行经验，让企业运营不断地迭代和升级。
客观地说，在目前这个阶段，不少企业的标准化实际上还是停留在纸面化的阶段。
但是，不管是现在还是未来，工业互联网和大数据融合必须要完成向全面数字化的跨越，这必将是一个比较漫长的过程，因为知识的转化、数字化是需要大量的人力、物力、时间的投入。
