斯倫貝謝（SLB）軟件技術與創新中心高級機器學習工程師齊克里?拜拉克塔爾，探討了機器學習（ML）和人工智能（AI）這一不斷拓展的話題，及
人工智能在上游領域日益廣泛的應用。
人工智能（AI）和機器學習（ML）常被互換使用。它們是否存在重疊？
拜拉克塔爾：盡管在一定程度上存在重疊，但實際上二者是不同的。人工智能廣義上專注于模擬人類決策過程以解決問題的系統，包括基于規則的系統、機器學習中的基于數據的算法、機器人技術等。
機器學習可視為人工智能的一個子集，其算法能夠從數據中學習、發現模式、改進結果或在無需明確指令的情況下實現某些任務的自動化。這兩個領域都廣泛利用現有數據，可能消耗大量計算資源，最終也可能產生隨機結果。
20世紀50年代發表的三篇論文意義重大：《圖靈測試》、《機器人三定律》和《感知機》，它們從生物抽象概念出發，奠定了神經網絡（NN）的基礎。十年后，通過反向傳播訓練的感知機為Transformer模型奠定了基礎，而正是Transformer模型為我們帶來了如今所使用的翻譯工具、聊天機器人以及人工智能/機器學習解決方案！
能否分享一些幾年前無法實現、但如今借助人工智能/機器學習實現的解決方案案例？
拜拉克塔爾：我住在舊金山灣區，這里的自動駕駛汽車越來越多。坐進一輛自動駕駛汽車，發現沒有司機，一開始會讓人感到不安。但在復雜的城市交通中平穩行駛幾分鐘后，你會放松下來，并對這項技術驚嘆不已。在先進的機器學習算法和人工智能系統的部分推動下（這些系統能無縫融合各種傳感器并做出決策），自動駕駛汽車已不再是幻想。
同樣，如今能與人類語音、攝像頭和文本交互的個人助理已成為我們日常生活的一部分：它們可以控制家用電器、開關水電、預警安全問題，甚至給寵物喂食。這些都得益于高精度的傳感器數據、復雜的大型語言模型（LLMs）和人工智能代理。
運行人工智能/機器學習需要多大的計算機算力？我們可以在個人電腦上使用人工智能/機器學習工具嗎？
拜拉克塔爾：這要視情況而定。計算資源的需求取決于可用數據量、人工智能模型類型、機器學習模型參數數量，以及用戶愿意等待多久以獲得良好結果。
一旦數據安全得到保障且隱私得到保護，根據架構不同，機器學習模型可以在配備中央處理器（CPU）或圖形處理器（GPU）的筆記本電腦、臺式工作站，或帶有GPU、張量處理單元（TPUs）等硬件加速器的集群上進行訓練。
如果目標是使用訓練好的模型進行推理，那么經過蒸餾或量化的人工智能/機器學習模型（如大型語言模型）可以部署在個人電腦甚至手機上。經過適當量化的人工智能/機器學習模型所需硬件資源（內存、GPU 等）更少，同時不會大幅犧牲性能。
像ChatGPT或Gemini這類規模的大型模型通常在配備高端GPU的共享服務器上運行，因為執行速度對用戶來說很重要。即便如此，我們也已在實時場景中部署了微型機器學習模型，這些模型可以適配現場工具的小內存，甚至能在現場可編程門陣列（FPGAs）或專用集成電路（ASICs）上運行。
如何獲取人工智能/機器學習工具？
拜拉克塔爾：如今，幾乎所有云服務提供商和科技公司都有自己的語言和視覺基礎模型版本。通過可編程應用程序接口（APIs）和用戶友好的圖形用戶界面（GUIs）訪問這些模型的成本正在迅速下降。這些模型在云服務器上運行，用戶提供的任何數據都存儲在第三方服務器上。
開源人工智能社區已經取得了長足發展。微軟的Phi系列和Meta的Llama系列是其復雜機器學習模型的免費版本。這使得在私有數據上進行本地部署變得更加容易，并促進了人工智能/機器學習技術的更廣泛應用。
低代碼或無代碼的自動化機器學習工具對人工智能/機器學習新手特別有用。它們提供多種算法，用戶只需導入數據即可。這些工具會建議如何清理和格式化數據、選擇高效模型并進行訓練，還能幫助分析結果。我發現這些工具對于在有限數據集上訓練新模型以快速制作原型非常有幫助。這些軟件包可以在第三方服務器上使用，也可以下載到個人電腦上。
人工智能/機器學習在石油和天然氣領域有哪些應用場景？
拜拉克塔爾：當前的大型語言模型用途極為廣泛。我們正迅速習慣人工智能語音代理生成會議摘要、處理復雜的財務文件或合同以提取準確信息，以及實現財務規劃和預算應用的自動化。
在石油和天然氣領域，人工智能/機器學習應用有助于測井信號分類、測量測井質量檢查、井眼圖像和目標分類、地震數據處理與自動化、復雜物理模型的替代模型、化學合成或材料篩選的機器學習模型、過程控制與自動化等諸多方面。
我工作的一個特定方向是將物理模型與基于機器學習的模型相融合或混合，以捕捉比以往更復雜的行為。
您曾發表過關于將人工智能/機器學習應用于測井分析和地質建模的文章。能否分享一下您的經驗和成果？
拜拉克塔爾：在過去十年中，我開發、設計并構建了各種人工智能/機器學習模型。在早期工作中，我構建的替代神經網絡模型比現有的電磁求解器快幾個數量級，這些模型被用于反演問題。這次成功之后，我開始構建神經網絡，輸入原始儀器信號，生成油基泥漿微電阻率儀器的解釋結果，旨在替代反演工作流程。
借助這些神經網絡，我們實現了速度上幾個數量級的提升，同時解釋質量與基于反演的解釋相當。隨后，我們基于對沉積幾何形態的理解，通過卷積神經網絡（CNNs）開展井眼圖像分類工作。從那以后，我們在材料篩選、任務自動化以及能理解我們所在領域的語言模型設計等方面發表了更多項目成果。
通過這些研究發現，主要挑戰始終是獲取高質量數據。一旦數據難題得到解決，設計能解決技術或業務問題的機器學習項目就需要機器學習工程師與領域專家協作、明確成功標準，并制定周密的部署策略。在工作流程的任何階段，錯誤的決策都可能影響模型的可行性或部署效果。
在收集優質且足夠大的訓練數據方面存在哪些挑戰？
拜拉克塔爾：在我們這個領域，數據受到合理保護是理所當然的。獲取數據用于訓練機器學習模型是一個重大挑戰。如果數據量是問題，那么參數數量少的機器學習架構也能提供良好結果。然而，如果數據缺乏多樣性，模型就會存在偏見，無法實現泛化。在這種情況下，基于局部或盆地的模型可以滿足需求。數據量沒有固定的最佳數值；人們總能調整出最佳模型架構、優化參數、擴充數據，并利用已知物理知識設置防護措施。
如果某個項目或機器學習方法是新的，那么利用公開可用的數據集降低該方法的風險是合理的。我會保持謹慎，確保在著手解決問題之前處理好數據許可問題。對于專有數據，必須采取適當步驟保障數據駐留、數據隱私，高效整合孤立數據集，建立長期的數據治理機制，并確保數據標注在全球范圍內保持一致。
為加速石油和天然氣領域人工智能/機器學習解決方案的開發，我們需要在哪些方面開展合作？
拜拉克塔爾：要成功應用人工智能/機器學習，我們行業可以與云行業、學術機構、政府機構、開源社區以及SPE等專業協會開展合作。
云技術公司擁有資源，可為學術和研究用途提供開源數據集共享支持。數據科學公司可以使其工具適應我們行業的需求。軟件公司專注于行業標準數據模型，讓處理海量數據變得更加容易。
大學可以鼓勵并教授如何在人工智能項目中利用復雜的領域特定知識，政府機構可以促進知識和數據的共享（潛在地在全球范圍內）。
SPE等專業組織可以推動這種知識共享，倡導加速人工智能合作的政策，提供低成本的培訓和認證項目，并成為一個協作平臺，讓從學生到石油和天然氣行業資深人士的各方都能為下一代人工智能/機器學習的發展貢獻力量。
開源社區在人工智能/機器學習的未來發展中扮演什么角色？
拜拉克塔爾：我是開源的大力支持者，并且堅信開源能同時加快人工智能 / 機器學習方法的開發和應用速度。我曾多次從其他領域部署的人工智能方法中獲得靈感，也受益于開源示例，這些都降低了我的學習難度，還讓我能借鑒那些乍一看與石油和天然氣行業無關的解決方案。研究表明，開源軟件實踐能為經濟做出巨大貢獻，創造激烈的競爭，并為安全、負責任的模型提供透明度。
Hugging Face是人工智能/機器學習領域一個成功的開源平臺，我從它成立之初就一直關注。
他們不僅創建了一個模型共享平臺，還在一定程度上統一了模型開發，圍繞各種主題建立了開放社區，并分享機器學習開發的各個方面——從數據到在線部署模型，再到圍繞該領域一些前沿話題構建免費教育資源。他們將開源與社區相結合的方式，為如今的各項發展做出了重大貢獻，這一點值得稱贊。
要成為石油和天然氣領域的人工智能/機器學習專家，有哪些培訓資源和職業發展路徑？
拜拉克塔爾：如果您是受過訓練的科學家或工程師，那么您很可能已經修過數學和編程基礎課程，具備進入機器學習領域的條件。目前，頂尖大學在 YouTube及其各自的課程網站上提供了各種開源課程。
我強烈建議將學習資源與手頭的項目相匹配，邊學邊用，將所學立即應用到實際問題中。我發現各種低成本的在線課程（帶有實際編程作業）非常有用，無論是在理解基礎理論方面，還是在基于現有數據訓練模型的實踐經驗方面。
同樣，SPE也提供了多種學習和實踐人工智能/機器學習的資源。我的第一個機器學習項目（我們為此獲得了專利）使用了簡單的神經網絡，但我們必須基于領域專業知識從頭構建工作流程。如果有人擁有人工智能/機器學習學位，他們也可以與領域專家合作，運用自己的技能解決復雜的科學和工程問題。
您個人期待人工智能/機器學習領域有哪些新發展？
拜拉克塔爾：生成式人工智能代理是一項新興且影響重大的發展，它讓人工智能的使用變得更加便捷。借助現有工具，無需明確指令，它就能主動推理以實現用戶分配的目標。這些專門的生成式人工智能模型可以訪問 API、數據庫或網絡服務、自定義專有函數、簡單的物聯網（IoT）設備或大型系統。我相信我們才剛剛起步，這一領域將迅速發展。
此外，還有幾個人工智能研究課題我希望能蓬勃發展。其中一個與石油和天然氣領域相關的是模型的多模態性。我們人類學習和處理的數據具有多種形式。
人工智能在利用這類數據集方面可以做得更好。雖然大型語言模型開辟了新途徑，但我認為文本應該與圖像和聲音相結合，以完成更復雜的任務。在石油和天然氣領域，我們有各種數據模態，如果人工智能研究能專注于處理各種非結構化數據模態，我們將受益匪淺。
在我們行業之外，我期待看到人工智能天氣預報模型取得更多成就，這些模型可以拯救生命并減少財產損失。在這方面，傅里葉神經算子、擴散模型和圖神經網絡在局部和全球范圍內都展現出巨大潛力。
微信公眾號
微信視頻號
京公網安備11010502053156號