刘合

能源与矿业工程管理专家，中国石油天然气股份有限公司勘探开发研究院原副总工程师、教授级高工，中国科协联合国咨商人工智能能力建设专业委员会副主席。

在2025绿色低碳创新大会上，刘合以《AI for Shale-页岩油大模型建设的挑战与展望》为题，聚焦页岩油开发中的技术难题。他指出我国页岩油因资源品质差、开发难度大，需要交叉学科和AI实现技术突破，达到效益开发。报告分析了AI大模型在应用中面临数据“小样本、多模态、跨尺度、低质量”等核心问题挑战，提出“1+X”大小模型联动策略，通过迁移学习、模态融合等技术解决数据问题，并强调需融合物理机制提升模型可解释性，同时指出数据共享机制缺失是关键瓶颈，呼吁建立行业数据共享联盟。

“对于行业中非敏感、非涉密的关键数据，应当考虑在行业内组织建立共享机制或者联盟组织，共同挖掘整理这些数据，为大模型在各种场景中应用提供可靠的数据基础。”

要点

1.保障能源安全仍是中国可持续发展的核心挑战之一。尽管新能源发展迅速，但油气依然是国家能源安全的重要基础。刘合强调：“我们国家最大的问题还是油气，现在油对外依存度超过70%，气对外依存度超过40%。”面对资源品质差、开发难度高的现实，他提出要以人工智能和大模型技术为抓手，提升油气资源勘探与开发效率，以此保障国家能源供应，为可持续发展提供坚实的资源支撑。

2.人工智能发展必须扎根行业场景与真实需求。刘合强调：“中国人工智能发展一定要从场景上出发，用场景和以问题为导向推动人工智能技术领域研究。”他以页岩油开发为例，提出通过人工智能提升对甜点识别、储层评估和油藏开发的精准度，为低质量、高复杂度资源的有效利用提供突破路径。

3.多模态与物理机制融合是智能模型演进的关键方向。面对油气行业小样本、多模态、跨尺度等特点，仅依靠数据驱动的人工智能模型难以满足实际需求。刘合指出：“传统人工智能模型忽略地质力学、渗流等多物理耦合机制，预测与实际偏差大。”他主张构建融合物理机制的可解释性算法，“通过PINN、多模态大模型等技术，将机理模型、专家经验嵌入到神经网络中”，提升模型精度与可信度。

4.构建行业大模型需突破数据治理与共享难题。数据质量和共享机制是制约行业智能化的关键瓶颈，刘合坦言：“现在我们的数据在地下几千米甚至上万米，小样本、低质量问题非常严重。”他进一步指出，行业内部数据共享困难重重，“不同油田之间数据不能共享，这个问题是个大问题”。他呼吁建立数据确权和共享机制，“对非敏感、非涉密的关键数据应考虑建立共享联盟”，为行业大模型提供支撑。

5.从小模型突破是构建行业智能体系的现实路径。面对行业数据碎片化和算力分散的现实，刘合提出“1+X”大小模型联动的发展策略。他表示：“我们现在可以采用‘1+X’大小模型联动去做，从小模型开始做，从下往上走。”他强调，要先在数据质量高的场景打牢基础，逐步扩展模型能力，“数据可信度必须提升，要靠标注、靠深度学习、靠工程师结合”。这一路径为行业级大模型建设提供了可操作的实践路线。