許多人在討論“養蝦”時，在荒涼的戈壁灘上，一場關乎能源命脈的技術革命正在悄然發生。

當地表淺層“容易獲取”的油氣資源被消耗殆盡，用腳步丈量大地的“找油人”，將目光瞄向了上萬米的地底深處，要在上千米的地層中找到僅有幾米適合開采的油層。傳統靠經驗“開盲盒”式的勘探手段已經失效，取而代之的是看不見硝煙的“計算戰”。

為了撥開硬核技術的面紗，我們與中國石油勘探開發研究院原首席專家龔仁彬進行了一場對話，透過有著40年經驗的“石油IT老將”的視角，理解計算怎么重塑人類尋找“黑金”的方式。

01 數據量指數級增長的計算“壓力”

1986年大學畢業后，龔仁彬就投身于石油IT系統的建設，親歷了中國油氣行業從信息化到數字化再到智能化的跨越。

“老一代石油人找油，靠的是一雙鐵腳板和長期積累的經驗。”龔仁彬在對話中向我們描繪了傳統石油勘探的畫面，地質學家們跋山涉水，通過有限的地表采樣和肉眼觀察，再結合畢生積累的知識與經驗，在大腦中構建出地下可能存在的油氣構造。

高度依賴人類大腦和體力的模式，已經逼近認知的極限，橫亙在現代勘探面前，是兩個跳不過的現實挑戰。

第一個挑戰是數據量的指數級甚至是“核爆級”增長。

“我剛參加工作的時候，在地面上放一炮，接收深度1000米，最多能到1500米。”龔仁彬回憶道。那時的勘探更像是在淺水區摸石頭，而現在勘探的深度，已經達到了驚人的1.5萬米乃至2萬米。

不只是勘探深度的倍增，數據采集的維度也在幾何級膨脹。過去放一炮，地面部署的接收傳感器只有120個；現在放一炮，有幾萬個傳感器同時在接收微弱的回波信號，采集到的數據呈現出了指數級增長。

“過去一個數據體可能只有幾百兆，后來是幾百個G，現在隨便一個普通的地震勘探工區，都是幾百個TB，有些能達到數十個PB級的數據量。”龔仁彬還講述了自己親歷的一個“極端例子”，“為了拷取一個150TB的單體原始數據，光是物理拷貝的過程，就耗費了近一個月的時間。”

第二個挑戰是海量龐雜數據對高性能計算（HPC）的“壓力”。

油氣勘探可以比作是給地球做CT，采集的數據越多、處理得越精細，對地下地質結構的了解就越準確，找到油的可能性就越大。如果不進行去噪、反褶積、疊加等處理，PB級的數據幾乎沒有價值。

地震資料處理的一個完整流程多達幾十步，涵蓋數百個軟件模塊，涉及大量計算量大的并行作業，對計算精度、時效的要求，遠非普通計算機可以滿足的。從我國自主研發的“銀河二代”巨型計算機開始，高性能計算就成了處理物探數據的“底座”。

時間來到2026年，油氣勘探和油藏模擬已經是鯤鵬HPC最大的應用和創新場景之一。為了解決多任務、同數據體并行的海量運算需求，基于鯤鵬架構和全分布式存儲構建的高性能計算平臺，能夠大幅降低I/O等待時間，以滿足油氣行業對運行速度、并行計算能力的嚴苛要求。

由此出現了一個“反常識”的現象：過去幾年時間里，智能計算、大模型等概念占據了輿論焦點，但在AI for Science領域，智能計算應用總體僅占30%，大多數任務離不開HPC的精確計算能力。

就像在油氣勘探的場景中，只有將HPC將數據徹底清洗干凈，AI大模型才具備深度介入、尋找規律的基礎。

02 工業級的大模型是怎樣“煉”成的？

有了HPC清洗出的高質量數據，大模型的落地應用就有了土壤。但AI在油氣行業的嘗試，并不像想象中一帆風順。

龔仁彬在對話中提到：早在1984年的時候，中文期刊文獻里就提到了“人工智能”在地震資料處理中的應用。但隨后的三十多年里，找油人絕大多數時間還是要靠“鐵腳板”。一位經驗豐富的專家通常需要1-2天才能識別一口新井，而一個油田每年就要完鉆數千口井，工作強度可想而知。

原因并不難解釋。傳統模型過分把精力放在了各種算法的研究上，忽略了海量數據的投喂。

“我曾經看到過一篇文章，用34口井的數據跑出一個模型，就想做測井解釋。好比一個赤腳醫生，在村里治過34個人，就能在天下行醫嗎？”龔仁彬用一個生動的比喻，揭示了傳統模型泛化能力差的缺陷。

轉折點發生在2021年末。

龔仁彬在華為杭州研究院調研時，被盤古氣象大模型的成功深深啟發：既然可以利用海量的氣象數據跑出一個顯著提升預測能力的模型，為什么不能用海量的地震數據，跑一個用于油氣勘探的“地震解釋大模型”？

厘清了思路的龔仁彬，帶領中國石油勘探開發研究院的團隊，聯合華為、中國移動等合作伙伴，開始了工業級大模型的“煉丹”。

為了保證投喂給大模型的“養料”絕對純凈，團隊收集了鄂爾多斯、塔里木、四川等七大盆地共計6萬平方公里、約200TB的真實業務數據。在前期的數據整理階段，通過HPC與人工結合的方式，進行了“寧可錯殺”的數據清洗——只要發現數據中摻雜了不合適的人工地質解釋信息，就堅決切除，絕不讓劣質數據把大模型“帶偏”。

經過93天日夜不停地訓練，“煉”出了一個80億參數的垂直大模型，并迅速在業務一線進行了“實戰”。

在四川南充地區，面對25600平方公里的超大數據體，傳統的交叉項識別方法費時耗力，大模型介入后，只用10天時間就完成了識別任務，精度接近90%、效率提升了9倍；

在長慶油田的非常規致密氣預測中，在沒有依托探井數據的情況下，一周時間就跑出了傳統方法需要三個多月的結果；

以往需要半年完成的解釋工作，大模型最多兩周就能出結果，工作效率提高了9到12倍……

讓龔仁彬印象最為深刻的，是大模型涌現出的“反直覺”尋油能力。

傳統勘探高度依賴專家的主觀經驗，過去是找油的法寶，現在卻可能形成思維盲區。而大模型是純粹的“唯物主義者”，擅長從海量數據中“掘金”，可以在被專家經驗漏掉的數據中，精準捕捉到符合油藏特征的信號。

從“經驗主導”向“數據驅動”的跨越，標志著在高性能計算、高質量數據的澆灌下，AI的種子終于在萬米地下“生了根”，等待油氣勘探行業的，將是從“地里找油”到“云端算油”的新紀元。

03 如何填補大模型落地時的“深坑”？

算力可以花錢買，模型可以聯合攻堅，智能化道路上最難跨越的深坑卻是——懂業務的不懂AI，懂AI的不懂油田。

在對話中，龔仁彬道出了傳統能源行業最真實、也最無奈的痛點：“說實話，我們油氣行業的工資待遇，是沒辦法招到真正的頂尖AI人才的”，并提出了極具實用主義色彩的“三層人才金字塔”破局策略。

第一層是懂業務的“提燈人”。

在內部篩選對AI感興趣的資深業務人員，可能不會寫代碼，但對油氣勘探有深刻的理解，能夠準確定義問題并提出核心需求。

第二層是內部轉化的“調參俠”。

即使招不到AI大牛，還可以從內部尋找數學、物理、物探基礎好的年輕人，經過系統的AI培訓后，承擔開源算法的調試、常規模型的微調和訓練工作，一步步成為AI落地的中堅力量。

第三層是外部借腦的“聯合戰隊”。

在涉及底層創新、架構研發時，選擇與華為、阿里爸爸、科大訊飛等科技企業，以及清華、北大等高校進行深度合作，讓外部的通用AI技術，與內部深厚的行業know-how進行“碰撞”。

除了解決人才斷層的系統性方案，龔仁彬還對盲目跟風大模型的行業亂象提出了“警告”。

作為操盤了多個國家級油氣信息化工程的老將，龔仁彬總結了當前智能化轉型中最容易踩的四個“坑”，即為了智慧而智慧，脫離生產實際；盲目搞大模型；重技術輕業務；重復建設嚴重。

其中“盲目搞大模型”是龔仁彬特別強調的問題，“既沒有明確需求，也沒有高質量數據支撐，想都沒想干大模型目的是什么，就盲目上馬。”如果數據基礎不夯實，只會把模型“帶進溝里”。

龔仁彬的觀點，和中國工程院院士鄭緯民不謀而合。

幾個月前的一場行業會議上，中國工程院院士鄭緯民在報告中明確提出了“HPC+AI for Science”的概念，并以石油勘探為例解釋了高性能計算與人工智能協同催生的科研新范式：數據預處理仍由HPC完成，判斷地下是否有石油的預測環節使用大模型。

隱藏在理性思考背后的，是千行百業數智化轉型的新態勢：純粹的概念炒作正在退潮，取而代之的是深度的融合創新。

比如HPC與AI底座的深度融合計算，前端利用鯤鵬HPC的高吞吐清洗數據，后端利用大模型進行智能預測，形成完美的算力閉環；再比如產學研聯動的復合型人才培養，正在打破以往理論研究與生產實際相脫節的壁壘，培養更多既懂行業也懂AI的年輕人……

有理由相信，當懂業務的“提燈人”照亮了前行的方向，“調參俠”與“聯合戰隊”拉齊了技術水位，“HPC+AI”的算力底座夯實了路基，曾經橫亙在AI與千行百業間的鴻溝，將被徹底“踏平”。

04 寫在最后

萬米地下的“計算戰”，給當下狂熱的“AI亂象”澆了一盆冷水，也為千行百業指明了一條更清晰的路徑。

大模型從來都不是“即插即用”的產品，更不是包治百病的靈丹妙藥。想要大模型在業務一線釋放出應有的“魔法”，需要高性能計算清洗PB級的混沌數據、需要業務專家們梳理出明確的需求、需要在組織體系上承接“從數據到決策”的工程化鏈路。

正如龔仁彬在對話中的一句話：落地靠的是“雙向奔赴”，不是單向技術推動，不是更大的模型，而是更深的融合。

       原文標題 : 萬米地下打響“計算戰”，HPC與大模型解放石油人的“鐵腳板”