斯倫貝謝（SLB）軟件技術(shù)與創(chuàng)新中心高級(jí)機(jī)器學(xué)習(xí)工程師齊克里?拜拉克塔爾，探討了機(jī)器學(xué)習(xí)（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(lǐng)域日益廣泛的應(yīng)用。
人工智能（AI）和機(jī)器學(xué)習(xí)（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(shí)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(guò)程以解決問(wèn)題的系統(tǒng)，包括基于規(guī)則的系統(tǒng)、機(jī)器學(xué)習(xí)中的基于數(shù)據(jù)的算法、機(jī)器人技術(shù)等。
機(jī)器學(xué)習(xí)可視為人工智能的一個(gè)子集，其算法能夠從數(shù)據(jù)中學(xué)習(xí)、發(fā)現(xiàn)模式、改進(jìn)結(jié)果或在無(wú)需明確指令的情況下實(shí)現(xiàn)某些任務(wù)的自動(dòng)化。這兩個(gè)領(lǐng)域都廣泛利用現(xiàn)有數(shù)據(jù)，可能消耗大量計(jì)算資源，最終也可能產(chǎn)生隨機(jī)結(jié)果。
20世紀(jì)50年代發(fā)表的三篇論文意義重大：《圖靈測(cè)試》、《機(jī)器人三定律》和《感知機(jī)》，它們從生物抽象概念出發(fā)，奠定了神經(jīng)網(wǎng)絡(luò)（NN）的基礎(chǔ)。十年后，通過(guò)反向傳播訓(xùn)練的感知機(jī)為Transformer模型奠定了基礎(chǔ)，而正是Transformer模型為我們帶來(lái)了如今所使用的翻譯工具、聊天機(jī)器人以及人工智能/機(jī)器學(xué)習(xí)解決方案！
能否分享一些幾年前無(wú)法實(shí)現(xiàn)、但如今借助人工智能/機(jī)器學(xué)習(xí)實(shí)現(xiàn)的解決方案案例？
拜拉克塔爾：我住在舊金山灣區(qū)，這里的自動(dòng)駕駛汽車越來(lái)越多。坐進(jìn)一輛自動(dòng)駕駛汽車，發(fā)現(xiàn)沒(méi)有司機(jī)，一開(kāi)始會(huì)讓人感到不安。但在復(fù)雜的城市交通中平穩(wěn)行駛幾分鐘后，你會(huì)放松下來(lái)，并對(duì)這項(xiàng)技術(shù)驚嘆不已。在先進(jìn)的機(jī)器學(xué)習(xí)算法和人工智能系統(tǒng)的部分推動(dòng)下（這些系統(tǒng)能無(wú)縫融合各種傳感器并做出決策），自動(dòng)駕駛汽車已不再是幻想。
同樣，如今能與人類語(yǔ)音、攝像頭和文本交互的個(gè)人助理已成為我們?nèi)粘Ｉ畹囊徊糠郑核鼈兛梢钥刂萍矣秒娖?、開(kāi)關(guān)水電、預(yù)警安全問(wèn)題，甚至給寵物喂食。這些都得益于高精度的傳感器數(shù)據(jù)、復(fù)雜的大型語(yǔ)言模型（LLMs）和人工智能代理。
運(yùn)行人工智能/機(jī)器學(xué)習(xí)需要多大的計(jì)算機(jī)算力？我們可以在個(gè)人電腦上使用人工智能/機(jī)器學(xué)習(xí)工具嗎？
拜拉克塔爾：這要視情況而定。計(jì)算資源的需求取決于可用數(shù)據(jù)量、人工智能模型類型、機(jī)器學(xué)習(xí)模型參數(shù)數(shù)量，以及用戶愿意等待多久以獲得良好結(jié)果。
一旦數(shù)據(jù)安全得到保障且隱私得到保護(hù)，根據(jù)架構(gòu)不同，機(jī)器學(xué)習(xí)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(tái)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(jìn)行訓(xùn)練。
如果目標(biāo)是使用訓(xùn)練好的模型進(jìn)行推理，那么經(jīng)過(guò)蒸餾或量化的人工智能/機(jī)器學(xué)習(xí)模型（如大型語(yǔ)言模型）可以部署在個(gè)人電腦甚至手機(jī)上。經(jīng)過(guò)適當(dāng)量化的人工智能/機(jī)器學(xué)習(xí)模型所需硬件資源（內(nèi)存、GPU 等）更少，同時(shí)不會(huì)大幅犧牲性能。
像ChatGPT或Gemini這類規(guī)模的大型模型通常在配備高端GPU的共享服務(wù)器上運(yùn)行，因?yàn)閳?zhí)行速度對(duì)用戶來(lái)說(shuō)很重要。即便如此，我們也已在實(shí)時(shí)場(chǎng)景中部署了微型機(jī)器學(xué)習(xí)模型，這些模型可以適配現(xiàn)場(chǎng)工具的小內(nèi)存，甚至能在現(xiàn)場(chǎng)可編程門陣列（FPGAs）或?qū)Ｓ眉呻娐罚ˋSICs）上運(yùn)行。
如何獲取人工智能/機(jī)器學(xué)習(xí)工具？
拜拉克塔爾：如今，幾乎所有云服務(wù)提供商和科技公司都有自己的語(yǔ)言和視覺(jué)基礎(chǔ)模型版本。通過(guò)可編程應(yīng)用程序接口（APIs）和用戶友好的圖形用戶界面（GUIs）訪問(wèn)這些模型的成本正在迅速下降。這些模型在云服務(wù)器上運(yùn)行，用戶提供的任何數(shù)據(jù)都存儲(chǔ)在第三方服務(wù)器上。
開(kāi)源人工智能社區(qū)已經(jīng)取得了長(zhǎng)足發(fā)展。微軟的Phi系列和Meta的Llama系列是其復(fù)雜機(jī)器學(xué)習(xí)模型的免費(fèi)版本。這使得在私有數(shù)據(jù)上進(jìn)行本地部署變得更加容易，并促進(jìn)了人工智能/機(jī)器學(xué)習(xí)技術(shù)的更廣泛應(yīng)用。
低代碼或無(wú)代碼的自動(dòng)化機(jī)器學(xué)習(xí)工具對(duì)人工智能/機(jī)器學(xué)習(xí)新手特別有用。它們提供多種算法，用戶只需導(dǎo)入數(shù)據(jù)即可。這些工具會(huì)建議如何清理和格式化數(shù)據(jù)、選擇高效模型并進(jìn)行訓(xùn)練，還能幫助分析結(jié)果。我發(fā)現(xiàn)這些工具對(duì)于在有限數(shù)據(jù)集上訓(xùn)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(wù)器上使用，也可以下載到個(gè)人電腦上。
人工智能/機(jī)器學(xué)習(xí)在石油和天然氣領(lǐng)域有哪些應(yīng)用場(chǎng)景？
拜拉克塔爾：當(dāng)前的大型語(yǔ)言模型用途極為廣泛。我們正迅速習(xí)慣人工智能語(yǔ)音代理生成會(huì)議摘要、處理復(fù)雜的財(cái)務(wù)文件或合同以提取準(zhǔn)確信息，以及實(shí)現(xiàn)財(cái)務(wù)規(guī)劃和預(yù)算應(yīng)用的自動(dòng)化。
在石油和天然氣領(lǐng)域，人工智能/機(jī)器學(xué)習(xí)應(yīng)用有助于測(cè)井信號(hào)分類、測(cè)量測(cè)井質(zhì)量檢查、井眼圖像和目標(biāo)分類、地震數(shù)據(jù)處理與自動(dòng)化、復(fù)雜物理模型的替代模型、化學(xué)合成或材料篩選的機(jī)器學(xué)習(xí)模型、過(guò)程控制與自動(dòng)化等諸多方面。
我工作的一個(gè)特定方向是將物理模型與基于機(jī)器學(xué)習(xí)的模型相融合或混合，以捕捉比以往更復(fù)雜的行為。
您曾發(fā)表過(guò)關(guān)于將人工智能/機(jī)器學(xué)習(xí)應(yīng)用于測(cè)井分析和地質(zhì)建模的文章。能否分享一下您的經(jīng)驗(yàn)和成果？
拜拉克塔爾：在過(guò)去十年中，我開(kāi)發(fā)、設(shè)計(jì)并構(gòu)建了各種人工智能/機(jī)器學(xué)習(xí)模型。在早期工作中，我構(gòu)建的替代神經(jīng)網(wǎng)絡(luò)模型比現(xiàn)有的電磁求解器快幾個(gè)數(shù)量級(jí)，這些模型被用于反演問(wèn)題。這次成功之后，我開(kāi)始構(gòu)建神經(jīng)網(wǎng)絡(luò)，輸入原始儀器信號(hào)，生成油基泥漿微電阻率儀器的解釋結(jié)果，旨在替代反演工作流程。
借助這些神經(jīng)網(wǎng)絡(luò)，我們實(shí)現(xiàn)了速度上幾個(gè)數(shù)量級(jí)的提升，同時(shí)解釋質(zhì)量與基于反演的解釋相當(dāng)。隨后，我們基于對(duì)沉積幾何形態(tài)的理解，通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（CNNs）開(kāi)展井眼圖像分類工作。從那以后，我們?cè)诓牧虾Y選、任務(wù)自動(dòng)化以及能理解我們所在領(lǐng)域的語(yǔ)言模型設(shè)計(jì)等方面發(fā)表了更多項(xiàng)目成果。
通過(guò)這些研究發(fā)現(xiàn)，主要挑戰(zhàn)始終是獲取高質(zhì)量數(shù)據(jù)。一旦數(shù)據(jù)難題得到解決，設(shè)計(jì)能解決技術(shù)或業(yè)務(wù)問(wèn)題的機(jī)器學(xué)習(xí)項(xiàng)目就需要機(jī)器學(xué)習(xí)工程師與領(lǐng)域?qū)＜覅f(xié)作、明確成功標(biāo)準(zhǔn)，并制定周密的部署策略。在工作流程的任何階段，錯(cuò)誤的決策都可能影響模型的可行性或部署效果。
在收集優(yōu)質(zhì)且足夠大的訓(xùn)練數(shù)據(jù)方面存在哪些挑戰(zhàn)？
拜拉克塔爾：在我們這個(gè)領(lǐng)域，數(shù)據(jù)受到合理保護(hù)是理所當(dāng)然的。獲取數(shù)據(jù)用于訓(xùn)練機(jī)器學(xué)習(xí)模型是一個(gè)重大挑戰(zhàn)。如果數(shù)據(jù)量是問(wèn)題，那么參數(shù)數(shù)量少的機(jī)器學(xué)習(xí)架構(gòu)也能提供良好結(jié)果。然而，如果數(shù)據(jù)缺乏多樣性，模型就會(huì)存在偏見(jiàn)，無(wú)法實(shí)現(xiàn)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(shù)據(jù)量沒(méi)有固定的最佳數(shù)值；人們總能調(diào)整出最佳模型架構(gòu)、優(yōu)化參數(shù)、擴(kuò)充數(shù)據(jù)，并利用已知物理知識(shí)設(shè)置防護(hù)措施。
如果某個(gè)項(xiàng)目或機(jī)器學(xué)習(xí)方法是新的，那么利用公開(kāi)可用的數(shù)據(jù)集降低該方法的風(fēng)險(xiǎn)是合理的。我會(huì)保持謹(jǐn)慎，確保在著手解決問(wèn)題之前處理好數(shù)據(jù)許可問(wèn)題。對(duì)于專有數(shù)據(jù)，必須采取適當(dāng)步驟保障數(shù)據(jù)駐留、數(shù)據(jù)隱私，高效整合孤立數(shù)據(jù)集，建立長(zhǎng)期的數(shù)據(jù)治理機(jī)制，并確保數(shù)據(jù)標(biāo)注在全球范圍內(nèi)保持一致。
為加速石油和天然氣領(lǐng)域人工智能/機(jī)器學(xué)習(xí)解決方案的開(kāi)發(fā)，我們需要在哪些方面開(kāi)展合作？
拜拉克塔爾：要成功應(yīng)用人工智能/機(jī)器學(xué)習(xí)，我們行業(yè)可以與云行業(yè)、學(xué)術(shù)機(jī)構(gòu)、政府機(jī)構(gòu)、開(kāi)源社區(qū)以及SPE等專業(yè)協(xié)會(huì)開(kāi)展合作。
云技術(shù)公司擁有資源，可為學(xué)術(shù)和研究用途提供開(kāi)源數(shù)據(jù)集共享支持。數(shù)據(jù)科學(xué)公司可以使其工具適應(yīng)我們行業(yè)的需求。軟件公司專注于行業(yè)標(biāo)準(zhǔn)數(shù)據(jù)模型，讓處理海量數(shù)據(jù)變得更加容易。
大學(xué)可以鼓勵(lì)并教授如何在人工智能項(xiàng)目中利用復(fù)雜的領(lǐng)域特定知識(shí)，政府機(jī)構(gòu)可以促進(jìn)知識(shí)和數(shù)據(jù)的共享（潛在地在全球范圍內(nèi)）。
SPE等專業(yè)組織可以推動(dòng)這種知識(shí)共享，倡導(dǎo)加速人工智能合作的政策，提供低成本的培訓(xùn)和認(rèn)證項(xiàng)目，并成為一個(gè)協(xié)作平臺(tái)，讓從學(xué)生到石油和天然氣行業(yè)資深人士的各方都能為下一代人工智能/機(jī)器學(xué)習(xí)的發(fā)展貢獻(xiàn)力量。
開(kāi)源社區(qū)在人工智能/機(jī)器學(xué)習(xí)的未來(lái)發(fā)展中扮演什么角色？
拜拉克塔爾：我是開(kāi)源的大力支持者，并且堅(jiān)信開(kāi)源能同時(shí)加快人工智能 / 機(jī)器學(xué)習(xí)方法的開(kāi)發(fā)和應(yīng)用速度。我曾多次從其他領(lǐng)域部署的人工智能方法中獲得靈感，也受益于開(kāi)源示例，這些都降低了我的學(xué)習(xí)難度，還讓我能借鑒那些乍一看與石油和天然氣行業(yè)無(wú)關(guān)的解決方案。研究表明，開(kāi)源軟件實(shí)踐能為經(jīng)濟(jì)做出巨大貢獻(xiàn)，創(chuàng)造激烈的競(jìng)爭(zhēng)，并為安全、負(fù)責(zé)任的模型提供透明度。
Hugging Face是人工智能/機(jī)器學(xué)習(xí)領(lǐng)域一個(gè)成功的開(kāi)源平臺(tái)，我從它成立之初就一直關(guān)注。
他們不僅創(chuàng)建了一個(gè)模型共享平臺(tái)，還在一定程度上統(tǒng)一了模型開(kāi)發(fā)，圍繞各種主題建立了開(kāi)放社區(qū)，并分享機(jī)器學(xué)習(xí)開(kāi)發(fā)的各個(gè)方面——從數(shù)據(jù)到在線部署模型，再到圍繞該領(lǐng)域一些前沿話題構(gòu)建免費(fèi)教育資源。他們將開(kāi)源與社區(qū)相結(jié)合的方式，為如今的各項(xiàng)發(fā)展做出了重大貢獻(xiàn)，這一點(diǎn)值得稱贊。
要成為石油和天然氣領(lǐng)域的人工智能/機(jī)器學(xué)習(xí)專家，有哪些培訓(xùn)資源和職業(yè)發(fā)展路徑？
拜拉克塔爾：如果您是受過(guò)訓(xùn)練的科學(xué)家或工程師，那么您很可能已經(jīng)修過(guò)數(shù)學(xué)和編程基礎(chǔ)課程，具備進(jìn)入機(jī)器學(xué)習(xí)領(lǐng)域的條件。目前，頂尖大學(xué)在 YouTube及其各自的課程網(wǎng)站上提供了各種開(kāi)源課程。
我強(qiáng)烈建議將學(xué)習(xí)資源與手頭的項(xiàng)目相匹配，邊學(xué)邊用，將所學(xué)立即應(yīng)用到實(shí)際問(wèn)題中。我發(fā)現(xiàn)各種低成本的在線課程（帶有實(shí)際編程作業(yè)）非常有用，無(wú)論是在理解基礎(chǔ)理論方面，還是在基于現(xiàn)有數(shù)據(jù)訓(xùn)練模型的實(shí)踐經(jīng)驗(yàn)方面。
同樣，SPE也提供了多種學(xué)習(xí)和實(shí)踐人工智能/機(jī)器學(xué)習(xí)的資源。我的第一個(gè)機(jī)器學(xué)習(xí)項(xiàng)目（我們?yōu)榇双@得了專利）使用了簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，但我們必須基于領(lǐng)域?qū)I(yè)知識(shí)從頭構(gòu)建工作流程。如果有人擁有人工智能/機(jī)器學(xué)習(xí)學(xué)位，他們也可以與領(lǐng)域?qū)＜液献?，運(yùn)用自己的技能解決復(fù)雜的科學(xué)和工程問(wèn)題。
您個(gè)人期待人工智能/機(jī)器學(xué)習(xí)領(lǐng)域有哪些新發(fā)展？
拜拉克塔爾：生成式人工智能代理是一項(xiàng)新興且影響重大的發(fā)展，它讓人工智能的使用變得更加便捷。借助現(xiàn)有工具，無(wú)需明確指令，它就能主動(dòng)推理以實(shí)現(xiàn)用戶分配的目標(biāo)。這些專門的生成式人工智能模型可以訪問(wèn) API、數(shù)據(jù)庫(kù)或網(wǎng)絡(luò)服務(wù)、自定義專有函數(shù)、簡(jiǎn)單的物聯(lián)網(wǎng)（IoT）設(shè)備或大型系統(tǒng)。我相信我們才剛剛起步，這一領(lǐng)域?qū)⒀杆侔l(fā)展。
此外，還有幾個(gè)人工智能研究課題我希望能蓬勃發(fā)展。其中一個(gè)與石油和天然氣領(lǐng)域相關(guān)的是模型的多模態(tài)性。我們?nèi)祟悓W(xué)習(xí)和處理的數(shù)據(jù)具有多種形式。
人工智能在利用這類數(shù)據(jù)集方面可以做得更好。雖然大型語(yǔ)言模型開(kāi)辟了新途徑，但我認(rèn)為文本應(yīng)該與圖像和聲音相結(jié)合，以完成更復(fù)雜的任務(wù)。在石油和天然氣領(lǐng)域，我們有各種數(shù)據(jù)模態(tài)，如果人工智能研究能專注于處理各種非結(jié)構(gòu)化數(shù)據(jù)模態(tài)，我們將受益匪淺。
在我們行業(yè)之外，我期待看到人工智能天氣預(yù)報(bào)模型取得更多成就，這些模型可以拯救生命并減少財(cái)產(chǎn)損失。在這方面，傅里葉神經(jīng)算子、擴(kuò)散模型和圖神經(jīng)網(wǎng)絡(luò)在局部和全球范圍內(nèi)都展現(xiàn)出巨大潛力。
微信公眾號(hào)
微信視頻號(hào)
京公網(wǎng)安備11010502053156號(hào)