AI在关键业务中的应用

长期以来，油气行业一直都在坚持推进技术创新，其目标是在更低的成本下发现并高效开发可采储量。其中“上游产业”（勘探与生产）被视为核心与高回报板块，因此，相关的重大技术多优先应用于此。事实表明，技术进步显著降低了勘探与运营成本，深水海上油田开发就是其中的典型案例，这也在很大程度上缓解了“资源枯竭”的担忧，并压低了边际成本。

随着气候政策推进与技术的加速演进，人工智能及其带动的用电增长，正促使能源公司重审自身的资产组合与投资方向，并开始思考如何在“安全、可负担、可持续”的目标下，满足数据中心与人工智能负载的电力需求。例如，雪佛龙与埃克森美孚已宣布进入面向数据中心的发电业务。

几乎所有超大规模科技公司都设定了自身的气候目标，并将“用电去碳化”纳入规划之中，这倒逼油气公司扩展自身的技术工具箱，在保障供电可靠的同时兼顾减排与合规要求。例如，埃克森美孚希望凭借其碳捕集与封存能力，提供更为低碳的能源；埃尼与阿联酋Khazna数据中心签署协议，计划在意大利建设总容量约500兆瓦的AI产业园区，由高效燃气电站负责供电。

在AI的这一轮热潮中，油气公司正在评估如何将AI嵌入到自身的商业模式之中。相关的行业估算显示，2024年油气全价值链的AI应用市场价值约30亿美元，预计到2029年可达到52亿美元。AI的主要应用途径在于提升决策质量、优化流程、改进运营效率。不过，要想让AI真正见效，前提是需要将其优先部署到勘探与生产、资产维护、减排落地和增强系统韧性等场景当中。

从复杂程度看，油气行业可以应用的AI产品分为两类：一是通用型，其适配要求不高，多用于后台与共享职能，或以“协作助手”的身份提升生产力（如BP、道达尔能源与微软合作引入的Copilot）；二是复杂型，其往往需要深度绑定核心流程，融合公司的资产数据，甚至训练定制的大模型。行业内的领先者往往会同步推进核心流程的重构，基于“全价值链—全生命周期”的数据进行机器学习，进而实现收益的最大化。ADNOC在全链部署了30余种AI工具，在2023年，这些AI工具给企业带来的新增价值约5亿美元。

目前，多家企业都将AI应用上升为企业战略。PETRONAS在马来西亚设立了“AI卓越中心”；沙特阿美发布了生成式模型“Metabrain AI”，整合了钻井、地质与案例方面的诸多数据；ADNOC与AIQ推出了“ENERGYai”，以智能体理念将大模型嵌入到上游应用当中。除自建团队外，“技术提供商—油气公司”的战略合作也日渐增多。

（一）上游板块的应用：从地震成像到生产优化

AI融入油气业务的重心几乎必然落在“勘探与生产”之上。对国有石油公司与国际油气公司而言，勘探与生产业务既是其利润引擎，也是其核心能力。其中，地震勘探与成像是这一领域的基础环节。将AI叠加到高分辨率三维地震数据与物理模型上，可获得更为清晰的地下构造图像，从而降低勘探风险、缩短解释周期，并提高钻井与完井成功率。多家头部企业已在深水与非常规场景适用了相关技术，并成功降低了采集与处理成本、提升采收率与单井经济性。

AI可发挥作用的第二个领域在于井位规划、自动化钻井、工况预测与流程优化。埃克森美孚与IBM在部署了AI工具之后，将井位规划与工程设计时间由先前的9个月缩短至7个月，并将数据准备工作量削减了大约40%。随着“数字化油田”的推进，井场、管网与中控的互联程度增强，成本有所降低，且安全性得到了提升。国际能源署曾估计：若数字技术得到广泛应用，在生产方面的优化可带来10%—20%的成本下降。在安全维度，AI结合传感网络与边缘计算强化设备，能够显著降低故障与非计划停产的风险。

智慧油气田 AI制图

（二）甲烷排放的监测与减排：用数据与AI把“看不见的排放”管起来

即便在总体需求增速放缓的情形下，化石能源仍将在较长时期内作为主要能源。要尽量降低这部分供给伴生的碳排放，最直接且可行的突破口是把“生产环节的排放”管严管实，其中，甲烷的排放必须得到优先治理。

通过部署高灵敏度传感器、采用机载/车载/卫星多平台遥感，并叠加AI与机器学习，企业可在更大范围、更高频率、接近实时地识别、量化并处置甲烷泄漏。甲烷是仅次于二氧化碳的第二大温室气体，在其释放后的20年内，其增暖效应是二氧化碳的80余倍。化石燃料生产与开采环节每年会排放约1.2亿吨甲烷，约占人为排放的三分之一。若能及时捕集与利用这部分甲烷，不仅可增加市场供给、提升能源安全，还能稳定价格、改善可获得性；更重要的是，削减甲烷在“见效速度”和“成本效益”上都极具优势，是当前应对全球变暖最划算且见效快的选项之一。

相关的政策与市场信号正在持续增强。多国开始把治理重心扩展至甲烷，部分原因在于相关的技术与工具已基本就位。国际能源署测算后得出结论，现有的技术可减少约70%的甲烷排放，其中约40%的油气甲烷可在不增加净成本的条件下得以避免。目前，已有上百个国家发起了“全球甲烷承诺”，目标是到2030年时削减至少30%的甲烷排放；为实现《巴黎协定》的控温目标，油气行业到2030年时需将甲烷排放降低75%以上。

在技术路径上，AI能让监测能力跃迁到“广域、近实时、可量化”的新层级。专门的“甲烷卫星”也在持续增多，能够更透明地提供遥感数据，尤其是捕捉约占油气甲烷20%的“逃逸性排放”。深度学习可融合遥感、地面与工艺数据，持续跟踪、实时检漏，并对异常进行预警。以雪佛龙为例，其在上游运营中部署的AI工具能够将甲烷排放情况降低60%。

（三）碳捕集、利用与封存（CCUS/CCS）：在“减排硬仗”里嵌入智能化工具链

要让碳捕集、利用与封存技术实现规模化，仍需在效率与成本上持续迭代：将捕集率从约90%推进到98%乃至更高，同时逐步压低单位吨捕集与封存的成本。AI可嵌入到多个关键环节之中：一是在选址与建模上，依托更强大的算力，快速筛选出潜在封存点，并评估圈闭与封盖的完整性；二是在“排放源—封存点”的空间优化上，综合输送距离、运输方式（管道/船运/卡车）与体量匹配，给出更为经济且稳妥的方案。围绕这些需求，目前已出现了一批以“AI辅助选址与模拟”为目标的企业（如Geoteric）；同时也出现了“算力—能源公司”的跨界合作，如Cerebras与道达尔能源在碳封存模拟上的联合探索。

AI应用面临的挑战

就目前的整体趋势来看，AI在油气行业的潜力已相当清晰，许多公司已把各类项目嵌入到日常运营当中，用于提效、增强在“需求增速放缓”的环境中的韧性，并加快减排目标的落地。但要想全面、可持续地释放AI潜能，企业管理层与政策制定者需共同应对一系列关键挑战：

（一）数据质量与治理是“地基”：数据缺陷会带来偏差与失真，并在流程与安全管理上引入不确定性。企业需同时提升数据的质量与数量：统一口径与元数据标准，将历史数据进行清理、标签化并结构化，打通跨部门、跨区域的数据孤岛，建设一体化的数据底座与权限体系。

（二）行业敏感性与竞争性会制约“协作式AI”的发展：油气相关的数据与商业策略具有高度敏感性，跨组织共享与开源更难实现，这限制了协作式AI的规模与发展速度。

（三）遗留资产与新技术的代际兼容：在役设备与控制系统往往使用的是老旧协议与标准，新工具与高频采集方案接入时大多面临接口、带宽、粒度与采样频率不匹配的问题。

（四）数字化扩张带来的安全风险：更多设备与数据上网会导致企业更容易受到攻击。必须强化身份认证、访问控制、数据脱敏、密钥管理与多重备份，建立覆盖采集—传输—存储—调用—归档的全链路审计与应急响应机制。

（五）AI产品的落地需要管理文化转变与人才队伍建设：AI不是“多装一套软件”那么简单，而是流程、角色与方法的系统性重构。应将项目与核心KPI、预算与激励紧密绑定，跑通“试点—评估—推广—复盘”的闭环；同时培养懂工艺与数据的“桥梁型”人才，并为一线人员提供持续的培训，提升“人—机—流程”的协同发展。

（六）地缘竞争与技术管制加剧价值链的碎片化：先进芯片、关键软件与设备可能受限，跨境合作会变得更慢、更贵，导致周期拉长、成本抬升或被迫采用性能次优的解决方案。