为了保证在21世纪下半叶仍有生存空间,石油与天然气企业必须找到一条能够大幅削减、甚至彻底消除二氧化碳及其他温室气体排放的运作新道路。而在这方面,人工智能(AI)技术将成为能源行业实现这一困难目标的重要助力。
根据2020年8月美国国家海洋与大气管理局的报告,气候变化的主要影响源自大气中的二氧化碳。而2019年,由化石燃料燃烧产生的二氧化碳含量,已经上升至300万年来历史最高点(约410 ppm)。
石油与天然气企业,特别是各大国际石油公司,正承受着越来越大的环保压力。为了实现《巴黎协定》提出的将碳足迹引发的全球升温控制在2度之内的目标(最好为1.5度),大部分企业都已设定了碳排放削弱计划。英国石油公司(BP)和皇家荷兰壳牌公司为例,双方都承诺将在2050年之前实现净零碳排放。
埃克森美孚则更加专注于较为温和的短期气候目标,例如到2025年将其上游业务的温室气体排放强度相较于2016年降低15%至20%。
最近,由微软与普华永道联合发布的一份研究报告表明,AI技术能够利用不同来源的大量数据解决复杂问题,包括提高全球生产率、乃至降低二氧化碳及其他潜在温室气体的总体排放量。
报告指出,“在环境保护层面应用AI技术,有望推动全球GDP上涨3.1%至4.4%,同时到2030年亦有望将全球温室气体的排放量减少1.5%至4.0%。”
微软能源部门集团副总裁Darryl Willis表示,“这些AI技术可以通过「数字孪生」机制,更好地控制并分配能源资源,并提供预测性分析功能,借此帮助行业优化能源管理。”这里提到的数字孪生,是指以数字化形式表现物理设备或者完整系统。
他认为,“这些技术还可用于建立可视化模拟场景、改善决策能力、降低运营成本,以及管理并延长有形资产的生命周期。”
AI技术的多种用途
石油与天然气行业中的勘探与生产部门,正在使用多种方式借助AI的力量降低碳足迹,具体包括对特定油田的碳排放进行预测性监控;对给定油田的产油潜力做出分析,借此减少钻井数量;优化二氧化碳存放方法,支持开采难度较大的油田等等(即将二氧化碳存放在地底深处,而非直接排放至大气中,这在保护环境的同时亦可提高石油采收率)。
Beyond Limits公司AI软件开发高级经理Mike Krause认为,“从早期勘探,到将第一口油井推向市场,AI技术的介入不仅能够提高生产效率,带来经济上的更大收益,同时也能够减少每桶石油所产生的二氧化碳排放量。”
通过对设备或整体系统进行预测性维护,AI技术正通过另一种方式帮助壳牌等油品生产商降低碳足迹。以这一功能为基础,企业能够在设备发生潜在故障之前做出预测并抢先解决。
壳牌公司数据科学总经理Dan Jeavons表示,“如果我们能够在出现问题时更主动、更具预测性地做出判断,即可显著减少意外事故、轻松控制备件部署、降低现场检测与评估频率,最终改善整体生产水平。这一切因素,也都会在减少二氧化碳排放方面作出重要贡献。”
壳牌还在其新的业务领域中引入了AI技术,同样有望对公司的整体碳足迹产生重大影响。例如,壳牌在其位于加拿大艾伯塔省、自2015年起正式运行的Quest碳捕集与封存设施中,大规模使用AI技术。截至2019年5月,Quest捕捉并在地底深处储存超过400万吨二氧化碳,相当于约100万辆汽车的总排放量。
Jeavons介绍称,壳牌公司还部署了AI技术,以优化其风电场运营效率,借此在全球各地提供更多无碳能源。
监控无距离排放
AspenTech公司能源行业总监Ron Beck表示,未来AI将准确衡量整个运营流程中的温室气体排放量,借此帮助石油与天然气企业,迈出至关重要的碳足迹削减第一步。
他还提到,“上市企业已经开始根据碳排放控制成效,确定高管的薪酬水平。因此,各类公司都在发布可持续发展报告,并强调「碳足迹已经成为我们的生命线。」”
像埃克森美孚这样的石油与天然气巨头,则在使用AI技术进行分类,而相关数据则由部署在各运营区域广阔天地间的传感器生成并交付。
该公司正在使用AI技术,减少美国西南部二叠纪盆地内甲烷(一种升温效果极强的温室气体)的排放。埃克森美孚与微软合作,使用物联网技术,监控并优化其广泛颁在二叠纪油田内的设施资产。
埃克森美孚公司还在官网上提到,该公司的工程师、科学家与分析师们能够在任意远程位置工作,使用来自大规模传感器网络收集并存储至云端的数据,希望借此努力减少温室气体排放、降低运营成本并提高现场产量。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。