今天小編分享的互聯網經驗：大模型“下煤礦”，歡迎閲讀。
6305 工作面，拍攝于新巨龍煤礦
新巨龍煤礦所在的菏澤市巨野縣，因古有大野澤而得名，這裏有豐富的礦產資源，尤以煤儲量最為豐富。根據巨野縣政府官網顯示，巨野煤田地質儲量 55.7 億噸，是華東地區目前儲量最大、煤質最好的大型整裝煤田。新巨龍煤礦隸屬于山東能源魯西礦業，于 2004 年 6 月開工建設，2009 年 11 月正式投產，核定生產能力 600 萬噸 / 年。據工作人員介紹，目前新巨龍已實現產值 400 萬噸 / 年。
井下 800 米深處，在縱橫交錯的巷道裏小巴車行駛約半小時，再步行數百米，钛媒體跟随新巨龍的工作人員，終于達到正在生產的 6305 工作面。
井下實際已是另一番天地：除了開采過程中常見的粉塵、噪音、高温等常見問題，以煤礦衝擊地壓為代表的災害危險，要求新巨龍煤礦必須嚴格把控。
這其實是煤炭行業的世界性災害，中國也是受衝擊地壓影響最深的國家之一。一百多年前，國際上就已經開始有針對衝擊地壓的研究工作，直到如今，國内外都曾提出多種理論或方法，包括用最常見的鑽孔卸壓措施，目的就是為了防治深井煤礦挖掘所帶來的衝壓問題。
據新巨龍煤礦副總經理牛永明介紹，在采煤過程中，岩體應力猛烈釋放會導致事故，通過對岩壁打孔產生一定空間，可以令岩壁壓力向孔内釋放，從而避免向采煤隧道内擠壓。因此，在卸壓鑽孔施工時，人員操作不當，比如深度不夠、角度錯了等，會影響卸壓效果，繼而導致安全隐患甚至事故。
這進一步對衝擊地壓的技術管理體系和防衝工作流程設計提出了非常高的要求。
攝像儀捕捉到卸壓鑽孔施工畫面
井下，在鑽孔機器周圍，安裝了高清無線攝像儀，替代之前的執法記錄儀進行現場拍攝，拍攝到的監控視頻得以實時清晰上傳到井上集控中心的衝壓地質預警平台，同時，施工計劃管理、識别結果查詢、施工深度核驗、施工數量統計等數據一目了然。
新巨龍煤礦防衝中心主任賈海濱介紹，過去，在檢查礦工作業的規範性方面，通過執法記錄儀對打鑽的全過程錄像，錄像完成後再帶出礦井，再由專人對視頻進行核查，也就是説視頻現場如果拍了一個半小時，那地面上的人就要看一個半小時，非常耗時耗力。
如果能夠對鑽孔施工情況進行實時監測，可實現鑽孔深度自動核驗、孔深不足及時提醒，避免漏檢、遲檢，減少人工核驗工作量。AI 對大量視頻素材進行學習，訓練好的模型可對卸壓鑽孔施工質量（例如鑽孔深度是防衝卸壓工程最關鍵的參數之一）進行識别和智能分析。得出的結果，将輔助防衝部門的工作人員進行防衝卸壓工程規範性驗證，當孔深不足時，可及時進行聲光告警。
新巨龍公司集控中心
從成效上看，不僅極大降低人工審核的工作量，且原本需要 3 天的防衝卸壓施工監管流程，縮短至 10 分鍾以内，進一步提高了卸壓鑽孔的施工質量。
煤礦，怎麼創新
有必要一提，新巨龍煤礦所屬的集團部門——山東能源，在全國其煤炭產值一直屬于第一梯隊。不久前，在山東能源與華為聯合舉辦的 AI 大模型商用活動上，還有其兄弟部門、煤企同行、行業院校等各界機構。
山東能源董事長李偉在致辭中談到一點：在礦山智能化建設領網域，山東能源落實國家《關于加快煤礦智能化發展的指導意見》，累計投入 100 餘億元，建成一批國家智能化示範煤礦，智能開采產量占比超過 80%。
對于智能化帶來的人員安全水平的改善與設備成本效能的提升，山東能源投入了很多，也摸索了很久。
山東能源集團信息化中心副主任徐加利指出，2019 年 6 月，山東能源開始了人工智能技術在煤礦井下的應用。盡管有所收效，但開發和應用的過程存在挑戰。
" 比如算法精度低，負樣本無法窮舉，算法通用性差，數據出園存在安全性風險，人才儲備不足等。尤其是算法通用性上，一個工作面上訓練好的模型，到了另一個工作面沒辦法直接用。"
為此，山東能源曾希望能夠從根本性上解決這個問題，實現人工智能開發模式從作坊式到工廠式轉變，将一套可復用的算法模型流水線應用到各種不同的場景，減少專家的幹預和人為調優的消耗，降低人工智能開發門檻和時間周期，實現快速規模復制推廣。
2022 年初，山東能源、雲鼎科技和華為成立聯合創新中心，共同研發解決方案，以解決智慧礦山建設存在的問題。在經歷了長達 4 個多月的能力驗證後，基于盤古大模型的 AI 視覺識别技術，通過實際場景驗證，在模型的泛化能力和準确性都有了提升。2023 年 1 月，雙方決定建立人工智能訓練中心，形成人工智能管理和運行體系。規劃上，前期試點驗證 AI 大模型賦能工業生產領網域的基礎上，正在開發和實施首批場景應用，涵蓋采煤、掘進、主運、輔運、提升、安監、防衝、洗選、焦化 9 個專業 21 個場景應用。除此之外，還聯合研發了慣導找直、視頻拼接、單兵裝備等多項解決方案。
上述提及的防衝卸壓施工監管系統，僅是在防衝環節的一項場景應用。在此之前，雙方就已經總共探索了 1000 多個場景，最終梳理出 300 多個核心場景。
據山東能源集團總經理助理王立才披露，首批 21 個場景，會基于投入產出比即高價值場景進行優先級進行判定，同時也會結合現場條件，如果現場生產系統暫時并不具備，需要進一步更新。
在人工智能訓練中心，華為構建了集團中心雲和煤礦邊緣雲兩級架構，中心雲負責經營管理、數據共享、AI 開發、訓練和模型管理；邊緣雲用于 AI 推理，并結合推理結果進行生產管理。
依托于雲與數據底座的盤古大模型，實現了 " 經營管理與智能生產分離 "" 數據不出園區 "" 支持規模復制 "" 學習分析小樣本 " 等能力特征，将 AI 邊用邊學與專家經驗相結合，不斷迭代訓練和更新模型，同時結合 " 非正常即異常 " 機制，有效降低異常樣本采集難度、節省模型訓練工作量。
華為提供的智能礦山解決方案架構
目前華為基于工業互聯網架構，在終端側、網絡側、應用側提供產品和解決方案。在終端側引入礦鴻作業系統注入煤礦裝備，在統一架構下實現所有礦山設備數據采集的互聯互通；在網絡側将 ICT 技術融入礦山工業承載網，包括 5G 切片、光通信等技術，解決網絡部署及應用擴展問題；在此基礎之上，進一步推動人工智能等應用層的創新。
事實上，華為在礦山領網域的解決方案是建立在工業互聯網平台架構上，在工業制造領網域很常見，但怎麼在一個陌生的傳統能源行業落地，卻頗需要些不可替代的獨特性。
" 非正常即異常 " 的創新就是在煤炭行業的實踐中總結而來的。
根據華為煤礦軍團解決方案總裁蔣旺成的解釋，在煤炭行業，異常的場景層出不窮，樣本數據收集難度大，非正常即異常則是讓模型學會識别正常環境，對異常環境進行判别。只需少量樣本，即可快速提升識别精度，且通用性好，支持規模復制。
整體來看，華為的邏輯是提供一套技術底座 + 方法論并存的方案，山東能源集團在組織、政策、應用場景上積極配合，雲鼎科技具體運營和迭代。這種合作方式下，雲鼎科技不僅打造了一支百人的 AI 團隊，擁有了一批可推廣的 AI 產品方案，以及實用性強的聯合創新成果。
更多難題
雖然國有礦井的智能化程度已經開始走在前列，但現階段全國仍然有大大小小的 4400 處煤礦（根據《2022 煤炭行業發展年度報告》），減人提效、降低勞動強度、提高安全水平等智能礦山政策在強調的目标，現實依然十分骨感。
與新巨龍智能管理中心副主任田慧的井下交流，钛媒體了解到，其實新巨龍煤礦尚未達到想象中的智能礦山，目前可能更多在更易開采、安全系數更高的地區可見。但煤礦環境依然復雜，這意味着，許多危險的場景現階段依然需要人力手段，并沒有、也無法最先一步實現智能化技術改造。這看似是個矛盾，但也是事實。
另一方面，智能礦山建設本身是一個非常復雜的系統性工程，涉及 " 人、機、環、管 " 等諸多方面，系統之間存在着開采工藝、設備、人員等復雜耦合關系，這個過程少不了各界產業鏈下遊合作夥伴的支持，而不是各自為戰。
中國煤炭工業協會會長梁嘉琨指出，煤炭行業是極其特殊的行業，300 萬煤礦工人常年奮鬥在井下，現在安全狀況并不樂觀，煤礦的開采條件也日益復雜。煤礦工人需要體面的工作，品格和奉獻的精神需要得到社會關注。
對于華為而言，兩年前，煤炭軍團匯集了從基礎研究、研發、銷售到交付的各類專家。最早，華為煤炭軍團與神東煤炭集團成立聯合創新項目組，以解決礦山安全問題，到如今在新疆、内蒙、甘肅、山西、陝西等全國各地的實踐。從 5G、WiFi6、礦鴻，再到如今的礦山大模型，華為煤炭軍團以 200 人左右的小規模隊伍快速拓展、持續迭代，正一點點影響全國礦山智能化的發展面貌。
結合盤古大模型的進化路徑，華為主要精力會投入在 L0 和 L1 階段，不斷提升基礎大模型訓練參數，同時也會結合行業知識數據訓練行業大模型。這種模式極大增強了 AI 在產業商業化落地的可行性，也将技術難點以更細顆粒度拆分化解。
" 沒有人能提前預知大模型在礦山真正有用，我們只知道大模型技術很好，但這能不能解決礦山生產的問題也是未知。" 華為煤礦軍團 MKT 與解決方案銷售副總裁陳文豐指出，" 其實這樣一個探索創新，類似于 DevOps 不斷迭代、試錯，再迭代的機制。"
（本文首發钛媒體，作者 | 楊麗）
