煤科总院院长王海军研究员：AI赋能煤矿智能化建设研究进展

党的二十届三中全会指出，加快人工智能技术创新及应用步伐，对促进我国经济高质量发展、经济结构转型升级和现代化产业体系建设具有长远战略意义。

2024年11月23日，煤炭科学研究总院院长王海军研究员受邀参加2024厚煤层绿色智能开采国际会议，并做了题为“AI赋能煤矿智能化建设研究进展”的特邀报告。报告具体剖析了煤矿智能化开采面临的机遇与挑战，指出数字中国战略为矿山人工智能的发展提供了政策遵循，大模型技术突破为煤矿智能化提供了技术支持，千万吨级智能化矿井的海量多模态数据为人工智能在行业应用奠定了宝贵基础。同时王海军还梳理了AI赋能煤矿智能化开采技术路径，指出在AI赋能煤矿智能化过程中，行业生态是土壤，数据治理是前提，模型算法是核心，测试体系是保障，应用模式是抓手。以下是王海军院长报告内容节选：

近年来，我国人工智能领域的政策支撑体系日益完善，为产业的创新发展奠定了坚实基础。自2017年《新一代人工智能发展规划》的发布，至2024年《国家人工智能产业综合标准化体系建设指南（2024版）》的推出，我国人工智能政策经历了从战略层面的布局，到规范治理的深化，再到标准化体系建设的全面推进。目前，已有包括中国矿业大学、山东科技大学、安徽理工大学、辽宁工程技术大学、太原理工大学等在内的9所高校开设了人工智能专业，在读学生人数规模已达8000人。

国家政策的支持为矿山人工智能领域带来了全新的发展机遇。具体而言，其一，数字中国战略的深入实施，为矿山智能化发展提供了政策遵循；其二，大模型技术的显著突破，为矿山智能化提供了核心技术支持；其三，千万吨级智能化矿井每日能够收集超过1亿条数据，这些海量且多模态的数据汇聚，为人工智能在矿山行业的广泛应用奠定了坚实基础。

与此同时，该领域在技术落地、数据整合及专业人才短缺等方面仍面临着一系列挑战，不容忽视。首先，各煤矿企业与供应商标准不一的问题依然突出，为确保AI技术优势的充分发挥，必须着力解决数据质量与标准统一的问题；其次，鉴于煤矿环境的复杂性与需求的多样化，AI技术的个性化定制需求显著增加，使得实施过程更为复杂，需要克服重重挑战；最后，煤矿专业人才、算法研究人才及软件研发人才的协同合作，是确保行业人工智能应用可靠、可信的先决条件，亟需加强。

煤矿行业正处于全面转型的关键时期，原有的“数据孤岛”问题已逐渐升级为更具挑战性的“信息孤岛”和“认知孤岛”难题。矿山人工智能的发展正处于关键阶段，尽管数据已实现“汇聚”，但尚未达到“融合”的状态，亟需实现认知层面的深度融合分析，以充分释放数据的潜在价值。

在矿山人工智能的发展历程中，我们正逐渐经历从判别式人工智能到生成式人工智能的过渡，并预计在2035年前后，实现向具身智能和涌现智能的迈进。研究的重心也已从如何训练，即聚焦于数据、工具、算力等资源情况，转变为如何推理，并关注在实际业务场景中如何实现有效的决策、执行和反馈。遵循人工智能由“感知智能”向“认知智能”、“决策智能”乃至“自主智能”逐步发展脉络，矿山场景的赋能模式亦从“回路可视”与“回路可控”向“人在回路”演进，最终实现“人监回路”。

大模型作为实现决策智能与自主智能的重要手段，在复杂推理等应用场景上仍展现出明显的局限性。根据AIIA的测试结果，通用大模型在逻辑推理、指令遵循等方面仍存在显著不足，尚无法满足工业现场的实际应用要求。因此，从整体上看，矿山人工智能目前仍处于感知智能与认知智能的发展阶段，其核心工作依然聚焦于“训练”，而推理能力则是其短板所在。

目前，社会已公认，通用大模型技术尚未具备行业应用的成熟能力，成功训练并应用一个行业大模型，主要面临以下三个关键问题：首先，数据问题不容忽视。当前可用于行业大模型训练的数据资源稀缺，质量参差不齐，且数据分配不均匀，这直接制约了大模型的行业应用能力；其次，从模型层面来看，尽管通过预训练、微调、强化学习等手段能够促使大模型对零散的行业知识有所理解，但难以形成对行业知识的系统性、客观性和准确性认识。在实际应用大模型时，会发现其在专业词汇、语义语境、数据分析、业务场景等方面存在认知障碍；最后，在应用层面，大模型的推理机制基于采样逻辑，导致行业应用中的可靠性不足。目前，仅有达到百亿和千亿参数量级的大模型才具备行业应用价值，而这类模型必须依赖于超高算力基座，背后伴随着昂贵的推理成本。若将数据上传至云端或直接采用通用大模型，还可能引发数据安全隐患。

经过持续不断的探索与实践，我们已初步概括出矿山人工智能发展的全新技术路径。首先，行业生态是土壤，需要由专业导向转变为体系导向与协作导向。其次，数据治理是前提，需要由汇聚导向转变为要素导向与标准导向。第三，模型算法是核心，需要由业务导向转变为基座导向与融合导向。第四，测试体系是保障，需要由性能导向转变为功能导向与可信导向。第五，应用模式是抓手，需要由产品导向转变为工具导向与价值导向。

关键路径1：在人工智能时代背景下，煤炭行业的生态将逐步演变为一种高度社会化的分工协作模式，实现多场景、多业务的深度融合，构建起一个多层次、系统化的体系链。具体而言，人工智能应用体系与行业专家知识图谱的融合应用，均需要依托于一个完善的生态保障体系加以支撑。

关键路径2：秉持“数据驱动、模型驱动”的核心建设理念，构建具备自主可控能力的专业算法、模型及行业组件库，从而打造出集煤矿业务规则、数据标准、模型字典、平台工具于一体化的数实融合AI＋智能煤矿建设综合方案。

为实现这一目标，我们已构建了涵盖4个维度、12条主线的煤矿人工智能数据体系，并成功开发了煤炭行业的工业互联网平台、数据中台及数据治理工具集、信息模型与数字化工程设计工具集。这些工具旨在支持IT+OT的融合应用，推动形成全场景、跨领域的数据标准化汇聚和知识一体化融合方案。

关键路径3：当前模型算法通常以业务为核心导向，专注于解决特定问题，其目的性相对单一且存在局限性。在面对日益复杂的矿山场景及多样化的需求时，这些算法的局限性日益凸显。此外，这些模型相对独立，整体缺乏系统性规划，未能从全局视角进行统筹考虑。因此，未来的模型算法研究需要从业务导向逐渐转变为基座导向与融合导向，通过构建行业大模型，形成对文本、视频等多模态数据的基础认知底座，以拓展对行业认知的“广度”。同时，需融合各专业领域小模型的“深度”，以推动场景级的认知、理解与决策能力的提升。

相较于以往单一模型应对单一需求的AI应用模式，未来的应用模式将展现出更高的敏捷性，其支撑算法模型将趋向综合化、系统化。这不仅要求单一算法模型具备高精度，更需确保多模型协同推理的效率与可靠性，其中每一环节均须深刻理解行业需求。

关键路径4：人工智能是一把双刃剑，其生成内容的安全性与可信度，是确保其应用得以成功落地的核心要素。为此，需构建一套多维度测试体系，严格评估人工智能在复杂多变环境下的安全性能和可信度，涵盖基础设施的稳固性、数据的安全防护、模型的安全以及安全可信措施的有效性等多个维度。当前，尚未有大模型能够实现对矿山行业单一场景高达90%的准精准识别。因此，为推动未来行业人工智能的稳定发展，必须建立健全的测试体系以提供有力支撑。

关键路径5：应用模式是衡量矿山人工智能真正应用成效的最终考核标准。当前，应用模式以产品为导向，关注整个应用系统的功能完备性。然而，生产现场涉及的系统种类繁多，导致彼此之间协同笨重，因操作不便而在实际应用中被搁置。未来的应用模式需逐步从产品导向逐渐转变为工具导向与价值导向，通过工具化、组件化的应用模式，实现与现有煤矿生产系统的深度融合和无缝协作。同时，以业务价值为引导，更加注重应用的实用性、可用性及便捷性，切实助力煤矿行业作业模式的优化革新。