近年來，在國際石油公司（IOC）和國際油服公司（IOS）著力融合勘探、開采、生產、運輸和銷售等各個領域數據，并開展深度研發AI技術平臺的同時，由于OpenAI的ChatGPT/GPT-4已經成為大語言模型（LLM）的熱門象征，一些油氣公司將開源的LLM作為內部油氣LLM項目的模板；另一些油氣公司與大型IT科技公司進行合作，開始了在油氣領域構建、訓練、定制LLM的探索，致力于將LLM技術用于提高油氣行業的運營效率、安全性和決策能力。

  
斯倫貝謝（SLB）

  
斯倫貝謝開發了大語言模型（LLM），研究解決了數據稀缺和特定領域的語言挑戰，展示了該模型在特定油氣任務和定性測試中的性能。為此，該公司在油氣領域收集了3.3萬個多樣性數據集，用以訓練模型和進行基準測試。結果表明，即使是對特定領域數據進行適當微調的小型模型，也優于在通用語料庫上訓練的LLM。這突出了在技術領域微調LLM的好處，有助于推進油氣行業的LLM發展。

  
埃克森美孚

  
埃克森美孚有兩種使用、開發LLM的機制。一是將GPT-4的使用限制在內部。二是與私營企業開發了專為石油和天然氣行業服務的自定義LLM，使用了PetroWiki、油氣行業相關研究論文、開源工單數據和行業報告，增強了當前模型的能力。該模型在數據處理、縮寫處理及行業特定任務處理等方面都顯示了巨大潛力。

  
沙特阿美

  
沙特阿美有兩款LLM服務。一是開發了一種TransLing語言模型，可以訓練、微調和部署較小的LLM模型，可以與油氣行業中的采購、倉儲、工廠維護、供應鏈、財務、銷售和營銷業務進行自然語言交互，并從描述中查找業務事項和交易，生成準確的信息并輸出。這些輸出與用戶敘述和屏幕上下文一致，可為使用者提供來自業務系統的所需信息，并可根據需求編寫報告。二是開發了一種創新LLM框架，實現了對掃描存檔文檔中知識的提取、知識管理系統（KMS）的搜索和檢索功能的擴展，用來查找各類信息，并進行文檔間的相似性比較，以實現信息的精準檢索。該方法與傳統技術相比更加高效，使企業能夠充分利用數字檔案中的信息。這是對KMS領域的重大貢獻。

  
阿布扎比國家石油公司

  
阿布扎比國家石油公司開展了關于油氣LLM的兩個項目。一是啟動了第一個鉆探專用的GPT-4，使GPT-4能夠從鉆井數據中學習，以準確有效地服務鉆井過程。GPT-4能夠為混合結構、非結構化和多種表格形式的數據提供準確答案。它還具有處理和分析大量運營數據的能力，在識別運營異常或停滯方面的價值顯著。在鉆井領域，這是石油行業第一個使用ChatGPT的試點，其結果顯示GPT-4是一款能為鉆井工程師提供高效和高質量快速鉆井作業的方法和工具。二是采用GPT-4大語言模型分析地質文本描述。其開發的應用程序成功地從非結構化文本中提取了有價值的地質參數及尺度，促進了地下儲層的巖石類型和滲透率預測。該項目的持續推進有助于LLM在加強油藏表征、優化生產和改善能源部門的整體決策過程中發揮重大作用。

  
馬來西亞國家石油公司

  
馬來西亞國家石油公司成功地使用LLM搜索大型非結構化數據存儲庫。系統支持對返回結果進行后續查詢，支持內容自動匯總。該系統已集成到馬來西亞國家石油公司開發的新型端到端數據挖掘平臺中。這一平臺不斷挖掘非結構化勘探數據以發現新的變化，并將結果編入索引，為非結構化數據查詢開辟了一種全新的數據發現方法。

  
石油工程師協會（SPE）

  
SPE數據科學與工程分析技術部門一直在與行業同行討論LLM的使用領域和方式。同時，SPE邀請了近200名SPE會員測試PetroQA（一個可以采用自然語言問答的原型工具），它使用PetroWiki內容向ChatGPT?發送油氣行業的特定知識，使用GPT-4從自然語言問題中自動生成準確的圖形查詢，形成幾種提示GPT-4生成正確查詢的新技術，并開發了一種先進的緩存機制來減少與云模型的交互，從而減少回答時間和成本。SPE還與一家名為i2k?Connect?AI的公司，以及沙特阿美公司簽署了一份備忘錄，計劃在油氣領域開發LLM，幫助油氣行業的工程師和研究人員使用LLM解決油氣行業中具有挑戰性的技術問題。

  
挪威研究中心

  
挪威國家研究中心與斯塔萬格大學聯合研究稱，已使用石油行業數據集對7個商業和開源LLM進行了評估，結果顯示，GPT-4因其在多項選擇和上下文任務中的卓越性能而脫穎而出，它有效地解決了各種具有不同難度級別的一般和特定領域問題。研究證實LLM在提供上下文時，有提供準確響應的潛力。