摘要：人工智能浪潮奔涌，油气行业的数智化转型已进入深水区。然而，制约转型成效的，往往不是算法或算力，而是最基础、也最棘手的高质量数据供给。历史标准断层、仪器精度代差、条块分割管理……这些长期沉淀的问题，使得数据治理成为一场绕不开也急不来的持久战。基于中国石油岩石薄片智能鉴定的典型实践，系统剖析高质量数据集建设的深层困境与典型误区，并从战略、标准、技术、流程、组织、生态六个维度，提炼出一套务实的行动框架。特别地，引入FDE（前线部署工程师）机制，试图为破解业务与技术“两张皮”提供一个新的组织思路。研究认为，高质量数据集建设绝非短期的技术改造，而是考验企业战略定力与管理智慧的变革工程。唯有摒弃速成心态，以钉钉子精神推进各项工作，方能将海量数据转化为真正的核心资产，培育出油气领域的新质生产力。

关键字：油气行业；数智化转型；高质量数据集；数据治理；FDE机制

在2026年5月的一场行业高层论坛上，“数据治理”与“高质量数据集”意外地取代了大模型、算力等热词，成为全场焦点。这并非偶然，它折射出油气行业对数智化转型底层逻辑的一次深刻反思。

通用大模型固然“智商超群”，但在遇到复杂的地下地质结构时，似乎就不太够用了。它们能写诗、会编程，却无法直接告诉我们哪口井的测井曲线存在系统误差，哪个区块的数据标注有误。行业专家直言不讳：油气行业数据基础薄弱，数据的“量”上去了，但“质”还远未达标——这已成为制约AI落地的第一块短板。

业内常说，数据是AI的“原油”。原油品质不过关，再先进的炼化工艺也炼不出好产品。同理，如果数据集残缺、矛盾、标准混乱，再先进的模型也只能输出不可靠的结论。问题的根源，不止于技术。几十年的“烟囱式”建设，使得不同年代、不同部门、不同仪器采集的数据，操着各种“方言”，带着各自的“胎记”。高质量数据集建设，没有捷径，更无速成——它注定是一场与历史欠账正面交锋的持久战。

一、现实桎梏：油气行业高质量数据建设的深层困境

（一）“数据孤岛”与“数据方言”：体制的结构性遗存

如果说“数据孤岛”是物理隔离，“数据方言”则是语义断层。孤岛可以靠技术手段打通，但方言问题涉及命名、编码与释义的根本歧义，必须从业务源头重新统一认知框架。

以中国石化上游数据治理前为例，就连“矿权储量”“井基础信息”等核心业务对象，其定义在各下属单位间尚且大相径庭。中国海油、中国石油的油气田亦不例外，“一物多名、同名异物”现象比比皆是。异构数据的融合使用，由此沦为一场旷日持久的基础性翻译工程。

（二）小样本与多解性：油气数据的先天“基因缺陷”

互联网行业做数据集，动辄调用上亿条用户日志，样本管够、可重复采集。油气行业则完全是另一回事：一口深层探井耗资数千万元，有效样本少且贵；同一套数据，不同专家可能给出不同解释，标注质量离不开人的经验判断；更重要的是，钻井、地震都属于一次性作业，地下状态不可复现，数据一旦失真便永久损失。小样本、多解性、不可逆性三重先天制约，叠加管理上的后天不足，让油气行业的AI落地格外艰难。

（三）历史数据的“三重结构性障碍”

如果说上述问题是“先天不足”，那么数十年积累的历史数据积弊，便是“后天顽疾”，具体体现在三重结构性障碍上。

标准断层——历史数据之间缺乏可翻译性。不同时期、不同油气田的数据录取模式与业务标准差异悬殊。20世纪80年代的纸质报表与2010年数据库中的字段，其业务映射关系算法无法自动识别，必须由业务专家逐一进行语义校准。

仪器代差——不同来源数据之间存在不可通约的系统误差。勘探开发跨越数十年，测井、地震等设备历经多代更迭，精度等级、量纲标准各不相同。将不同精度的数据直接混用，模型很难区分“地质异常”与“仪器误差”，训练结果极易失真。

管理惯性——数据缺失上下文，事后修复缺乏判断依据。条块分割的管理模式，催生了“数据私有化”的顽疾。大量历史资料分散在基层单位，原始采集背景记录（如环境温度、仪器状态、操作人员等）严重缺失。校验这类数据，离不开曾亲历当年作业流程的老专家。

正是这三重障碍层层叠加，决定了油气行业的数据治理必须走“人工标注+机器辅助”的路子。自动化工具处理浅层格式问题效率很高，但到了标准映射、精度校正这类深水区，只能靠业务专家逐项把关。

（四）“两张皮”之痛：复合型人才与组织协同困境

行业普遍缺人——既懂油气业务、又懂数据治理、还懂人工智能的复合型人才，堪称“稀有物种”。但比缺人更让人头疼的是现有人才“用不到一起”的尴尬。项目会上，IT团队和业务专家常常“各说各话”：IT工程师看着地质报告如同看天书，凭统计规则剔除了大量“异常值”，事后业务专家发现其中藏着裂缝发育带的关键信号；业务专家对模型训练需求一头雾水，数据标注只能“凭感觉”，参与沦为走过场。业务介入深度不够，数据集验收时光鲜亮丽，一跑模型就露馅——格式规整，但逻辑不通。说到底，这是组织机制的问题，不是招聘几个“大牛”就能解决的。

（五）油气行业高质量数据集建设的典型误区

当前油气行业在高质量数据集建设实践中，存在若干带有根源性的共性误区。概念混淆、目标错位、建设逻辑倒置——这些问题相互交织，严重影响建设成效。梳理下来，以下六个误区最具代表性。

误区一：概念混淆。把传统数据治理等同于面向AI的高质量数据集建设，以“数据集建设”之名行常规治理之事，项目方向从一开始就跑偏了。

误区二：逻辑倒置。先归集清洗数据，再回头找业务场景，产出的数据集规模再大也难派上用场——没有明确的AI任务，就没有合格的数据集。

误区三：业务缺位。清洗规则由技术团队主导制定，将偏离统计均值的测井值直接剔除，事后业务专家发现其中包含裂缝发育带的关键信号，但原始数据已被覆盖。技术合规，业务无效。

误区四：目标错位与形式主义。项目验收时字段完整率、格式合规率等静态指标亮眼，但交付算法团队后模型训练效果并无实质提升——这是“纸面高质量”而非“战场真实力”。与之相伴的是“万能灵药”心态，指望用同一套标注了“储层类别”的数据集，同时支撑储量预测、钻井轨迹设计、产能评价三个不同任务，忽略不同场景对标签定义与粒度的差异化需求，结果哪个任务都用不好。两者本质都是脱离业务目标的形式主义。

误区五：忽视不确定性。将某位资深专家的解释成果直接作为训练“真值”，模型学到的是该专家的个人解释风格而非客观地质规律。换一个区块，模型表现急剧下降。

误区六：静态建设与人机失衡。数据集交付后便归档封存，一年中新完钻的200口井数据未纳入更新，数据集逐步与生产实际脱节——不迭代则生命力归零。同时，建设路径走极端：要么要求业务专家逐条手工标注所有样本，专家不堪重负；要么完全依赖AI自动标注，缺少专家复核环节，标注质量无从保障。人机协同才是正解，走极端则两头落空。

二、标杆实践：从“数据堆”到“高质量数据集”的跨越

困境在前，但行业先行者们已经蹚出了一条路。高质量数据集的核心特征，可以概括为有主题、可标识、可计算，其最终标尺是业务价值——能否在真实场景中提升模型表现、支撑业务决策。

（一）六维评价标尺

结合国内油气企业的实践经验，高质量数据集可从六个维度进行综合评价。这既是衡量标尺，也是建设指南。

准确性：数据记录须与地下真实情况、现场生产实际保持一致。油气勘探具有多解性特征，准确性不能只看字段格式是否规整，还要经得起业务专家的专业评审——这在通用数据集评价中是较少见的要求。

完整性：关键字段不能有大量缺失，核心业务场景的信息覆盖要足够充分。中国石化上游数据治理中，补齐井基础信息、分析化验、储量等核心字段的缺失记录，是耗费人力最多的环节之一。

一致性：同一业务对象在不同系统、不同来源中的记录逻辑应当统一，不能“公说公有理，婆说婆有理”。中国石化EPDC项目统一了3727项全业务数据标准，核心目标正是解决跨域数据的语义冲突。

时效性：数据更新周期要匹配业务需求，过时、过期数据的占比须控制在合理范围内。西南油气田治理之后，问题数据的发现时效从天级提升到了分钟级——时效性的价值，在这一对比中一目了然。

可计算性：数据格式要标准化、编码要统一，能够被计算机和AI模型直接读取运算。格式不统一，再好的数据也跑不起来。

安全性：这是油气行业数据集评价中权重最高的维度之一。大量勘探开发数据涉及国家秘密与商业秘密，安全合规是数据集上线使用的前置条件，宜实行“合规一票否决”。

六个维度需均衡发力，任何一条出现短板，都会削弱数据集的整体业务价值。

以上“六维评价标尺”聚焦于数据集本身的质量，回答的是“一份好的数据集长什么样”。然而，要持续产出这样的高质量数据集，单靠技术工具或一次性项目远远不够，必须从治理体系的层面系统作答。下文将提出的油气行业高质量数据集建设的系统“六大维度框架”，则着眼于数据治理工作本身的成熟度，涵盖战略、标准、技术、流程、组织、生态六个方面——它评价的不是数据的“好与坏”，而是治理体系的“强与弱”。两者互为表里：前者是目标，后者是保障。

（二）先行者的足迹

岩石薄片鉴定是石油勘探开发、地质调查等行业的“金标准”，中国石油全面推广应用的岩石薄片智能鉴定高质量数据集建设的做法主要是围绕标准统一、存量治理、场景驱动三条主线系统推进。

标准统一方面，以中国石油勘探开发研究院为代表的研究团队，从三个层面建立统一标准。一是样本采集标准，明确不同岩性（碎屑岩、碳酸盐岩等）的样本筛选准则——以Deep Carbonate碳酸盐岩薄片数据集为例，样本明确限定来自四川盆地灯影组、龙王庙组、雷口坡组、嘉陵江组及阿联酋Mishrif组等特定层位，排除来源不明的“混杂”样本。二是标注规范标准，建立涵盖矿物组分、结构组分、孔隙类型等核心类别的统一分类标签体系，确保不同标注人员对同一薄片的判定结果具有可比性。三是数据格式标准，统一单偏光、正交偏光、反射光等不同光学模式下的图像分辨率、色彩空间与存储格式，让多源数据“讲同一种语言”。天津地调中心在参与Falcon Core智能鉴定软件研发时同样强调，专家标注数据的规范化是提升模型“专业认知能力”的前提。

存量治理方面，面对过去数十年积累的大量图像模糊、标注缺失的历史薄片资料，采取“去粗取精”原则，组织地质专家进行系统梳理——筛选出图像清晰、层位明确、具有代表性的样本，剔除模糊、损坏或信息不全的无效图像。研究团队采用专家投票和2σ滤波等统计方法对原始图像进行严格质量筛选，确保入库样本“个个合格”。对于新钻探井带来的新增薄片，则在录入源头嵌入质量控制关卡——明确采集参数、规范命名规则、建立标注复核流程，确保新增数据从源头就符合标准，防止“边治理边污染”。

场景驱动方面，始终锚定“让AI真正学会看薄片”这一核心业务场景，从实际生产需求出发反向定义数据集规格。一是场景锚定，明确数据集要解决矿物颗粒自动分割、岩性自动分类、孔隙结构自动识别等具体问题；二是模型牵引，依据Mask R-CNN、Dense Net等不同算法的实际需求，确定数据标注的粒度与精度；三是闭环验证，将训练后的模型投入实际薄片鉴定场景检验，根据模型表现的不足反向优化数据集，形成“标注→训练→验证→优化”的迭代闭环。

标准统一之后，分散在不同单位、不同时期的薄片图像资源第一次具备了“可计算”的基础。团队成功构建了涵盖22种岩性类别、55786张图像、33.2GB数据量的高质量数据集，为后续模型训练提供了坚实底座。吐哈油田在2025年一年中，就按照统一标准梳理了800多口井、2.3万余个岩石薄片资料，层层筛选出590个优选样本，最终精细标注350个高质量样本入库。

存量与增量双轨并行，一方面使吐哈油田从2.3万余个薄片中筛选出的350个高质量样本成为模型训练的核心资源；另一方面有效管控了新增数据质量，避免了“增量变存量、存量变债务”的恶性循环。Falcon Core系统正是在分类施治的基础上，实现了多源薄片图像的有效融合与标准化处理。

场景驱动的建设逻辑，确保了数据集“建即有用、用即见效”。基于高质量数据集训练的模型，在鄂尔多斯盆地临兴—神府区块致密砂岩铸体薄片的验证中，矿物颗粒分割准确率达95%，石英、斜长石和钾长石等主要矿物识别准确率达91%，长庆油田的实践表明，系统可在短短几分钟内完成2000多张不同角度、不同放大倍数岩石薄片照片的自动采集、拼接与标注。

从这场实践中可以提炼出三条核心认知。

第一，标准建设是数据集的“地基工程”。薄片数据集的标准化难度不亚于一场“大会战”——不同单位有各自的采集习惯，不同年代的薄片有各自的保存状态。没有标准，数据就是散沙；标准不落地，散沙就砌不成墙。标准建设的关键不在于“写了多少页规范”，而在于能否让每位参与者都“照着同一个谱子唱”。

第二，存量与增量必须分类施策。对存量要有“淘金”的耐心，从海量历史资料中精选出高质量样本；对增量要有“筑坝”的决心，从入口处防止低质量数据流入。缺了前者，模型训练无米下锅；缺了后者，治理工作永无宁日。“两手抓，两手都要硬”的本质，是既要有化解历史欠账的决心，也要有防止新增欠账的制度。

第三，场景是数据集的生命线。先有明确的业务痛点，再去设计、加工、标注数据——这个顺序不能颠倒。若把数据集建设比作“铸剑”，场景就是“磨刀石”——没有场景的反复磨砺，数据集再光鲜亮丽，也不过是一把未曾开刃的装饰品。岩石薄片智能鉴定的实践反复证明：场景驱动的数据集，才能成为真正投入“实战”的利器，高质量数据标注是通往高质量数据集的唯一正途，除此之外，并无捷径可走。

三、油气行业高质量数据集建设的系统框架

高质量数据集建设绝非可以拆解为若干独立子项目的技术工程，它本质上是一场涉及战略、标准、技术、流程、组织、生态六个维度的系统性管理变革。六个维度各有侧重又相互嵌套，其逻辑关系可概括为：战略提供方向与驱动力，是“引擎”；标准奠定统一语言，是“地基”；技术提供效率工具，是“杠杆”；流程串联全生命周期，是“管道”；组织赋予执行能力，是“发动机”；生态拓展外部合力，是“加速器”。在实施顺序上，战略必须先行，标准紧随其后，技术与流程贯穿始终，组织和生态则需提前布局、持续培育。六个维度相互依存——没有战略，其他维度失去方向；没有标准，技术和流程无从发力；没有组织，所有规划只能停留在纸面；没有生态，治理成果难以放大。任何一条腿短了，整个体系都跑不起来。

（一）标准先行：统一语言

标准体系是消除“数据方言”的唯一途径。需要从三个层面同步推进：业务标准统一业务对象的定义与术语，解决“一物多名”；技术标准统一存储格式、编码规范与元数据规范，解决“各说各话”；管理标准统一质量评估指标、共享规则与脱敏规则，解决“各管各段”。标准不是编完就束之高阁的，需要随着业务变化同步迭代——这是一项需要持续投入的基础工程。

（二）技术赋能：人机协同，而非替代

大语言模型可以用来高效处理历史非结构化报告，把PDF、扫描件里的信息“解放”出来；专业团队可以针对测井、地震等数据类型自研专用处理工具，提升清洗效率。但要正视一个现实：面对标准断层、仪器代差、业务逻辑判定这些深层问题，算法看不懂、机器判不准，最终把关人只能是业务专家。比较务实的做法，是构建“机器自动初筛—人工深度复核—专家会审终裁”三级质量管控体系——让机器做机器擅长的事，让人做机器做不了的事。

（三）闭环治理：从“采”到“馈”的完整闭环

数据治理不能是“一锤子买卖”，必须建立覆盖“采—治—用—馈”全生命周期的闭环机制。采集环节严控增量，在数据入口嵌入质量校验规则，不让“新债”进门；治理环节化解存量，集中力量清理历史欠账，建立巡检、派单、整改的闭环流程；应用环节倒逼质量，每个数据集绑定明确的业务场景，以需求驱动治理优先级；反馈环节迭代优化，将使用中暴露的问题回流至源头，形成持续改进的正向循环。西南油气田“问题数据发现时效从天级到分钟级”的跃升，正是这套闭环机制跑通后的成果。

（四）组织变革：引入FDE机制，打穿协同堵点

要解决业务与技术“两张皮”的问题，光靠理念倡导不够，需要在组织层面引入新的角色。这里提出一个探索性思路——FDE（前线部署工程师，Forward Deployed Engineer）。

这一角色由著名大数据公司Palantir率先确立，其核心定位是“三合一”：懂数据技术、懂业务语言、懂组织运作。在油气行业数据治理场景中，FDE扮演三重角色——翻译官，能把业务痛点转化为技术课题，也能把数据价值翻译成业务语言，让双方不再“鸡同鸭讲”；架构师，能设计出贴合企业实际的数据治理方案与标准体系，而不是照搬通用模板；推进者，能推动方案从纸面走向日常，让数据治理真正“长”在业务流程里，而不是挂在墙上。

在油气行业落地FDE，可以遵循“进场摸家底—选准小切口—立标准建机制—平台固能力—运营促复制”的路径。贯穿全程的主线是价值叙事——始终以业务实效为衡量标尺，而非以“治理了多少张表”论英雄。需要说明的是，该机制在国内油气行业尚属前沿探索，目前未见大规模成熟落地案例，但其为解决组织协同难题提供了一个极具潜力的新方向。

（五）生态共建：安全与共享的平衡术

油气数据的敏感性，决定了开放共享不能“一放了之”，但也不能“一关了之”。“数据不出域，模型可训练”的安全计算模式值得关注——联邦学习、多方安全计算等技术路线，正在为这一平衡提供可行的技术方案。在企业内部，可通过数据集资产目录实现受控共享，让数据“可见不可得”或“可用不可带”；在行业层面，可联合科研院所、技术服务商，共同构建产学研协同的数据集生态。国家发展改革委、国家能源局等四部委已明确提出建设能源领域高质量数据集共建共享长效机制，这为行业探索提供了顶层指引。

四、展望：走好这条“必由之路”

油气行业的数智化转型已行至关键节点，回望先行者的探索与实践，以下四条启示尤为关键。但面向未来，我们更需要以展望的姿态，看清前方的路标与时间表。

第一，这是一场持久战，没有捷径可走。历史欠账的复杂性，决定了这项工作无法毕其功于一役，更不可能靠买套工具就万事大吉。它考验的不是技术选型的能力，而是企业的战略定力与管理智慧——需要拿出“钉钉子”的精神，一锤一锤敲下去。

第二，成功的关键在于“业务归位”。所有成功的案例都反复印证了一个朴素的道理：业务专家的深度参与，是数据集建设真正的“压舱石”。让懂业务的人说了算，让技术团队围着业务逻辑转，而非相反——这个顺序不能乱。

第三，组织创新是破局之钥。业务与技术之间的鸿沟，光靠理念倡导填不平，需要通过像FDE这样的新型组织角色来弥合。这不仅仅是增设一个岗位，更是引入一种推动业务与技术深度融合的协作范式。展望FDE的推广路径，建议采取“试点先行、标杆引领、逐步复制”的策略——优先在数据问题最突出、业务痛点最明确的区块设立FDE试点岗位，积累实战经验；随后提炼标准化工作手册与培训体系，将FDE的能力模块化、可传承；最终在企业内形成“FDE+业务专家+数据工程师”的常态化协同团队，让组织变革真正落地生根。

第四，行业级数据生态的建设亟需明确时间表与路线图。短期（1～2年）内，应聚焦于打通企业内部“数据孤岛”，完成核心业务域的标准统一和存量治理，建立FDE试点机制，形成可复用的治理模板；中期（3～5年），推动跨企业、跨区域的行业数据空间建设，在安全合规前提下实现受控共享，建成若干主题高质量数据集并投入实际AI训练，初步形成产学研协同的标注与审核网络；长期（5～10年），构建覆盖全产业链的行业级数据生态系统，实现数据资产的动态估值与有序流通，让数据真正成为可度量、可交易、可增值的生产要素。

第五，面向更远的未来，“AI原生数据治理”将成为可能。随着大模型能力的持续进化，我们有望看到这样的愿景：AI自动识别历史数据中的标准断层和系统误差，主动推荐最优的校准策略；智能体根据下游模型训练反馈，自动调整数据标注粒度和清洗规则；数据质量评估不再依赖事后抽检，而是由AI实时监控、预测性预警。到那时，数据治理将从“人工主导、机器辅助”演进为“机器主导、人工审核”，极大释放专家生产力，让油气行业的数智化转型真正步入快车道。

这场从“数据”到“高质量数据集”的淬炼之旅，道阻且长，但行则将至。当沉睡的原始数据资产被真正唤醒，当治理体系从“工程”升级为“生态”，其释放的能量，必将成为保障国家能源安全、催生油气产业新质生产力的最强劲引擎。

*基金项目：国家科技重大专项“智慧油气田关键装备与软件”（2025ZD1401500）、国家自然科学青年科学基金项目“基于混合增强智能的高含水油藏精细注水优化研究”（NO.52504027）。

通信作者：刘合，中国工程院院士，主要从事油气藏增产改造、机采系统提高系统效率、分层注水和井筒工程控制技术、油气人工智能等方面的研究。