阿里云联合中国石油大学(北京)举办油气大模型创新大赛
8月2日,在“第三届中国油气人工智能科技大会”上,由阿里云与中国石油大学(北京)共同发起的油气人工智能创新大赛正式揭幕。
大赛依托于由中国石油大学(北京)联合中石油、中石化、中海油等油气及科技领军企业联合发起成立的“油气人工智能产学研创新联盟”,也是业内首个围绕大模型展开的油气行业人工智能大赛。
目前,大模型技术正在成为解决能源油气行业关键问题的重要手段。比如,在上游勘探领域,业内正在探索如何用大模型解决测井相关问题;在下游新能源车充电领域,非充电车辆占用充电桩停车位的情况常有发生,如何让利用大模型打造智能监测系统成为充电终端运营过程中亟待解决的问题等。
因此,首届大赛将聚焦于两大领域:一是油气人工智能小模型与大模型的融合创新;二是油气与新能源的智能化融合创新。
参赛选手可通过阿里云天池大赛平台报名参赛,并结合通义大模型、阿里云百炼平台、云原生等技术完成AI大模型和智能云场景的创新方案开发实践。
中国石油大学(北京)校长金衍表示:“能源行业正处在产业结构调整的关键期,作为能源数字化的主战场,油气行业全价值链条长,数字化技术的应用和数字化变革将极大促进能源行业的发展。”
能源油气行业是典型的数据密集型行业。作为全球领先的云服务商之一,阿里云在能源油气行业深深扎根,坚持以先进的人工智能技术和云计算服务支撑行业数智化转型,推动行业发展。
自2015年起,阿里云在能源油气行业的服务范围覆盖了上游勘探开发、管网输送、炼油化工、综合能源服务等上下游各板块。在勘探场景中,中国石油集团东方地球物理勘探有限责任公司与阿里云达成战略合作协议,依托“云计算+AI”,共同探索物探领域数智化转型,提升勘探效率,降低勘探成本。
在国家提倡推动油气勘探开发与新能源融合发展以来,阿里云又支撑了中国石化建设云上新能源系统,通过阿里云覆盖全国的基础设施、物联网和分布式部署架构等技术,对充电桩进行集中在线运营和分布式管理,实现全国一张网,为用户提供可靠、高效、安全的充电服务。
为进一步推动大模型与垂直行业结合,阿里云还宣布与中国石油大学(北京)共建“油气人工智能创新平台”。基于阿里云先进的云计算与大模型技术,以及中国石油大学(北京)在勘探开发、管网集输、油气炼化等领域的深厚专业知识和实践,该平台将持续探索“大模型+专业模型”建设,以期显著提高油气勘探的成功率、优化油气开采效率、实现工程作业提质增效、保障管网安全高效运行、增强油气炼化的生产力。
此次峰会上,中国工程院院士邬贺铨、王国法、李根生、刘合、张来斌,美国工程院院士张东晓,中国工程院外籍院士、美国工程院院士陈掌星等嘉宾围绕人工智能、云计算等技术如何与行业结合作重要报告。
除几位院士外,中石油(北京)数智研究院副院长杨文军,中国石油化工集团有限公司首席工程技术大师、副总工程师兼信息和数字化管理部总经理,国务院政府特贴工程技术专家王子宗总经理,也就能源油气发展的关键技术问题发表重要演讲。
阿里云智能集团副总裁李强表示:“推动大模型落地各行业的进程中,平台企业和行业用户要联合创新,平台企业把算力和基础模型做好,并协助行业把应用创新落地做好。行业大模型不应该是传统的专业模型简单地换个名字,而应该是一种生成式基础大模型与行业小模型结合的全新方式。”

低调大师中文资讯倾力打造互联网数据资讯、行业资源、电子商务、移动互联网、网络营销平台。
持续更新报道IT业界、互联网、市场资讯、驱动更新,是最及时权威的产业资讯及硬件资讯报道平台。
转载内容版权归作者及来源网站所有,本站原创内容转载请注明来源。
- 上一篇
Apache Doris + Iceberg 快速搭建指南|Lakehouse 使用手册(三)
湖仓一体(Data Lakehouse)融合了数据仓库的高性能、实时性以及数据湖的低成本、灵活性等优势,能够更加便捷地满足各种数据处理分析的需求。Apache Doris 持续加深与数据湖的融合,已演进出一套成熟的湖仓一体解决方案。我们将通过一系列文章介绍 Apache Doris 与各类主流数据湖格式及存储系统的湖仓一体架构搭建指南,包括 Hudi、Paimon、Iceberg、OSS、Delta Lake、Kudu、BigQuery 等。 Apache Doris + Apache Hudi 快速搭建指南|Lakehouse 使用手册(一) Apache Doris + Apache Paimon 快速搭建指南|Lakehouse 使用手册(二) 本文将继续为大家介绍 Lakehouse 使用手册(三)之 Apache Doris + Apache Iceberg 快速搭建指南。 Apache Doris + Apache Iceberg Apache Iceberg 是一种开源、高性能、高可靠的数据湖表格式,可实现超大规模数据的分析与管理。它支持 Apache Doris 在内的...
- 下一篇
单集群 100 节点!资源占用远小于 Grafana Mimir —— GreptimeDB 海量数据写入性能报告
GreptimeDB 在行业标准测试 Prometheus-Benchmark 当中以 100 个 8c16g 规格节点的集群,在 datanode 峰值水位为 CPU 38% 、内存 40% 的负载下,承接了每秒约 4000 万点 的写入流量。总体活跃时间线 6.1 亿条 ,每十分钟更新 615 万条时间线,在测试的 1.5 小时内均能稳定写入。 (图 1:GreptimeDB 数据采入) 测试结果说明 GreptimeDB 的架构设计能够支撑超大规模的数据集群,并且在同等规模集群下,GreptimeDB 的资源占用极低。对比同样适用对象存储的 Grafana Mimir,在处理同等规模的数据下,Mimir 需要消耗 5 倍以上的 CPU 和内存资源(基于 Mimir 测试报告折算)。 测试环境及工具 本轮测试中所使用的 Prometheus Benchmark 压测工具的相关关键参数及解释如下: (图 2:tsbs 参数) 通过如上配置最终构建的理论数据产生速率约每秒 4160 万点。 测试环境中一共有两个集群,分别是上述的 Prometheus Benchmark 的压力集群和 ...
相关文章
文章评论
共有0条评论来说两句吧...
文章二维码
点击排行
推荐阅读
最新文章
- SpringBoot2全家桶,快速入门学习开发网站教程
- Springboot2将连接池hikari替换为druid,体验最强大的数据库连接池
- Eclipse初始化配置,告别卡顿、闪退、编译时间过长
- Docker快速安装Oracle11G,搭建oracle11g学习环境
- 2048小游戏-低调大师作品
- SpringBoot2更换Tomcat为Jetty,小型站点的福音
- CentOS8,CentOS7,CentOS6编译安装Redis5.0.7
- CentOS7,8上快速安装Gitea,搭建Git服务器
- CentOS6,CentOS7官方镜像安装Oracle11G
- CentOS关闭SELinux安全模块