踐行深度用云礦山智能化暨礦山大模型最佳實踐白皮書PREPARATIONCOMMITTEE編制委員會PREPARATIONCOMMITTEE編委主任編委顧問編委會委員編寫成員責任編輯

李偉鄒志磊劉健王立才韓碩蔣旺成郭振興劉維尤鵬胡玉海王飛徐加利劉波曹懷軒胡立全項凌楊加元趙強陳文豐顧興勇貢青高昊陳航陳澤騰周志獲王軍賀帥蒙俊秀王瑞（排名不分先后） PREAMBLE序 PREAMBLE言 李偉山東能源集團黨委書記董事長煤炭行業(yè)作為我國重要的傳統(tǒng)能源行業(yè)，其智能化建設直接關系我國國民經(jīng)濟和社會智能化的進程，將人工智能、工業(yè)物聯(lián)網(wǎng)、云計算等ICT技術與現(xiàn)代煤炭開發(fā)煤利用深度融合，對提升煤礦安全生產(chǎn)水平、保障煤炭穩(wěn)定供應具有重要意義。但當前煤炭行業(yè)智能化建設工作依然存在資金投入不足、技術標準不一、技術裝備落后、研發(fā)平臺不健全、高端人才匱乏等問題，導致智能化建設滯后于其他行業(yè)。同時，傳統(tǒng)人工智能開發(fā)模式局限于特定的行業(yè)場景、特定的數(shù)據(jù)，面臨碎片化、定制化、門檻高等問題，導致無法大規(guī)模復制的挑戰(zhàn)。近年來，山東能源集團投入200多億元進行礦井智能化建設，9對國家級智能化示范礦井全部通過驗收，在煤礦智能化建設路上走在了全國前列。2022年山東能源集團與華為公司成立聯(lián)合創(chuàng)新中心，重點圍繞煤炭開發(fā)利用重大科技需求，疊加雙方科學技術、應用場景、行業(yè)雙跨專家等優(yōu)勢資源，在智能化煤礦建設、煤礦安全管控等領域形成了一批可復制推廣的解決方案。山東能源集團引入華為云Stack構建集團總部訓練、生產(chǎn)單位邊緣推理的云邊協(xié)同架構，滿足“數(shù)據(jù)不出企”的要求，基于盤古大模型實現(xiàn)人工智能開發(fā)模式從“作坊式”到“工業(yè)化”的升級迭代，探索出一套可復制的工業(yè)化人工智能生產(chǎn)方案，初步實現(xiàn)煤炭行業(yè)從人工管理到智能化管理、從被動管理到主動管理的轉變。當前，山東能源集團已在興隆莊煤礦、李樓煤業(yè)、濟二煤礦等單位開發(fā)和實施首批場景應用，實現(xiàn)實時優(yōu)化工藝參數(shù)、識別故障與異常、審核作業(yè)規(guī)范，以廣播提醒、設備聯(lián)動等方式實現(xiàn)了自動處置閉環(huán)，形成了一批應用成果。未來，我們將在盤古視覺大模型和盤古預測大模型的基礎上，采用盤古自然語言和多模態(tài)大模型，進一步做深決策智慧、企業(yè)管理智能化能力。我們將在礦業(yè)智能化的基礎之上，輻射能源集團其他五大業(yè)務板塊，加速全產(chǎn)業(yè)智能化建設，堅持開放合作、與“巨人”同行，持續(xù)深化與華為在技術、管理、文化等方面的交流合作，基于華為云Stack云邊協(xié)同方案，將盤古大模型復制推廣到其他行業(yè)，打造行業(yè)領先的AI應用平臺，深度用云，讓行業(yè)客戶都擁有自己的專屬大模型，加速行業(yè)智能升級！FOREWORD前FOREWORD言自1956年達特茅斯會議首次提出人工智能概念以來，人工智能一直在業(yè)界廣泛應用。2022年，生成式人工智能系統(tǒng)為自代表的大模型，在多項測試中超越人類平均水平，推動了人工智能領域的新一輪創(chuàng)新浪潮。2019年，華為立項研發(fā)盤古大模型，歷時三年，投入大量人力物力。盤古大模型致力于深耕行業(yè)，打造多領域行業(yè)大模型和能力集，積極開展行業(yè)合作，持續(xù)提升在行業(yè)領域的專業(yè)性，助力行業(yè)實現(xiàn)智能升級。2022年，華為與山東能源集團有限公司（以下簡稱山東能源）及旗下公司云鼎科技股份有限公司（以下簡稱云鼎科技）達成了戰(zhàn)略合作關系，把盤古大模型應用于煤炭行業(yè)，在山東能源實現(xiàn)了華為云盤古礦山大模型（以下簡稱礦山大模型）的落地實踐，加速了山東能源的智能化發(fā)展。本白皮書全面總結了礦山大模型在山東能源的實踐經(jīng)驗，從趨勢、方案、運營、商業(yè)等方面闡述了我們的實踐思路和方法，同時輔以具體的落地場景，期待為各行各業(yè)使用大模型提供參考。目前，礦山大模型的實踐還在持續(xù)開展，我們還將探索自然語言處理、多模態(tài)等形態(tài)大模型在煤炭行業(yè)的應用，隨著未來實踐的深入，我們的認識也將進一步深化，對白皮書存在的不足之處，歡迎大家批評指正。DIRECTORY目錄DIRECTORY0106-09

0210-13

0314-23大模型跑步進入展開期各行業(yè)迎來發(fā)展新范式

盤古大模型為行業(yè)而生賦能礦山轉型升級

礦山大模型1.1大模型引領人工智能發(fā)展方向

2.1礦山智能化正穩(wěn)步推進

3.1關鍵實踐措施闡述1.2式變革

2.2戰(zhàn)略

3.2礦山典型業(yè)務場景的建設實踐1.3面向大模型的配套建設已經(jīng)起步

2.3

3.3數(shù)據(jù)安全和模型安全實踐2.4礦山大模型基于"1+4+N"架構推動礦山智能化升級0424-27

0528-31

0632-33礦山大模型

礦山大模型

礦山大模型為Ir提供最佳實踐指導4.1目標與挑戰(zhàn)

5.1拓展創(chuàng)新利益聯(lián)結機制，協(xié)同共生、合作共贏

6.1“大一統(tǒng)”模式構筑企業(yè)智能化基座4.2

5.2礦山大模型落地途徑

6.2模型與業(yè)務適配，大小模型協(xié)同發(fā)展專業(yè)服務體系建設實踐模型運營管理實踐

5.3實現(xiàn)戰(zhàn)略、組織匹配，標準動作推動落地

型的價值與潛力伙伴成就客戶大模型引領人工智能發(fā)展方向近年來，人工智能技術發(fā)展迅猛，大模型在人工智能發(fā)展方向上發(fā)揮了重要的引領作用。大模型以其巨大的模型參數(shù)規(guī)模、大數(shù)據(jù)預訓練和對強大計算能力的需求而著稱。通過對大量數(shù)據(jù)集的預學習，大模型展現(xiàn)出卓越的模型精度和泛化能力，為眾多領域提供了革命性的解決方案。以自然語言大模型為例，大模型在處理自然語言任務時表現(xiàn)出了驚人的能力。當模型參數(shù)規(guī)模達到600多億時，大模型在翻譯和數(shù)學能力方面表現(xiàn)出色。當模型參數(shù)增加到1300億時，大模型具備了上下文學習和處理復雜任務的能力。而當模型參數(shù)增加到5300億時，大模型展示出知識組合和情感感知的能力。大模型的智能化表現(xiàn)不僅僅局限于特定的任務。它還實現(xiàn)了從感知理解到生成創(chuàng)造、從專用到通用的全面智能化探索，為我們帶來了無盡的創(chuàng)新空間，引領了一場方興未艾的科技革命和產(chǎn)業(yè)變革。大模型深入行業(yè)，引發(fā)范式變革，單一形態(tài)的大模型顯然難以勝任，這就需要多種形態(tài)的大模型，來應對行業(yè)不同場景。

視覺大模型視覺大模型（以下簡稱CV大模型）基于海量圖像、視頻數(shù)據(jù)和獨特技術構筑的視覺基礎模型，賦能行業(yè)客戶，利用少量場景數(shù)據(jù)對模型微調(diào)即可實現(xiàn)特定場景任務。以煤炭行業(yè)為例，視覺大模型在出廠前經(jīng)過上億視頻、圖像數(shù)據(jù)的預訓練，提高了模型的泛化性和精度，讓礦山碎片化的長尾場景模型從“作坊式”開發(fā)，走向基于一個大模型的持續(xù)“工業(yè)化”生產(chǎn)，極大的降低了長期運營成本。預測大模型預測大模型是面向結構化類數(shù)據(jù)，基于基礎模型空間，通過模型推薦、融合兩步優(yōu)化策略，構建圖網(wǎng)絡架構的AI模型，實現(xiàn)生產(chǎn)工藝優(yōu)化、供應鏈調(diào)度優(yōu)化等場景的最優(yōu)參數(shù)控制。仍以煤炭行業(yè)為例，預測大模型結合了采集的原煤檢驗、精煤檢驗和生產(chǎn)過程數(shù)據(jù)，實現(xiàn)模型的自動選擇和預測方法的自動優(yōu)化，最終得到重介質(zhì)洗選方案的最優(yōu)化參數(shù)，下發(fā)到生產(chǎn)自控系統(tǒng)，有效保證了產(chǎn)品質(zhì)量。自然語言處理大模型自然語言處理大模型（以下簡稱NLP大模型）利用大數(shù)據(jù)預訓練，結合多源豐富知識，通過持續(xù)學習吸收海量文本數(shù)據(jù)，不斷提升模型效果。在實現(xiàn)行業(yè)知識檢索回答、文案生成、閱讀理解等基礎功能的同時，具備代碼生成、插件調(diào)用、模型調(diào)用等高階特性。以政企場景為例，NLP大模型幫助政企客戶脫離“文山會?！钡睦_。利用其閱讀理解和文案生成能力，實現(xiàn)15種公文規(guī)范化生成，公文撰寫從原先耗時周級降至天級，同時原先會議流水賬被改寫成標準會議議程；利用其語義搜索能力，實現(xiàn)最佳文檔資料推薦，海量公文查找從天級降至分鐘級。多模態(tài)大模型多模態(tài)大模型融合語言和視覺跨模態(tài)信息，實現(xiàn)圖像生成、圖像理解、3D生成和視頻生成等應用，面向產(chǎn)業(yè)智能化轉型提供跨模態(tài)能力底座。以金融行業(yè)7*24小時智能自助服務場景為例，多模態(tài)大模型結合音視頻通話、電話語音、文字交互形式，擺脫單一固定類型的限制，用多模態(tài)情感計算替代打分評價，獲取客戶真實有效的反饋，完善客戶的情感分析，實現(xiàn)對客戶意圖、行為的全方面判斷，針對不同客戶打造“聊得來”的個性化智能客服，實現(xiàn)精準化、個性化、有溫度的金融服務?？茖W計算大模型科學計算大模型采用AI數(shù)據(jù)建模和AI方程求解的方法，從海量的數(shù)據(jù)中提取出數(shù)理規(guī)律，使用神經(jīng)網(wǎng)絡編碼微分方程更快更準的解決科學計算問題。

以氣象領域為例，華為云為行業(yè)提供盤古氣象大模型，在四十多年的全球天氣數(shù)據(jù)上訓練深度神經(jīng)網(wǎng)絡，能夠提供全球氣象秒級預報，其氣象預測結果包括位勢、濕度、風速、溫度、海平面氣壓等，由歐洲中期預報中心和中央氣象臺等實測驗證，其在精度和速度方面超越傳統(tǒng)數(shù)值預測方法。面向大模型的配套建設已經(jīng)起步人工智能已上升為國家戰(zhàn)略，配套政策逐步完善人工智能作為驅(qū)動第四次工業(yè)革命的重要引擎，深刻影響著經(jīng)濟、產(chǎn)業(yè)和各技術學科的發(fā)展。為此，世界主要國家紛紛把人工智能在社會各領域的創(chuàng)新發(fā)展提升到國家戰(zhàn)略地位。2017年，中國發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，旨在構筑人工智能發(fā)展的先發(fā)優(yōu)勢。2023年，中國發(fā)布了《生成式人工智能服務管理暫行辦法》，《辦法》為大模型的產(chǎn)業(yè)創(chuàng)新提供了政策導向和法律保障，也為產(chǎn)業(yè)監(jiān)管提供了科學合理和平衡適度的框架。人工智能算力網(wǎng)建設，提供基礎的算力底座大模型時代，算力是重要生產(chǎn)力，在“東數(shù)西算”戰(zhàn)略的推動下，智算中心、超算中心和一體化大數(shù)據(jù)中心已成為國家新基建的重要部分。2022年6月，“中國算力網(wǎng)”一期工程“智算網(wǎng)絡”正式上線，以“鵬城云腦”為樞紐節(jié)點，跨域納管了20余個異構算力中心，匯聚算力規(guī)模超3EFlops，建成全國智能算力互聯(lián)體系，實現(xiàn)算力與AI開源服務向全國用戶開放?！丁笆奈濉贝髷?shù)據(jù)產(chǎn)業(yè)發(fā)展規(guī)劃》強調(diào)，推動行業(yè)數(shù)據(jù)資產(chǎn)化、產(chǎn)品化，數(shù)據(jù)要素治理的探索逐漸轉向規(guī)范數(shù)據(jù)資源的市場化流通。2023年，國務院組建了國家數(shù)據(jù)局，負責協(xié)調(diào)推進數(shù)據(jù)基礎制度建設，統(tǒng)籌數(shù)據(jù)資源整合共享和開發(fā)利用。這些舉措將為大模型的發(fā)展提供必要的生產(chǎn)資料。

人工智能進入“百模大戰(zhàn)”的新時代科技部新一代人工智能發(fā)展研究中心發(fā)布的《中國人工智能大模型地圖研究報告》顯示，我國研發(fā)的大模型數(shù)量位居全球第二，目前中國10參數(shù)規(guī)模以上的大模型已發(fā)布79盤古大模型為行業(yè)而生賦能礦山轉型升級

過以上舉措，持續(xù)推動智能化建設提檔升級。政策推動礦山智能化發(fā)展煤炭行業(yè)按照“四個革命、一個合作”能源安全新戰(zhàn)略推進高質(zhì)量發(fā)展。2020年2月，中國發(fā)布《關于加快煤礦智能化發(fā)展的指導意見》，明確提出到2025年大型煤礦和災害嚴重煤礦基本實現(xiàn)智能化，到2035年各類煤礦基本實現(xiàn)智能化，明確要求將人工智能新技術與現(xiàn)代煤炭開發(fā)利用深度融合，實現(xiàn)傳統(tǒng)煤礦的智能化轉型升級。示范案例引導礦山智能化邁向更高水平2023年6月，為加快煤炭行業(yè)創(chuàng)新成果應用，國家能源局組織遴選并發(fā)布了《全國煤礦智能化建設典型案例匯編（2023年）》，從信息基礎設施、智能掘進、智能采煤、智能露天、智能運輸、智能防災、智能洗選等7個方向提出80項智能化煤礦生產(chǎn)建設典型案例，積極引導煤礦智能化建設邁向更高水平。礦山企業(yè)確立智能化發(fā)展戰(zhàn)略以山東能源為例，作為山東省煤炭行業(yè)的龍頭企業(yè)，自2020年9月全國煤礦智能化建設現(xiàn)場會召開以來，為落實“深化機械化換人、自動化減人，建設一批智能化示范煤礦”要求，樹牢“少人則安、高效可靠、實用實效”理念，構建了三項機制，即規(guī)劃標準引領機制、科學分類建設機制、定期考核評價機制；筑牢了四大支撐，即建好平臺支撐、強化技術支撐、筑牢裝備支撐、夯實人才支撐；堅持了五個著力，即著力打造示范礦井、著力推進少人無人、著力提升生產(chǎn)效率、著力強化信息建設、著力保障生命安全健康，通

礦山智能化現(xiàn)狀挑戰(zhàn)煤炭行業(yè)推進智能化建設，依賴人工智能技術的支持，但傳統(tǒng)單場景小模型方案存在諸多問題，制約了礦山智能化、規(guī)?；ㄔO的發(fā)展。以礦山智能應用的業(yè)務視角分析單場景小模型方案，存在以下問題：模型可移植性差。傳統(tǒng)模式針對一個礦山開發(fā)的模型無法直接復用到其它礦山，在一個生產(chǎn)單位訓練的模型，轉至其它單位應用時準確度明顯下降，模型泛化性不足，難以規(guī)模化復制。工況變化，精度滿足度低。人工智能模型需要響應行業(yè)應用的快速變化，工況發(fā)生變化時模型的精度、性能、可擴展性等指標無法滿足實際生產(chǎn)需求。數(shù)據(jù)安全風險。傳統(tǒng)模式的算法訓練需要將煤礦的數(shù)據(jù)導出到線下開發(fā)環(huán)境進行訓練，過程中數(shù)據(jù)安全保障困難，存在數(shù)據(jù)泄露等安全風險。以礦山智能應用的開發(fā)視角分析單場景小模型方案，存在以下問題：開發(fā)效率低。當前大部分人工智能開發(fā)者是采用傳統(tǒng)“作坊式”開發(fā)，針對每個碎片化場景獨立地完成模型選擇、數(shù)據(jù)處理、模型優(yōu)化、模型迭代等一系列開發(fā)步驟，無法積累通用知識，且不同領域的調(diào)試方法不同，導致開發(fā)周期長、效率低。開發(fā)門檻高。人工智能開發(fā)的全生命周期包括問題定義、數(shù)據(jù)接入、數(shù)據(jù)處理、特征工程、模型訓練、模型評估及發(fā)布、模型管理等環(huán)節(jié)，高度依賴人工智能專家的經(jīng)驗和算法能力，且當前人工智能領域開發(fā)者專業(yè)水平參差不齊，缺乏規(guī)范的開發(fā)流程和高效的調(diào)優(yōu)技巧，需要專業(yè)人員持續(xù)支持。

因此，煤炭行業(yè)需要一種更安全、更高效、泛化強、易維護、泛化強的模型解決方案，以應對煤炭行業(yè)復雜多變的業(yè)務場景，從而推動煤炭行業(yè)的智能化建設。礦山大模型基于"1+4+N針對單場景小模型方案的問題，華為推出礦山大模型解決方案，采用“1+4+N”總體架構，以分層解耦架構為特點，結合數(shù)據(jù)安全和隱私保護技術，利用無監(jiān)督或自監(jiān)督學習方法，從行業(yè)數(shù)據(jù)中提取知識，以滿足煤炭行業(yè)不同業(yè)務場景的智能化需求。具體架構如下圖所示：L2場景化模型L1場景化工作流L1 物體 圖像 視頻 異常 語義 目標 實例 姿態(tài) 事件開發(fā)套件L2場景化模型L1場景化工作流L1 物體 圖像 視頻 異常 語義 目標 實例 姿態(tài) 事件開發(fā)套件檢測 分類 分類 檢測 分割 跟蹤 分割 估計 檢測L0視覺大模型 預測大模型 自然語言大模型 多模態(tài)大模型 科學計算大模型視圖識別： 智能決策： 對話問答|文案生成| 圖文音視頻理解： 科學計算：藥物研究分類|檢測|分割… 預測|優(yōu)化|決策… 代碼生成… 生成|編輯… 氣象研究……結構化數(shù)據(jù)預測輔助運營專業(yè)服務N個N個模型防沖卸壓焦化配煤重質(zhì)密控立井提升人員入侵卡扣式膠帶接頭損壞識別…4大盤古大模型能力4大盤古大模型能力井下生產(chǎn)工作流安全監(jiān)察工作流智慧決策工作流經(jīng)營管理工作流…1個礦山一站式AI平臺1個礦山一站式AI平臺訓練平臺推理平臺資源調(diào)度框架引擎模型部署…計算計算華為云Stack網(wǎng)絡存儲圖1支持礦山企業(yè)業(yè)務板塊智能生產(chǎn)模式創(chuàng)新“1”是礦山一站式AI平臺：華為云面向煤炭行業(yè)的智能化推出一站式AI模型訓練與推理服務，具備訓練算法管理、作業(yè)管理、多開發(fā)框架支持、模型統(tǒng)一管理、服務按需部署能力，支持GPU、CPU資源調(diào)度與統(tǒng)一管理，幫助用戶管理全周期AI開發(fā)者快速完成模型開發(fā)與上線，使能煤炭行業(yè)創(chuàng)新AI業(yè)務。“4”是礦山大模型的核心能力：L0層大模型由華為已投入大量算力、人力等資源，并基于海量數(shù)據(jù)預訓練而來，包含視覺、預測、自然語言處理、多模態(tài)四大基礎通用能力，參數(shù)已發(fā)展到千億級別，泛化能力強，作為礦山大模型預訓練的模型底座，華為擁有完全的知識產(chǎn)權。以L0層大模型為基礎，華為面向煤炭行業(yè)開展深度合作，把煤炭行業(yè)的海量知識，如數(shù)百萬張礦山圖片，結合礦山通用場景，預訓練出L1層礦山大模型，包括物體檢測、語義分割等開發(fā)套件。這些開發(fā)套件可以對外授權，開放使用。L1層是煤炭行業(yè)的通用模型，能夠與礦山具體業(yè)務場景結合，訓練出L2層場景化模型。

“N”是一系列應用于礦山具體業(yè)務場景的專屬模型：通過遴選、調(diào)研礦山業(yè)務領域，選擇合適類型的L1場景化工作流（以下簡稱工作流）。在獲得授權情況下，可以選擇合適的L1層開發(fā)套件（以下簡稱開發(fā)套件），否則工作流只能調(diào)用預制的開發(fā)套件。工作流定義了訓練L2層場景化模型的整體流程，實現(xiàn)L2層場景化模型可視化、向?qū)降挠柧?。L2層場景化模型的生產(chǎn)層面，會根據(jù)用戶的模型大小需求，從預訓練模型中抽取滿足需求的模型結構和權重。然后根據(jù)數(shù)據(jù)特點，在抽取后的模型上進行算法調(diào)優(yōu)，生產(chǎn)可分發(fā)、部署的推理模型。礦山大模型的優(yōu)勢在于它不僅能有效提升樣本訓練效率、降低樣本標注的人力成本，還能與礦山業(yè)務應用深度融合，通過小樣本快速訓練出需要的場景化模型。同時，礦山大模型具有高泛化性和移植性，能適應礦山的不同業(yè)務場景。此外，礦山大模型實現(xiàn)了全棧自主創(chuàng)新，為煤炭行業(yè)智能化建設提供了綜合解決方案。礦山大模型最佳建設實踐關鍵實踐措施闡述 1.計建，通過在（山東能源）集團層面集約化建設統(tǒng)一的大型礦業(yè)集團在建設礦山大模型的過程中面臨諸多挑戰(zhàn)。由于下屬礦山企業(yè)信息化程度不同、基礎建設各異、技術團隊能力參差不齊、對大模型的認識尚且不足，且礦山大模型作為新生事物，缺少行業(yè)內(nèi)的標桿參照，這些因素都增加了建設過程的難度。在山東能源實踐中，為了確保實踐成功，我們提出以下關鍵措施：采煤掘進防沖主運輔運提升安監(jiān)洗選焦化人員誤入危險區(qū)域關鍵崗位勞動保護用品穿戴規(guī)范性監(jiān)測巡檢合規(guī)性監(jiān)測人員摔倒識別皮帶堆煤檢測違規(guī)穿越皮帶檢測皮帶跑偏識別皮帶發(fā)煙發(fā)火檢測皮帶異物檢測車輛檢測煤量分級估計

礦山大模型，可以統(tǒng)一思想，通過頂層設計明確項目建設的權責，從全局視角拉通業(yè)務與技術，明確目標與措施，協(xié)同內(nèi)部資源，實現(xiàn)多元知識的融合，構筑共享的AI能力，支持集團決策和運營，促進集團業(yè)務轉型和創(chuàng)新發(fā)展。具體的規(guī)劃設計如下圖：6大業(yè)務創(chuàng)新I6大業(yè)務創(chuàng)新I輔助煤流運輸9大專業(yè)智能化煤倉運行 卡扣式膠帶異常狀態(tài)監(jiān)控 接頭的I監(jiān)采煤轉載裝運智能控制人員入侵檢測 皮帶跑偏識別皮帶異物檢測 皮帶堆煤檢測 煤量分級估計皮帶發(fā)煙發(fā)火檢測違規(guī)穿越皮帶檢測人員摔倒識別穿倉檢測穿倉預警水煤檢測卡堵預警云邊協(xié)同邊學邊用防沖監(jiān)管焦化煤炭智能洗選盤古礦山大模型華為云StackAI平臺非正常即異常I邊緣計算站點模型部署樣本反饋焦化配煤智能應用集團總部 生產(chǎn)單位中心訓練 邊緣推理 安全監(jiān)管人員誤入 勞動保護用品危險區(qū)域 穿戴規(guī)范性監(jiān)測架空乘人裝置規(guī)范性監(jiān)控巡檢合規(guī)性監(jiān)測關鍵崗位行為狀態(tài)監(jiān)護其他行業(yè)可復制場景40+場景重介選煤分選密度智能控制選煤煤泥水濃縮加藥智能控制采煤轉載裝運異常AI智能控制防沖卸壓掘進安全智能監(jiān)管煤礦限員立井提升危險區(qū)域敲幫問頂動作監(jiān)測截割部落地監(jiān)測人員出入井統(tǒng)計多繩摩擦提升系統(tǒng)尾繩運行監(jiān)測臨時支護有效性監(jiān)測人員摔倒監(jiān)測頂板支護作業(yè)監(jiān)測人員跟隨檢測立井提升云邊協(xié)同是規(guī)劃的顯著特點，在中心實現(xiàn)統(tǒng)一的人工智能開發(fā)、訓練和運維，訓練獲得的推理模型被分發(fā)部署到位于生產(chǎn)單位的邊緣節(jié)點，以支撐業(yè)務場景應用。在AI服務推理過程中，在邊緣節(jié)點完成數(shù)據(jù)獲取、推理識別、告警處置的業(yè)務閉環(huán)，并可通過接口將異常樣本回傳到中心云，中心接收、存儲異常樣本，定期啟動再訓練，生成新版本的推理模型，并重新分發(fā)到邊緣，形成飛輪效應，實現(xiàn)AI服務的迭代優(yōu)化。結合場景技術選型，采用試點先行策略逐步建設礦山大模型的建設，需要深入了解業(yè)務需求和應用場景，分析業(yè)務數(shù)據(jù)特點，規(guī)劃選用的基模型，適配開發(fā)套件，制定可行的技術方案。如防沖卸壓場景，通過現(xiàn)場攝像頭采集的視頻數(shù)據(jù)開展業(yè)務，符合CV大模型能力范疇，經(jīng)實驗證明，鉆桿識別準確率高于鉆孔識別，適用事件檢測開發(fā)套件，以此為基礎進一步開展場景化模型的訓練工作。礦山大模型的建設不是一蹴而就的過程，首先需

要全面梳理礦山智能化場景，做好場景分類；然后選取具有代表性的業(yè)務場景進行應用試點，樹立標桿；最后，橫向不斷推動新類型業(yè)務場景試點工作開展，縱向基于試點開發(fā)的模型成果，在更多同類型業(yè)務場景中推廣應用。在山東能源的實踐中，梳理的智慧化場景類型超過40個。以配煤為例，作為煉焦的核心工序，對通過大模型實現(xiàn)降本增效需求強烈，被列為先行試點場景，試點單位也選擇了源煤類型多樣、業(yè)務復雜的煉焦廠，以期通過試點發(fā)現(xiàn)和解決各種問題和不足，從而驗證大模型的成效，為更廣泛的推廣和應用打下基礎。能化建設制定標準化工作流程，涵蓋需求分析、設計、開發(fā)、測試和試運行等各環(huán)節(jié)，不僅有利于提高場景智能化建設的效率，也有利于（山東能源）集團評估建設所需資源，厘清工作界面，提前開展資源籌備，合理規(guī)劃進度，從而保障目標達成。礦山大模型建設實踐的工作流程可以參考下圖：①場景業(yè)務調(diào)研建議人員：解決方案架構師、礦方專家核心工作：調(diào)研礦山的業(yè)務場景現(xiàn)狀、業(yè)務流程、業(yè)務痛點、智能化價值、現(xiàn)場環(huán)境等②現(xiàn)場工勘①場景業(yè)務調(diào)研建議人員：解決方案架構師、礦方專家核心工作：調(diào)研礦山的業(yè)務場景現(xiàn)狀、業(yè)務流程、業(yè)務痛點、智能化價值、現(xiàn)場環(huán)境等②現(xiàn)場工勘建議人員：解決方案架構師、算法工程師、礦方專家核心工作：開展現(xiàn)場工勘，輸出工勘報告，如對視頻點位工勘、對攝像頭安裝給予指導等③方案設計建議人員：解決方案架構師、算法工程師、應用開發(fā)工程師、礦方專家核心工作：開展方案總體設計，含算法模型設計、應用設計、算法對接設計、系統(tǒng)集成對接設計等，輸出相關文檔后進行三方評審建議人員：算法工程師核心工作：算法模型持續(xù)訓練調(diào)優(yōu)⑦應用開發(fā)建議人員：應用開發(fā)工程師核心工作：開展應用開發(fā)，實現(xiàn)與算法模型的集成對接，輸出場景化AI應用的需求說明⑤工作流開發(fā)建議人員：算法工程師核心工作：算法模型持續(xù)訓練調(diào)優(yōu)⑦應用開發(fā)建議人員：應用開發(fā)工程師核心工作：開展應用開發(fā)，實現(xiàn)與算法模型的集成對接，輸出場景化AI應用的需求說明⑤工作流開發(fā)建議人員：算法工程師核心工作：開發(fā)業(yè)務場景下的工作流④環(huán)境準備及數(shù)據(jù)采集建議人員：礦方專家核心工作：組織現(xiàn)場環(huán)境整改，如調(diào)整攝像頭位置；采集樣本數(shù)據(jù)，確保數(shù)據(jù)滿足算法需求⑧測試聯(lián)調(diào)建議人員：算法工程師、應用開發(fā)工程師核心工作：在應用與模型算法之間，完成端到端的功能聯(lián)調(diào)⑧測試聯(lián)調(diào)建議人員：算法工程師、應用開發(fā)工程師核心工作：在應用與模型算法之間，完成端到端的功能聯(lián)調(diào)⑨試運行建議人員：業(yè)務場景建設、開發(fā)、運維、應用的相關人員核心工作：制定試運行計劃，保障試運行系統(tǒng)穩(wěn)定，結合問題持續(xù)微調(diào)、優(yōu)化模型算法，收集用戶反饋和建議，評估、總結試運行成果等礦山數(shù)字孿生安全生產(chǎn)中心智能運維中心礦山數(shù)字孿生安全生產(chǎn)中心智能運維中心決策指揮中心 經(jīng)營管理中心綜合集控中心礦山工業(yè)互聯(lián)網(wǎng)平臺數(shù)字平臺開發(fā)使能數(shù)據(jù)使能 盤古礦山大模型應用使能集成使能華為云Stack工業(yè)承載網(wǎng)F5GIoTIPv6+5GWi-Fi6統(tǒng)一接口協(xié)議智能物聯(lián)操作系統(tǒng)統(tǒng)一數(shù)據(jù)格式統(tǒng)一數(shù)據(jù)規(guī)范統(tǒng)一標準統(tǒng)一架構大模型建設取得實效的關鍵保障統(tǒng)一標準統(tǒng)一架構近年來，華為礦山軍團和大型煤炭生產(chǎn)企業(yè)、行業(yè)伙伴在礦山智能化建設實踐中，探索出“統(tǒng)一標準、統(tǒng)一架構”的智能礦山工業(yè)互聯(lián)網(wǎng)作為煤礦智能化的必經(jīng)之路，通過“統(tǒng)一數(shù)據(jù)規(guī)范”充分發(fā)揮數(shù)據(jù)作為核心生產(chǎn)要素的價值已經(jīng)成為行業(yè)普遍訴求。華為礦山軍團以“少人無人、安全、高效”采礦的愿景驅(qū)動，把握工業(yè)互聯(lián)網(wǎng)的特點，與行業(yè)共同努力，基于“三個統(tǒng)一”落實“七大轉變”推進智能礦山工業(yè)互聯(lián)網(wǎng)建設，將數(shù)字技術深度融合到礦山生產(chǎn)流程中。為此，礦山軍團不僅將持續(xù)投入技術創(chuàng)新，也將以更開放的平臺，廣泛聯(lián)合生態(tài)伙伴和科研院所，共同服務于礦山智能化建設。同時，華為礦山軍團還將分享自身技術，

將“統(tǒng)一標準、統(tǒng)一架構、統(tǒng)一數(shù)據(jù)規(guī)范”落到實處，進一步釋放智能礦山工業(yè)互聯(lián)網(wǎng)在行業(yè)的價值，最終實現(xiàn)“煤礦工人穿西裝打領帶采煤”。總之，大型礦業(yè)集團建設礦山大模型是實現(xiàn)智能化轉型升級的必然選擇，有助于實現(xiàn)安全生產(chǎn)和降本增效的目標。我們將通過介紹礦山大模型在煤炭開采、煤炭洗選、煤炭加工三個關鍵工序中典型場景的應用，詳細闡述我們的具體實踐。防沖卸壓煤炭生產(chǎn)過程中的井下作業(yè)是煤炭開采中最具挑戰(zhàn)性和危險性的環(huán)節(jié)，尤其是采掘施工作業(yè)。這項作業(yè)環(huán)境艱苦，且工人流動性較大，因此安全問題尤為重要。在采掘施工過程中，預防沖擊地壓是重中之重，鉆孔卸壓是一種有效的防治方法，它能顯著改善煤（巖）體的應力狀態(tài)，降低沖擊地壓的風險。在鉆孔施工中，鉆孔深度是防沖卸壓工程最關鍵參數(shù)，是人工核驗的重點，通過礦山大模型，對鉆孔施工情況進行實時監(jiān)測，對鉆孔深度自動核驗，對孔深不足及時告警，避免漏檢、遲檢，可以顯著提升礦山安全生產(chǎn)目標。挑戰(zhàn)中心云（集團）中心云（集團）

頻、井上對視頻逐個進行人工核驗。這種方式無法實時查看井下施工過程，針對突發(fā)情況難以做出反應。同時，人工鑒別視頻，不僅審核工作量大，效率低，還會導致漏檢或誤檢。此外，面對大量視頻資料，監(jiān)管人員也難以查詢和統(tǒng)計鉆孔卸壓的施工質(zhì)量。這都影響了防沖卸壓施工監(jiān)管的效率和準確性。方案針對防沖卸壓場景，我們提出了一種基于礦山大模型和礦企應用協(xié)同、云邊協(xié)同的智能化解決方案，方案設計如下圖：異常樣本回傳（邊用邊學）視頻流邊緣推理模型（Atlas人工智能計算平臺）異常樣本回傳（邊用邊學）視頻流邊緣推理模型（Atlas人工智能計算平臺）工業(yè)環(huán)網(wǎng)視頻流視頻流視頻流視頻流 控制信號告警控制流告警聯(lián)動 設備信數(shù)據(jù)采視頻流人工智能應用平臺（礦端）華為IVS3800視頻云存算檢平臺模型下發(fā)樣本標注樣本數(shù)據(jù)抽取故障告警上報 異常樣統(tǒng)計數(shù)據(jù)回傳 回傳（邊用邊學）推理結果主動推送（邊用邊學）異常人工智能應用平臺（集團端）礦山一站式AI平臺礦山智能應用面華為產(chǎn)品面中心訓練平臺防沖卸壓AI模型（L2層）邊緣節(jié)點（礦山）邊端網(wǎng)

井下攝像頭2

井下攝像頭…

井下反控攝像頭（礦鴻）

井下設備 廣播圖5礦山大模型和礦企應用協(xié)同、云邊協(xié)同的智能化解決方案方案中，首先從井下攝像頭的視頻流中抽取訓練樣本，這些樣本包含鉆機、鉆桿、施工人員取桿動作等信息，并對其進行標注。接著，在中心訓練平臺完成防沖卸壓場景化模型的訓練。訓練好的推理模型被下發(fā)到礦山邊緣節(jié)點，以實現(xiàn)卸壓孔施工質(zhì)量的智能化核驗，同時對卸壓鉆孔進行工程統(tǒng)計。推理結果將通過服務接口推送（云鼎科技）已建的人工智能應用平臺，由其進行業(yè)務處理。對于不合格的卸壓工程，例如孔深不足等問題，人工智能應用平臺將及時對現(xiàn)場進行聲光數(shù)字化告警，甚至直接下發(fā)控制指令，以使物聯(lián)設備自動停機。在日常運行過程中，如果出現(xiàn)誤報或未知異常等樣本數(shù)據(jù)，這些數(shù)據(jù)將經(jīng)過標注處理后，推送回中心訓練平臺，定期對模型迭代訓成效礦山大模型在防沖卸壓場景實踐中，實現(xiàn)了顯著的效果。首先，它減少了審核工作量，降低了約80%的人工審核工作量。其次，它實現(xiàn)了從隔天核驗變?yōu)橥藯U結束后實時出結果，打鉆深度不足時系統(tǒng)會發(fā)送告警，井上沖擊地壓監(jiān)控中心可以實時查看井下工程作業(yè)情況。最后，它的使用也十分方便，可以對所有卸壓工程進行100%審核，并自動記錄和跟蹤識別結果，方便按照卸壓工程地點和時間進行快速查找和統(tǒng)計。重介密控煤炭洗選是煤炭生產(chǎn)過程中的重要環(huán)節(jié)，對于清潔生產(chǎn)、節(jié)能減排以及提高煤炭價值具有關鍵作用。重介質(zhì)分選法因其高效分選、強適應性和低密度分選等優(yōu)點在煤炭洗選生產(chǎn)現(xiàn)場廣泛應用。

然而，重介分選密度控制一直是難點，過去依賴人工經(jīng)驗，且缺乏可靠的數(shù)據(jù)分析系統(tǒng)，容易導致分選指標異常、精煤回收損失，影響到選煤的經(jīng)濟效益?，F(xiàn)在，通過礦山大模型實現(xiàn)密度控制智能化，利用預測模型推送設定密度值，能夠保證產(chǎn)品質(zhì)量并提高精煤產(chǎn)率。挑戰(zhàn)重介分選系統(tǒng)通過對各個洗選模塊的參數(shù)進行精細化控制，確保洗選質(zhì)量的穩(wěn)定性和可靠性。然而，選煤廠在控制參數(shù)調(diào)整方面仍面臨三大挑戰(zhàn):一是選煤廠多，入選煤種齊全，產(chǎn)線結構多樣，工藝基本涵蓋了國內(nèi)所有主導選煤工藝，因此參數(shù)調(diào)整依賴于個人經(jīng)驗，這導致集團整體上缺乏一致性，洗選質(zhì)量參差不齊，難以統(tǒng)一標準；二是參數(shù)的調(diào)優(yōu)過程需要大量反復迭代，導致調(diào)優(yōu)效率低、成本高，三是人工經(jīng)驗只能提供粗略調(diào)整，無法尋找到最優(yōu)的經(jīng)濟效益控制參數(shù)。近年來，智能化選煤廠建設在自動化、信息化方面取得了較大地提高，但在智能化方面可借鑒的成熟技術相對較少。特別是在重介分選密度控制系統(tǒng)利用智能化技術實現(xiàn)產(chǎn)品質(zhì)量精準控制和增產(chǎn)提效方面，業(yè)界雖有探索，目前尚無成功案例，缺少相關經(jīng)驗參考。方案重介分選密度控制系統(tǒng)智能化的關鍵是構建重介密控算法模型，利用算法模型的預測能力，對生產(chǎn)數(shù)據(jù)實時分析，預測出最優(yōu)的工藝參數(shù)組合。同時，算法模型要具備自學習能力，不斷進化，在保證產(chǎn)品質(zhì)量的前提下，實現(xiàn)增產(chǎn)提效的目標。我們的解決方案如下圖所示： 模型訓練：數(shù)據(jù)知識+專家知識+機理知識 模型推理：智能工藝參數(shù)推薦 原煤檢驗數(shù)據(jù)精煤檢驗數(shù)據(jù)生產(chǎn)過程數(shù)據(jù)⑤最優(yōu)工藝參數(shù)反饋⑤最優(yōu)工藝參數(shù)反饋機理知識專家知識④決策服務數(shù)據(jù)處理模型預測數(shù)據(jù)接收模型評估模型更新控制決策根據(jù)目標切換不同優(yōu)化模式多目標智能優(yōu)化決策③預測服務重介密控預測模型重介密控模型被分為訓練態(tài)和推理態(tài)兩部分。訓練態(tài)主要負責數(shù)據(jù)收集、樣本構建、模型訓練和部署等任務。推理態(tài)則負責數(shù)據(jù)預處理、算法推理、優(yōu)化求解和最優(yōu)參數(shù)下發(fā)等任務。在訓練階段，我們以生產(chǎn)機理和生產(chǎn)數(shù)據(jù)為基礎，通過對煤質(zhì)、生產(chǎn)工藝和生產(chǎn)數(shù)據(jù)的深入分析，構建出適應選煤廠需求的重介密控算法模型。在推理階段，我們以實時生產(chǎn)數(shù)據(jù)為輸入，包括灰分和煤量、介質(zhì)入料壓力、重介懸浮液密度、磁性物含量、精煤的灰分和煤量等數(shù)據(jù)，利用模型的分析預測能力，提供最優(yōu)的工藝參數(shù)組合。這些參數(shù)組合再與礦端智能應用系統(tǒng)整合，通過生產(chǎn)控制系統(tǒng)將結果應用于生產(chǎn)過程中。重介密控算法模型是L2層場景化模型，它是通過L1層結構化數(shù)據(jù)預測開發(fā)套件訓練生成，其底層依賴于預測大模型能力。預測大模型由兩部分構成:基模型選擇和圖網(wǎng)絡融合。首先，通過基本算法，產(chǎn)生一組候選算法和搜索空間。然后，使用超參數(shù)搜索算法來找到最佳的超參數(shù)，并將基

模型輸入到層次網(wǎng)絡中進行訓練。層次網(wǎng)絡的輸出會被再次用作下一次基模型選擇和超參數(shù)搜索的輸入。這個過程會重復多次，以便從多個基模型中得到層次網(wǎng)絡的輸出。最后，通過圖神經(jīng)網(wǎng)絡對這些輸出進行聚合，以得到最終的預測結果。同時，如果需要，也可以通過添加基礎算法算子的方式，將其它訓練好的基模型加入到預測大模型中，進行圖神經(jīng)網(wǎng)絡的匯聚，而不需要修改其它的基模型和層次網(wǎng)絡，以及圖神經(jīng)網(wǎng)絡的結構。得益于此，重介密控算法模型具備強大的自學習能力。它可以吸收各種結構化生產(chǎn)數(shù)據(jù)，持續(xù)自我更新，迭代出新的算法模型，以適應生產(chǎn)條件的改變，并能夠在眾多選煤廠開展推廣。成效重介密控場景的實踐，是盤古預測大模型技術首次用于選煤生產(chǎn)，對重介密控參數(shù)的預測為行業(yè)首創(chuàng)，效果達到了國家《智能化選煤廠驗收辦法》智能分選的要求。該技術的應用有效保證了產(chǎn)品質(zhì)量，提高了精煤產(chǎn)率。焦化配煤焦炭是焦化行業(yè)煉焦的產(chǎn)物，煉焦是煤炭加工產(chǎn)業(yè)的重要部分。近年來，由于上游煉焦煤資源稀缺和價格上漲，以及下游鋼廠對焦炭高質(zhì)量和穩(wěn)定性的要求提高，給焦化廠帶來了巨大的成本壓力。焦化廠的成本中，配煤成本占80%以上，傳統(tǒng)配煤技術依賴人工經(jīng)驗，只有幾個固定函數(shù)關系，實現(xiàn)成本和質(zhì)量兼顧，具有挑戰(zhàn)性。為了解決這些問題，我們通過礦山大模型構建人工智能配煤系統(tǒng)，實現(xiàn)了智能配煤，提高了配煤的準確性和穩(wěn)定性，達到了降本增效的目標。挑戰(zhàn)煉焦生產(chǎn)的煉焦煤煤種多雜，其中焦煤和肥煤品質(zhì)較好，但稀缺且價格較高，占煉焦煤比重僅約1/3。實際生產(chǎn)中需要通過配煤，將多煤種按適當比例配合，這直接影響到煉焦主要產(chǎn)品焦炭的

質(zhì)量。然而，焦炭質(zhì)量的預測目前主要依賴于人工經(jīng)驗或小焦爐試驗。人工經(jīng)驗配煤易導致質(zhì)量波動，難以沉淀配煤經(jīng)驗。小焦爐試驗時間長達1-2天，且只能做定性分析。同時，人工配煤在成本和質(zhì)量之間往往難以實現(xiàn)最優(yōu)平衡，為保證質(zhì)量達標，原料煤配比趨于保守，從而增加煉焦異明顯，僅憑人工經(jīng)驗難以及時調(diào)整配煤結構，這限制了用煤范圍的擴大。方案焦化配煤智能化核心要解決三個目標，即焦炭質(zhì)量預測、配煤比例優(yōu)化和自動配比，我們提出的方案與重介密控場景類似，基于預測大模型能力訓練出焦炭質(zhì)量預測模型，但為了快速獲得配煤的最優(yōu)解，還需要構建求解模型來計算，解決方案如下圖所示：煤化度數(shù)據(jù)灰成分數(shù)據(jù)黏結性數(shù)據(jù)其他檢驗數(shù)據(jù)（焦化廠）（焦化廠）中心云業(yè)務智能多域協(xié)同決策業(yè)務系統(tǒng)人工智能使能原料煤/配煤數(shù)據(jù)數(shù)據(jù)加密脫敏云上數(shù)據(jù)管理數(shù)據(jù)整合工藝數(shù)據(jù)對象存儲服務OBS求解模型一站式AI平臺模型構建特征工程數(shù)據(jù)預處理機理&經(jīng)驗冷強和熱強指標數(shù)據(jù)基本組成成分指標數(shù)據(jù)焦炭數(shù)據(jù)API接口焦炭質(zhì)量預測配煤比例優(yōu)化 自動配比銷售數(shù)據(jù)庫存數(shù)據(jù)運營數(shù)據(jù)焦化配煤模型部署到焦化廠邊緣節(jié)點的焦化配煤業(yè)務系統(tǒng)，首先將運營數(shù)據(jù)、焦炭數(shù)據(jù)、原料煤、配合煤及工藝參數(shù)等結構化采集、處理、整合，然后以脫敏加密的方式上傳到中心云的對象存儲中，用于訓練焦化配煤模型和預測焦炭質(zhì)量使用，業(yè)務系統(tǒng)在生產(chǎn)過程中調(diào)用中心的API接口，實時獲取焦炭質(zhì)量預測、配煤比例優(yōu)化和自動配比結果，以實現(xiàn)配煤的智能化。為獲得質(zhì)量和成本平衡的最優(yōu)解，要考慮所有配煤場景的制約因素和動態(tài)變量的交叉及融合,非常復雜。求解模型將運籌學和AI相結合，可以根據(jù)上傳數(shù)據(jù)結合配煤師配比方案高效計算出優(yōu)化配比，并結合焦化配煤預測模型，生成優(yōu)化前后兩個方案產(chǎn)出焦炭的質(zhì)量指標，由配煤師確認結果，并決定最終下發(fā)生產(chǎn)的配煤方案。成效以礦山大模型為基礎建設的智能焦化配煤系統(tǒng)，應用于煉焦廠后，切實達到了降本增效目標，煉焦配比驗證時間從1至2天縮短至1至2分鐘，平均每噸配合煤成本可節(jié)約數(shù)元。同時，通過端到端的數(shù)據(jù)的打通、采集、存儲，為焦化廠提供了可追溯、可分析的數(shù)據(jù)，為原料煤采購、煤種選擇和煤質(zhì)評估提供了數(shù)據(jù)支撐。此外，該系統(tǒng)還輔助了新配煤師快速上崗，擴展了老配煤師的思路，提升了煤種選擇的廣度。數(shù)據(jù)安全和模型安全實踐礦山大模型涉及大量的訓練數(shù)據(jù)，同時也會累積眾多場景化模型，這些數(shù)據(jù)和模型都是礦山企業(yè)們構建了安全保障方案，包括以下方面：

數(shù)據(jù)采集：數(shù)據(jù)生產(chǎn)和采集環(huán)節(jié)的數(shù)據(jù)體量大、種類多、來源雜，需要建立數(shù)據(jù)分級分類管理制度進行管理，對敏感數(shù)據(jù)進行識別和脫敏處理。同時對數(shù)據(jù)中可能存在的含偏樣本、偽造樣本、對抗樣本實現(xiàn)過濾，從而保障數(shù)據(jù)生產(chǎn)安全。數(shù)據(jù)傳輸：數(shù)據(jù)傳輸過程，需要采用安全傳輸協(xié)議，并對數(shù)據(jù)進行加密處理，保障數(shù)據(jù)傳輸安全。數(shù)據(jù)存儲：運用高效的加密算法對數(shù)據(jù)進行加密存儲，防止未經(jīng)授權訪問、修改或破壞數(shù)據(jù)等安全問題。部署密鑰管理服務，實現(xiàn)密匙全生命周期安全管理。同時通過集群容災、數(shù)據(jù)備份和硬盤保護等多種策略保障數(shù)據(jù)存儲安全。數(shù)據(jù)訪問：采用多因子認證機制，對用戶身份進行驗證和授權，防止因為數(shù)據(jù)的惡意非法訪問，而導致數(shù)據(jù)泄露、竊取、濫用等嚴重后果。數(shù)據(jù)使用：針對數(shù)據(jù)使用的安全問題，可采用數(shù)據(jù)匿名化、數(shù)據(jù)脫敏等技術，保障數(shù)據(jù)在授權范圍內(nèi)被訪問、處理，防止數(shù)據(jù)竊取、隱私泄露、損毀等安全問題發(fā)生。數(shù)據(jù)銷毀：采用數(shù)據(jù)關聯(lián)銷毀、軟銷毀與硬銷毀結合的方式，徹底銷毀或刪除數(shù)據(jù)，防止數(shù)據(jù)銷毀不徹底、數(shù)據(jù)內(nèi)容被惡意恢復等情況。模型加密防竊?。菏褂脤ΨQ加密算法對參數(shù)文件或推理模型進行加密，使用時直接加載密文模型完成推理和訓練。模型動態(tài)混淆技術防竊?。菏褂每刂屏骰煜惴▽δＰ偷慕Y構進行改造混淆，使得混淆后的模型即使被竊取，也不會泄露真實的結構和權重。在模型使用時，只要傳入正確的密碼或者自定義函數(shù)，就能正常使用模型進行推理，且推理結果精度無損。

模型防攻擊：通過對抗樣本監(jiān)測和對抗訓練，提升模型安全性。同時，通過差分隱私訓練、抑制隱私保護機制，減少模型隱私泄漏的風險。礦山大模型最佳運營實踐目標與挑戰(zhàn)礦山大模型具備巨大潛力，需要通過持續(xù)迭代和不斷進化去挖掘。這就要求礦山企業(yè)必須重視對礦山大模型的持續(xù)運營，構建起常態(tài)化運營體系。日常，能夠根據(jù)業(yè)務需求，快速生成滿足要求的算法模型，促進礦山企業(yè)降本增效和安全生產(chǎn)。同時通過智能化管理，實現(xiàn)從事后被動管理向事前主動管理的轉型，并不斷擴展在眾多領域的應用，以提升企業(yè)的科技影響力，促進企業(yè)數(shù)字化轉型。礦山大模型在礦山開展運營實踐，面臨著一系列的挑戰(zhàn)。首先，推動礦山大模型在集團（山東能源）下屬眾多廠礦應用，并與各領域生產(chǎn)經(jīng)營業(yè)務深入結合，需要新建立強有力的運營組織進行保障。其次，礦山企業(yè)缺少AI專業(yè)人才，伴隨礦山大模型深入應用，這需要做好運營規(guī)劃，評估人才缺口，建立起有效培訓機制，同時，也要注重引入外部優(yōu)秀資源，幫助企業(yè)完善智能化能,

為更多業(yè)務應用賦能，仍需要廠商（華為）的專業(yè)支持，從技術、產(chǎn)品、方案方面給予專家指導。最后，礦山大模型在建設和運營期間，會沉淀、積累大量數(shù)據(jù)和模型，底層L1層大模型會不定期升級，L2層眾多場景化模型需要持續(xù)構建、迭代訓練和對外提供服務，需要建立起模型運營機制，以有效運營管理這些資產(chǎn)。運營組織體系建設實踐為保障礦山大模型運營工作的開展，我們建立了運營組織，由集團公司（山東能源）、運營公司（云鼎科技）、華為共同組成。集團公司負責運營的總體統(tǒng)籌和決策，提供智能化場景支持、業(yè)務專家指導和集團政策支持；運營公司作為運營主體，負責運營的日常管理、工作開展、運營場景模型的開發(fā)和交付；華為提供輔助運營支撐，參與到運營管理中，為運營公司持續(xù)賦能，提供技術專家支撐。組織構成和責任分工如下圖：業(yè)務拓展組 持續(xù)運營組 服務監(jiān)控臺 云服務運維組 網(wǎng)絡運維組業(yè)務拓展組 持續(xù)運營組 服務監(jiān)控臺 云服務運維組 網(wǎng)絡運維組構成單位：運營公司（云鼎）構成單位：運營公司（云鼎）構成單位：運營公司（云鼎）構成單位：運營公司（云鼎）構成單位：運營公司（云鼎職責：場景拓展、業(yè)務協(xié)職責：解決方案設計、技術職責：巡檢監(jiān)控、故障受職責：平臺運維，保障應職責：網(wǎng)絡、安全運維調(diào)和滿意度管理等 支持、模型訓練、使用、管理理和跟蹤、服務質(zhì)量管理用安全可靠運行和持續(xù)優(yōu)化組網(wǎng)方案輸出運營經(jīng)理構成單位：運營公司（云鼎職 責：運維中心總體管運營經(jīng)理構成單位：運營公司（云鼎職 責：運營中心總體管運維中心運營中心責：技術團隊管理和能力建設職技術管理辦公室TMO構成單位：運營公司（云鼎）/項目管理辦公室PMO構成單位：集團（山東能源）/（云鼎）/職 責：整體運作與管理人工智能管理中心圖8礦山大模型運營組織構成和責任分工專業(yè)服務體系建設實踐在運營實踐中，華為打造了一套礦山大模型專業(yè)服務體系，開展輔助運營，幫助集團（山東能源）和運營公司（云鼎科技）構建起礦山大模型的持續(xù)運營能力。具體如下圖所示：基礎運營 產(chǎn)品運營 客戶運營 基礎運營 產(chǎn)品運營 客戶運營 安全運營 數(shù)據(jù)運營運營支撐伙伴運營運營體系規(guī)劃應用/模型遷移支持服務應用/模型開發(fā)支持服務一站式AI平臺開發(fā)支持服務生態(tài)發(fā)展數(shù)據(jù)圈層院士引入展廳策劃沙龍/大賽圓桌座談產(chǎn)業(yè)峰會產(chǎn)業(yè)圈層（技術支持） 礦山大模型技術支持訂閱 務 （技術支持） 礦山大模型技術支持訂閱 務 L2場景化模型開發(fā)L1行業(yè)大模型開發(fā)煤炭行業(yè)AI咨詢設計人才培養(yǎng)人工智能總裁班工業(yè)智造專家班人工智能專家班人工智能高研班開發(fā)者培訓師資培養(yǎng)運維客戶支持及專項服務運維駐場服務華為云人工智能工作級開發(fā)者認證華為云人工智能入門級開發(fā)者認證專業(yè)服務具體被劃分為五個類別:基礎運營、產(chǎn)業(yè)賦能、人才培養(yǎng)、生態(tài)發(fā)展和運維?；A運營是礦山大模型運營的基本內(nèi)容；產(chǎn)業(yè)賦能為礦山企業(yè)提供專項技術支持，以促進企業(yè)利用大模型的能力；人才培養(yǎng)包括認證體系和培訓班，旨在培養(yǎng)和識別人才，并賦能集團和運營公司的各層人員；生態(tài)發(fā)展則是與外部建立連接，以獲取外部運營支持，擴大行業(yè)視野，實現(xiàn)跨領域合作；運維服務可以由華為提供駐場支持，為礦山大模型的正常運行保駕護航。礦山大模型并非一成不變，而是持續(xù)在進化。首先，L1層大模型是經(jīng)過華為預訓練而來，在系統(tǒng)中體現(xiàn)為開發(fā)套件，是訓練L2層場景化模型的基礎。L1層大模型會不定期迭代升級版本，以持續(xù)提升礦山大模型的能力。L1層大模型迭代更新后，需要使用新版開發(fā)套件，對已有L2層場景化模型重新訓練，并下發(fā)使用，因此影響范圍較大。然后，L2層場景化模型，不僅受開發(fā)套件迭代影響，為了實現(xiàn)邊學邊用，降低誤識別和誤告警率，并提高模型精準率，同樣需要定期迭代升

營工作的重點，需要建立工作機制進行規(guī)范。經(jīng)過實踐，我們建議的工作機制如下表：階段建議工作階段建議工作迭代流程發(fā)起知會相關生產(chǎn)單位，反饋本周期內(nèi)新場景樣本、難例樣本等數(shù)據(jù)樣本收集各相關生產(chǎn)單位，將數(shù)據(jù)反饋給運營公司（云鼎），運營公司做好數(shù)據(jù)收集，版本歸檔樣本標注運營公司（云鼎）將收集的樣本數(shù)據(jù)，按AI場景類別，進行數(shù)據(jù)標注新增樣本收集到訓練數(shù)據(jù)集運營公司（云鼎）需將標注好的數(shù)據(jù)集，分類匯總，及時歸納到訓練數(shù)據(jù)集啟動訓練運營公司（云鼎）協(xié)調(diào)好中心云訓練資源后，啟動訓練，如果是L1大模型迭代，還需要利用新版本的開發(fā)套件全部重新訓練L2層場景化模型模型評估運營公司（云鼎）需對新版本大模型進行技術評估，如果是L1大模型迭代，需驗證基于此版本訓練的L2模型是否能覆蓋新場景、新難例數(shù)據(jù)版本歸檔運營公司（云鼎）對當前大模型版本修復情況進行說明，并做好歸檔推廣使用運營公司（云鼎）應在后續(xù)L2層場景化模型訓練時，據(jù)實按需選擇最新版本的開發(fā)套件進行訓練礦山大模型最佳商業(yè)實踐生、合作共贏山東能源訴求·深化機械化換人、自動化減人，建設一批智能化示范煤礦山東能源訴求·深化機械化換人、自動化減人，建設一批智能化示范煤礦·持續(xù)推動智能化建設提檔升級礦山企業(yè)（山東能源）應用盤古大模型，為數(shù)字化、智能化轉型提速增效華為礦山企業(yè)（山東能源）應用盤古大模型，為數(shù)字化、智能化轉型提速增效華為盤古大模型平臺、算力、技術提供商第三方技術公司（云鼎科技）盤古大模型煤炭行業(yè)華為訴求與大模型能力相結合，重塑千行萬業(yè)，成為各組織、企業(yè)、個人的專家助手云鼎科技訴求·打造一流的能源行業(yè)數(shù)字化解決方案提供商·成為煤炭行業(yè)的“寶信”礦山企業(yè)（山東能源）的定位山東能源是礦山大模型方案的投資方，其對煤炭行業(yè)的需求和痛點是實踐開展的前提，同時也是實踐成功的受益者。山東能源高層領導全力支持

了礦山大模型的實踐，關注礦山大模型的價值、商業(yè)模式和風險控制，明確將礦山大模型作為企業(yè)智能化升級轉型重點建設方向；各級領導積極推動，實地考察大模型成功案例，論證技術大方向可持續(xù)，梳理痛點需求，選取典型落地場景；山東能源積極的態(tài)度和合作精神，為實踐的成功提供了有力保障，通過實踐也為煤炭行業(yè)提供新的解決方案和發(fā)展方向。華為的定位華為是礦山大模型平臺的提供商，提供超大規(guī)模人工智能模型訓練平臺和先進的基礎設施，專注礦山大模型的產(chǎn)品研發(fā)、升級，提供大規(guī)模算力，完成海量數(shù)據(jù)的預訓練，持續(xù)開展前沿技術探索和研究，保持大模型平臺的先進性。華為提供算力平臺、云服務、開發(fā)套件和專業(yè)服務等完整的AI生產(chǎn)鏈，積極尋求與深耕行業(yè)的服務商合作，將行業(yè)知識know-how與大模型能力相結合，通過合作共贏，為行業(yè)客戶創(chuàng)造價值，攜手做大、做強行業(yè)市場。第三方技術公司（云鼎科技）的定位云鼎科技是礦山大模型實踐的服務提供商，在實踐中，云鼎科技充分發(fā)揮自己對行業(yè)深刻理解的優(yōu)勢，幫助華為開發(fā)礦山定制化的解決方案，并提供了專業(yè)的技術支持，使山東能源能夠有效地應用礦山大模型。云鼎科技依靠華為在人工智能、大模型上的平臺賦能、技術賦能，專注于打造大模型L2層場景化方案，不斷挖掘煤炭行業(yè)需求，幫助山東能源用好、用深大模型，幫助華為識別實踐中有價值的需求，促進盤古大模型持續(xù)的技術創(chuàng)新。同時在礦山大模型的實踐過程中，云鼎科技以盤古大模型作為自身產(chǎn)品智能化的基座，孵化行業(yè)通用解決方案，深化與華為的伙伴關系，共同推進行業(yè)市場的拓展，努力向打造一流的能源行業(yè)數(shù)字化解決方案提供商邁進。

型落地途徑大模型的大參數(shù)、大數(shù)據(jù)、大算力特性，注定礦山大模型高投入的特性，針對行業(yè)客戶特點，華為提供了三種礦山大模型落地途徑：途徑一：大型礦業(yè)集團企業(yè)“自己做大廚”大型礦業(yè)集團企業(yè)（山東能源）擁有龐大的數(shù)據(jù)資源，面臨各類嚴格的行業(yè)監(jiān)管，對數(shù)據(jù)安全有著較高的要求，建設私有化部署的礦山大模型可以充分利用企業(yè)數(shù)據(jù)，沉淀行業(yè)經(jīng)驗，提升自身智能化能力，從而在市場競爭中占據(jù)優(yōu)勢地位。礦山大模型在山東能源的實踐過程中，山東能源在中心全套投建了華為云Stack云底座、礦山一站式AI平臺，本地化部署了L1層礦山大模型，由第三方技術公司（云鼎科技）、華為共同面向業(yè)務領域建設L1場景工作流和定制行業(yè)開發(fā)套件，并訓練生成L2層場景化模型，分發(fā)、部署推理模型到礦山端側，輔助實際生產(chǎn)。途徑二：大型礦業(yè)集團企業(yè)自加工“預制菜”不同于途徑一，不支持礦山企業(yè)自主開發(fā)L1場景工作流，第三方技術公司采用華為預制的L1場景工作流和通用開發(fā)套件，幫助礦山企業(yè)完成L2層場景化模型的訓練、開發(fā)，幫助礦山企業(yè)完成L2層場景化模型的訓練、開發(fā)，部署