能源巨头们面临着来自政府和消费者有关减少碳排放的巨大压力。对于跨国石油和天然气公司壳牌(Shell)来说,人工智能可能是实现这一长期目标的关键催化剂。
壳牌公司总部位于英国伦敦,这家能源巨头在混合云平台和Databricks数据湖库的推动下,正在进行持续的数字化转型,其中涉及到人工智能等多种技术,旨在优化业务效率和利润,并随着时间的推移减少碳排放。
“人工智能已经成为我们整体数字化转型之旅的一个核心部分,”壳牌公司人工智能负责人Dan Jeavons这样表示。他指出,壳牌与包括微软和C3.ai在内的多家人工智能公司展开合作,不过早在20215年开始壳牌公司就一直与Databricks保持密切合作,有大约20名Databricks员工专门服务壳牌这个客户。
Jeavons在壳牌担任计算科学和数字创新副总裁仅六个月时间,是壳牌前数据科学总经理,自2015年以来一直深耕数据科学领域。
他在这个新职位上直接汇报给壳牌集团首席信息官Jay Crotts,他的任务是利用人工智能以及区块链、物联网、边缘计算等新兴技术,彻底改革壳牌的未来技术战略,并帮助引导减少碳排放、在2050年成为净零排放能源企业的承诺。
Gartner AI分析师Anthony Mullen表示,壳牌实施的AI战略超出了其他大多数公司正在做的事情。他在提及壳牌创立的卓越中心和加入OpenAI的举动时表示:“壳牌在跨整个组织的试水方面,已经走在了前沿。”
Jeavons的团队有数百名数据科学家在使用AI(主要在Databricks基于Spark的平台上)编写算法,来执行任务例如改善地下处理周期时间、优化资产性能、预测各种设备可能何时出现故障、改善交付给客户的产品等。
他说:“鉴于气候变化所带来的威胁,我们需要转向采用更低碳的能源系统,而数字化在这方面发挥着关键作用。”他指出,很多二氧化碳监测数据流流经Databricks AI平台,“数字技术是我们可以拉动的、显著减少能源系统二氧化碳排放的核心杠杆之一。”
据Jeavons称,壳牌使用数字技术将一个液化天然气(LNG)设施每年二氧化碳排放量减少了130千吨——相当于一年路上行驶的汽车减少了28,000辆。
“很多为我们工作的人都有一种令人信服的目标感,他们真的是在用AI来试图加速能源转型,但是我知道这并不容易。”
数据是基石
作为数字化转型的一部分,壳牌采用微软Azure和AWS这两种公有云、Docker和Kubernetes容器化技术,用于运行越来越先进的工作负载,以支持壳牌规模达2100亿美金的石油和天然气业务。
Dan Jeavons,壳牌计算科学和数字创新副总裁
Jeavons说,该战略的一个关键方面就是壳牌的基础数据层——不同工具和技术都可以从这个池子中系统地访问数据。
他说:“双云战略意味着你需要在管理和集成数据方面保持一定的一致性。当然,现在并不是所有的数据都会放在同一个地方,你有各种各样的数据库,大家都是如此。但从分析的角度来看,我们越来越多地将某些类型的数据整合到基于Databricks的集成湖架构中。”
在分析方面,壳牌将数据集成到Databricks Delta Lake的公共层中,并在公共平台中使用Python允许简单查询,以及集成了Power BI等可视化工具的典型报告查询。
但是在AI方面,这么做“让你可以在同一平台上运行各种机器学习工作负载。对我来说,这是向变革迈出的一步。”
例如,壳牌已经将所有全局时间序列数据(例如温度、压力、特定设备等信息)集成到基于Delta Lake的公有云中,让壳牌能够掌握全球大多数全球资产的情况,包括来自炼油厂、工厂、上游设施、风电场和太阳能电池板的数据。Jeavons说:“如今我们已经聚合了1.9万亿行的数据,这在全球范围内来说是一个庞大的数字。”
壳牌的人工智能举措还包括通过使用机器视觉识别来发现出现腐蚀的情况,以进行性能故障预测和能源资产完整性评估。Jeavons说:“我们还使用AI开发可以优化资产、使其大规模运行更有效、根据历史表现进行优化的技术。”他还支出,虽然壳牌的大多数AI举措都是依靠数据湖的实施,但是如果没有云的话,这一切都无法实现。
“关键是云的不断成熟,以及我们可以减少中间层以便直接提取来自工厂的数据,并将这些数据输送到云中,这对于推动数据分析和人工智能战略来说是很有帮助的。”
展望未来
壳牌总共拥有大约350名专业数据科学家和大约4000名专业软件工程师,他们远程工作,或者在壳牌位于印度班加罗尔、英国、荷兰或者美国德克萨斯州休斯顿之一的中心办公。
除了云和数据湖之外,壳牌还采用了微软Azure DevOps等高级开发工具,将GitHub集成到开发人员的工作模式中。Jeavons说,他们还将针对云部署更成熟的代码筛选工具,运行“适当的”CI/CD工作流程,并利用AI作为远程监控中心的一部分来监控全球10000台设备。
但最重要的是开发一个通用的数据湖,为壳牌提供“一个集成的数据层,以一致的方式提供跨业务的所有数据的可见性”。
他说:“我们是Delta的早期采用者,在相当长一段时间里它还是概念验证模式,而不是大规模负载部署。在过去的18个月里,我们看到了进展,而且我们一直在努力。”
然而,变革管理仍然是壳牌面临的最大挑战之一。
“你如何把技术嵌入到业务流程里,并让它发挥效用,成为日常工作的一部分,并且开发有效的算法?我要说,这是很难的,但很重要。大规模采用[AI]更加困难。这仍然是一段旅程,我们已经取得了一些进展,但还有很多工作要做。”
好文章,需要你的鼓励
北京大学研究团队开发出基于RRAM芯片的高精度模拟矩阵计算系统,通过将低精度模拟运算与迭代优化结合,突破了模拟计算的精度瓶颈。该系统在大规模MIMO通信测试中仅需2-3次迭代就达到数字处理器性能,吞吐量和能效分别提升10倍和3-5倍,为后摩尔时代计算架构提供了新方向。
普拉大学研究团队开发的BPMN助手系统利用大语言模型技术,通过创新的JSON中间表示方法,实现了自然语言到标准BPMN流程图的自动转换。该系统不仅在生成速度上比传统XML方法快一倍,在流程编辑成功率上也有显著提升,为降低业务流程建模的技术门槛提供了有效解决方案。
谷歌宣布已将约3万个生产软件包移植到Arm架构,计划全面转换以便在自研Axion芯片和x86处理器上运行工作负载。YouTube、Gmail和BigQuery等服务已在x86和Axion Arm CPU上运行。谷歌开发了名为CogniPort的AI工具协助迁移,成功率约30%。公司声称Axion服务器相比x86实例具有65%的性价比优势和60%的能效提升。
北京大学联合团队发布开源统一视频模型UniVid,首次实现AI同时理解和生成视频。该模型采用创新的温度模态对齐技术和金字塔反思机制,在权威测试中超越现有最佳系统,视频生成质量提升2.2%,问答准确率分别提升1.0%和3.3%。这项突破为视频AI应用开辟新前景。