收益：
- 能够区分人工智能在采矿工程工作流程中哪些地方可以实时节省时间，以及哪些安全关键责任应由有能力的工程师承担，具体取决于风险级别
- 能够实施多层验证规则，根据标准、独立计算和现场测量来测试每个人工智能输出
- 能够匿名化上下文并养成选择安全车辆的习惯，以保护储备数据、许可证信息和人员/生产数据
采矿工程师的工作是将地下的不确定性与地上的决策联系起来。根据钻探数据估算矿体、计算储量、规划矿坑、管理设备群、监测边坡行为、确保职业安全、测量环境影响并根据法律报告所有这些工作。这些工作的共同特点是，它们需要处理大量的测量和数据，但每一个决定都会导致人员伤亡、数百万里拉的投资以及现场不可逆转的环境后果。人工智能（简称AI；利用大数据和语言模型处理文本、数字和图像的软件系统）是这个数据密集型但决策关键领域的强大帮助。本单元教您在采矿中何处安全使用人工智能、何处存在危险，以及为什么必须根据标准、现场测量和工程判断来验证每个人工智能输出。
您将在本模块中使用的中心原则是：人工智能是助手，而不是决策者。品位（矿石中的金属比例）值、倾斜角度、储量数字、安全限值或立法条款并不会仅仅因为“人工智能这么说”就成为事实；在通过测量、参考和有能力的工程师判断来验证之前，这只是一个假设。你会在模块的每个单元中再次看到这句话，因为在挖矿中，错误的数字往往意味着投资的崩溃、斜坡的塌陷或人员的受伤。
什么是LLM？它在采矿业有什么作用？
LLM（大型语言模型）是一种从大量文本中学习模式并根据概率预测“下一个单词”的软件。这是ChatGPT、Claude、Gemini等工具的引擎。重点是：LLM是“语言估计器”，而不是“知识库”。能流利地说采矿术语，但无法衡量等级；产生看起来最有可能的数字。因此，他或她可能会给出关于平均品位、剥离率、监管条款或爆炸极限的自信但不正确的答案。这称为幻觉（虚构）。幻觉并非故障，而是该技术的固有特征；因此，验证不是“额外的步骤”，而是工作的一个组成部分。
AI在挖矿方面的强项任务：
- 概念讲解与教学：什么是变差函数、杠杆法则如何运作、酸性矿山排水如何发生。
- 数据清理和组织：将分散的钻孔日志转化为连贯的表格，捕获单元不匹配的情况。
- 生成一系列假设：系统地列出产量下降的可能原因。
- 编码：使用 Python 进行数据清理、绘图、地质统计和异常分析脚本。
- 文本草案：JSA（工作安全分析）、环境监测报告、招标/技术规范草案。
- 头脑风暴：场景比较、实验/测量计划想法。
人工智能的弱点和风险：
- 给出准确的数值（坡度、储备、坡度、极限值）。
- 当前和具体立法/标准文章和版本信息。
- 无需现场实际测量数据即可诊断。
- 安全关键决策：爆破设计批准、疏散决策、适用性。
基于风险的分类：使用AI之前的过滤器
并非每项任务都处于相同的风险级别。在使用人工智能之前，按风险级别对任务进行分类。下表提供了您将在本模块中使用的决策框架。
风险等级
样本任务
人工智能角色
强制验证
低
概念解释、文本草稿、代码骨架
免费使用
评论就够了
中等
数据清理、假设列表、计算设置
草稿/共同作者
手动控制+来源确认
高
储量估算、坑限、爆破参数
想法生成器
标准+现场测量+软件
批评的
疏散决策、斜坡安全、适用性/适宜性决策
仅草稿/扫描
有能力的工程师批准+认可的测试
提示：如果您将任务标记为“关键”，则 AI 的输出永远不是最终文档。最多可以是一个初步草案或清单；主管工程师签字并承担责任。
端到端流程：将人工智能嵌入到您的工作流程中
采矿中典型的问题解决周期是这样的，人工智能参与每个步骤，但不会单独完成任何一个步骤：
- 定义问题：预测什么，做出什么决定，有什么约束？ （AI：澄清问题。）
- 收集和清理数据：钻井、生产、监测、实验室数据。 （AI：清理和不一致检查能力强。）
- 生成假设/情景：可能的原因、替代计划。 （AI：生成系统列表。）
- 分析：计算、地质统计学、模型、图像处理。 （AI：生成代码和计算虚构。）
- 验证：标准、现场、独立帐户、软件。 （人工智能处于旁观；人类和测量决定。）
- 报告并决定：主管工程师负责。 （AI：起草者。）
牢记这六个步骤；该模块的其余部分将逐步向您展示如何将人工智能用于具体的采矿任务。
三个迷你箱子
案例 1——虚构的平均成绩。实习生向AI聊天工具询问某个铜项目的平均等级； AI 表示“大约 0.65% 铜”。实习生将其写入投资演示中。但AI并没有看到该项目的任何钻井数据；为“铜项目”产生了一个典型的数字。真实价值仅来自项目自身的综合钻井数据和地质统计估算；该项目的实际价值是0.38%。差异是投资看似盈利和亏损之间的差异。正确的态度是永远不要“问”AI的成绩，而是从自己的数据库中计算出来。
案例 2——不存在的监管条款。一位工程师询问 AI 爆破允许的最大地面振动（PPV：峰值粒子速度，mm/s）。 AI 会说“根据规定为 10 mm/s”并组成一个项目编号。工程师相应地撰写报告。检查中发现，该项目编号不真实，且限值根据距离和建筑物类型的不同而变化。正确的态度是从官方渠道打开现行规定，确认其价值和实质。即使人工智能正确地知道了法规名称，它也可能会产生幻觉的物品编号。
案例3——正确使用。一位地质学家怀疑 40 个钻孔的数据集中的品位列存在差异。它告诉人工智能“列出该表中可能存在单位不一致、负值、可见异常值和空单元格的行，并为每个行写下您怀疑的内容；不要更正，只需标记。” AI 标记了几行混合了 % 和 ppm、两个负等级和一个 999 代码值。地质学家根据原始日志一一检查并修正。这里人工智能的使用是正确的：引起注意，人类做出决定和纠正。
可复制的提示模板
您可以根据自己的业务调整以下模板来使用它们。在每一个中，都有一个有意识的指令“给出准确的数字，表明来源，解释不确定性”。
角色和边界模板“角色：你是一名经验丰富的采矿工程师助理。任务：[写主题]。规则：在给出准确数值（品位、储量、限度）时，注明来源；如果不确定，请说“必须验证”。如果给出法规/标准文章，请给出其版本，但提醒必须从官方来源确认。答案末尾写上“需要通过现场测量/计算验证”项按项目。”
假设生成模板“系统地列出以下情况的可能原因：[描述情况；观察到的情况，可用的数据]。对于每个假设：(1) 有哪些证据支持它，(2) 应进行哪些测量或计算来确认/反驳它。做出明确的诊断；制定调查路线图。”
验证清单模板“列出下面报告草稿中的每个数值和每个法规/标准参考。对于每个数值，请指出应验证的来源（自钻数据、监管文本、实验室报告、现场调查）。将来源不确定的收集到“未经验证不得使用”下。文本：[粘贴]。”
匿名化预检查模板“在将以下文本提供给人工智能工具之前，标记商业秘密或个人/监管敏感部分：保留号、许可证号、实际坐标、客户/员工姓名、机密成本数据。建议我如何对这些进行匿名化。文本：[粘贴]。”
弱提示/强提示
用两种方式问同一个问题会产生截然不同的结果。
弱提示：“这个矿的储量有多少？”
强烈提示：“角色：您是助理资源地质学家。解释储量/资源估算需要经过哪些步骤（合成、变异函数、克里金法、分类、经济限制）以及每个步骤需要哪些数据和哪些主管人员的批准。不要给出确切的储量数字；强调这只能根据项目自己的数据计算，并且应在 JORC/UMREK 等代码框架内报告。”
弱提示请AI补；强烈的提示使其保持正确的工作（过程描述）并从一开始就防止数字幻觉的发生。
常见错误
- “询问”人工智能特定于课程的数字，例如成绩、储备等。人工智能不知道你的数据；这些数字仅根据您自己的数据库计算得出。
- 在未确认的情况下使用立法/标准条款。物品的编号和价值经常产生幻觉。
- 基于人工智能输出的安全关键决策。疏散、爆破批准和适用性决定由主管工程师做出。
- 将敏感数据粘贴到云工具中而不进行匿名化。储备、坐标和成本数据属于商业秘密。
- 等待一问一答。迭代地使用人工智能：生成草稿、批评、验证、纠正。
注意：人工智能输出中出现的数字越精确、越可信，验证的必要性就越高。精度并不能保证准确性。
综上所述
在本单元中，您已经看到人工智能是采矿业的助手，而不是决策者。 LLM 是语言预测因子；它在概念解释、数据清理、假设和代码生成方面功能强大，但在产生精确的数字和立法方面存在风险（幻觉）。将任务分类为低/中/高/关键，并相应地调整验证深度。验证来自您自己的数据或现场测量的每个数值，以及来自官方来源的每个监管参考。安全关键决策始终由有能力的工程师做出，并在使用前对敏感数据进行匿名处理。
应用任务
从您自己的企业（或虚构的采矿项目）中选择五个任务：概念描述、数据清理、假设列表、储备/数值和监管问题。将每一项都放入上面的风险表中。然后使用“角色和边界”模板将两个低/中风险任务外包给人工智能，并使用“验证清单”模板标记输出的每个数字/监管元素。写下哪些元素未经验证就不能使用。
清单
- [ ] 在使用任务之前，我将其置于风险级别（低/中/高/严重）。
- [ ] 我根据自己的产量计算了特定领域的数字，例如等级、储量等，而不是询问人工智能。
- [ ] 我已从官方来源验证了每项立法/标准参考。
- [ ] 我对敏感数据（储备、坐标、名称、成本）进行了匿名处理。
- [ ] 我将安全关键决策留给主管工程师批准，而不是基于人工智能输出。
- [ ] 我扫描了AI输出中的每个数值是否为“未经验证不得使用”。