收益：
- 能够辨别人工智能在地质工程工作流程中哪些地方可以实时节省时间，以及哪些决策应该由工程师负责
- 能够应用一门学科，通过数量级、地质合理性和现场证据交叉验证每个人工智能输出
- 认识到歧义、幻觉和数据隐私的风险，并养成通过匿名上下文设置安全提示的习惯。
地质工程是一个我们永远无法完全看到地下真相的职业。一个钻孔只能对数公里土地上的一厘米部分进行采样；地球物理剖面是间接阴影；地图是对观察结果之间差距的解释。这就是为什么地质学是一门本质上充满不确定性的学科。人工智能（AI；从大数据模式中学习并生成文本/图像/数字的软件系统）是管理这种不确定性的强大工具，但它也是一种可以危险地隐藏相同不确定性的工具。该单元为构建整个模块奠定了两个基础：人工智能在地质工作流程中的何处产生真正的价值以及我们如何验证每个输出。
让我们从一开始就明确一点：您在本模块中学到的任何技术都无法取代有能力的地质工程师的签名、现场观察和工程判断。人工智能是助手；读得快，写得快，捕捉模式。但如果斜坡垮塌、大坝基础垮塌，或者矿产储量据报告比实际情况大，责任不在于软件，而在于签署该软件的工程师。您将在模块的每个单元中以不同的形式再次看到这句话，因为这是安全关键工程中的唯一真理。
人工智能在地质工作流程中的哪些地方创造价值？
地质工程师的一周工作大致分为三类：数据准备（测井数字化、现场记录编辑、表格清理）、解释和分析（岩性分类、对比、资源估算、危险评估）和沟通（报告、地图、演示、通信）。人工智能涉及这三个领域，但其贡献和风险各不相同。
数据准备是人工智能最安全、最赚钱的领域。将自由文本核心描述转换为结构化表格、标准化不一致的单位、标记数千行实验室输出中的异常值——这些都是重复性的、基于规则的、易于验证的任务。即使这里出现错误，也需要几分钟时间才能返回源（原始日志）并检查它。
解释和分析领域具有最高的价值和最高的风险。人工智能可以从钻孔部分建议可能的断层几何形状；这可以揭示即使是经验丰富的眼睛也可能会错过的模式。但同一个模型可以自信地拟合一个不存在的地层单元（这种现象称为幻觉：模型产生的信息实际上并不存在，就好像它是真实的一样）。在这个领域，人工智能是假设生成器，而不是决策者。
在通信领域，人工智能是选秀加速器。在几分钟内起草岩土工程报告、文献摘要或电子邮件的方法部分。这里的风险是伪造的来源和不正确的数字可能会在流动文本中未被注意到地溜进签名中。
验证规则：三锚规则
该模块的核心是一个习惯：在未经验证的情况下，不要将任何人工智能输出纳入工程决策中。我们基于三个独立的锚进行验证。
第一个锚点——数量级。结果是否大致在 10 的预期幂范围内？砂含水层的水力传导率通常约为每天米；如果模型给出公里/天，则存在单位或编辑错误，无需详细说明即可理解。石灰石的单轴抗压强度在30-200MPa范围内； 3000兆帕太荒谬了。此检查需要几秒钟的时间并捕获大多数错误。
第二个锚点——地质合理性。输出结果与该油田的地质情况一致吗？如果模型将年轻的冲积层置于海洋石灰岩之下，那么要么存在反向断层（这需要单独证明），要么模型就是废话。地层序列、构造框架和沉积环境是每一种解释都必须通过的合理性过滤器。
第三个锚点——现场证据。这是最强的锚。岩心样品、露头观测、现场验证。将基于测井的岩性解释与取自相同深度的岩心进行比较。通过遥感绘制的蚀变区在现场的几个点进行了样本测试。事实真相总是会获胜。
三个迷你案例：从数字来看
案例 1 — 日志数字化节省时间。一名工程师正在手动对 20 世纪 80 年代的 42 份扫描（纸质）钻孔日志进行数字化；每个日志平均 35 分钟，总共大约 24 小时。通过人工智能驱动的图表工作流程，他将初稿缩短至 6 分钟，将剩余时间用于视觉验证。总时间缩短至8小时左右；关键是把获得的时间花在控制上。
案例 2——捕捉到的幻觉。当一名实习生让人工智能总结一个油田的地层时，文本中包含了“该地区常见图兹拉地层蒸发岩”这句话。现场没有蒸发岩；该模型混淆了另一个盆地的信息。在报告签署之前，地质合理性过滤器（该地区的构造框架不适合蒸发沉积）发现了错误。
情况 3 — 单位错误。在一项来源计算中，模型通过将密度与 2.7 吨/立方米而不是 2.7 克/立方厘米混淆，将吨位输出夸大了 1000 倍（事实上，两者是相等的，但模型的中间步骤不正确，将结果夸大了 1000 倍）。数量级检查——“这个区块不可能是 500 万吨，而是 50 亿吨”——立刻就暴露了错误。
弱提示/强提示
弱提示：
总结该油田的地质情况并评估其矿产潜力。[数据]
强力提示：
您的角色：高级勘探地质学家。仅根据给定的数据解释下面的钻探摘要。 - 请勿添加数据中未包含的任何地层、矿物或年龄。 - 在每条评论旁边用括号显示您所依据的数据行。 - 不确定的地方写上“数据不足”，不要猜测。 - 最后：单独列出 3 个需要验证的假设。数据：【钻井总结】
强烈的提示对模型强加了三件事：坚持来源、承认不确定性以及标记要验证的东西。这并没有完全结束幻觉，但它让它变得可见。
四个可复制模板
1）建立匿名上下文：
我需要地质工程作业方面的帮助。字段名称、坐标和公司信息均为机密；我会给他们一些有代表性的表达方式，比如“Field-A”、“X坐标”。任务：[任务]。只需依赖我提供的技术数据即可。
2）三个锚点验证请求：
对以下输出进行三项检查：1）数量级：每个数字是否在预期范围内？如果不是，请标记。2) 地质合理性：是否存在地层/构造上不一致的主张？3) 验证清单：需要在现场/实验室确认的项目。输出：[文本]
3）加强歧义：
以三个置信度级别给出您的解释：- 高置信度（直接由数据支持）- 中等置信度（合理的推论）- 推测（需要额外数据） 任务：[任务]。数据：[数据]
4）决策/支持区别：
将以下任务分为两部分：A）人工智能可以自信地完成数据/草稿工作B）需要授权工程师批准的决策点任务描述：[定义]
人工智能的作用：按任务类型划分的风险
任务类型
人工智能贡献
风险等级
验证密度
日志/表格数字化
高
低
抽查
岩性初步分类
高
中等
核心+合理性
资源/吨位计算
中等
高
手账+独立
斜坡/基础安全决策
有限
非常高
工程师的全面认可
报告/文献草稿
高
中等
来源确认
危险/灾害评估
有限
非常高
领域+标准+审批
提示：要确定一项任务的风险级别，请提出一个问题：“如果此输出错误，可能发生的最坏情况是什么？”如果答案是“我会损失几分钟”，请轻轻验证；如果“有人可能会受伤”，请将输出视为假设，并将其纳入整个工程过程。
注意：人工智能最危险的特点不是它会犯错误，而是它自信地犯错误。流畅、技术性和整洁的文本并不意味着它是正确的。相信证据，而不是风格。
常见错误
- 将流畅性误认为准确性。无论文本看起来多么专业，事实主张（年龄、形成、数量、来源）都应该经过独立验证。
- 没有按任务类型来衡量风险。以与电子邮件草稿相同的方式查看液化评论。验证规模与潜在危害。
- 不假思索地输入机密现场数据。坐标、等级和储备信息具有商业和法律敏感性；在进入不受控制的车辆之前进行匿名处理。
- 忽略不确定性。仅仅因为模型看起来“自信”并不意味着不确定性消失了；要求提供范围和置信水平，而不是单点估计。
- 误将人工智能用于决策。模型生成假设；由负责的工程师做出决定。
综上所述
- 地质学本质上具有不确定性。人工智能既可以管理这种不确定性，也可以危险地隐藏这种不确定性。
- 人工智能在数据准备方面是最安全、最有利可图的，在解释/分析方面是最有价值但风险最大的，在沟通方面是加速器。
- 每个输出都根据三个锚点进行验证：数量级、地质合理性、现场证据。
- 结果的风险等于它错误时造成的伤害；验证规模相应。
- 在安全关键工程中，人工智能输出永远不能替代授权工程师的批准。
应用任务
列出您在自己的工作中每周完成的五项地质任务（例如日志编辑、关联、报告部分、等级检查、危险符号）。根据本单元中的表格将每个风险级别置于危险级别，并询问“如果错误，会发生的最坏情况是什么？”用一句话回答问题。然后给风险最低的任务写一个强匿名提示并尝试一下；使用三个锚点检查输出，并记下哪个锚点发现了问题。
清单
- [ ] 我可以区分人工智能在地质工作流程中哪些地方产生安全价值，哪些地方产生风险价值。
- [ ] 我获得了用数量级、地质合理性和现场证据来验证每个输出的本能。
- [ ] 通过询问“如果出现问题可能发生的最坏情况是什么？”来确定任务的风险级别。我可以通过问题来确定。
- [ ] 我知道什么是幻觉和不确定性以及如何使它们可见。
- [ ] 我养成了通过匿名化机密字段数据来设置安全提示的习惯。