“进去的是垃圾，出来的也只能是垃圾”。刘合院士在讲座中反复强调一个关键区分：数据与信息不是一回事。“我们历史上得到的相当一部分是信息，而不是数据。”

他解释，数据是未经加工的原始事实，是真相；信息则是经过人为解释后的产物，“信息不一定是事实”。在当前的油气系统中，大量数据需要经历采集、上报、整理等环节。采集设备与技术的限制、人为因素的干扰，都会使数据与真实的地下原始面貌产生偏差。

“因为这些因素的干扰，数据与信息之间就会产生很大的差异。”这种偏差在自动化程度不高的环节尤为突出，直接影响了后续模型训练的精度和可靠性。

刘合用一句经典警示语总结：“垃圾进，垃圾出。” 上游数据不可靠，下游所有应用都会出问题。

除了数据质量，数据孤岛是油气行业AI转型面临的第二大难题。
刘合指出，油气行业的勘探、开发、生产等数据分属不同部门和单位，共享机制尚不完善。保密数据有严格的访问限制，商业数据的确权也需要长时间探索。

“这些问题极大制约了人工智能大模型的训练和行业应用。”他呼吁，政府层面应牵头，与企业协同，建立高质量的数据集和统一的数据共享平台。这将是新疆能源AI发展的基础性工程。

为了说明如何破解数据困境，刘合分享了团队的亲身经历——岩石薄片鉴定。

面对海量的历史地质薄片图像，团队请了二十多位老专家，对照当年的报告逐一重新标定：哪些标注准确、哪些需要修正。这一过程历时五年，才将AI识别准确率从95%提升至99.8%，并推动形成了国家标准。

“这个过程很苦，但没有高质量的数据集，就没有后来解决问题的产品。”

在他看来，油气AI要真正落地，必须先过数据治理这一关：

• 对现有业务数据进行标准化清洗，打通多系统壁垒，让数据先“能用”；

• 聚焦核心业务痛点，小范围搭建专属数据集，快速落地验证，再迭代扩展；

• 整个过程提前做好数据脱敏与授权追溯，避免后期因合规问题返工。

刘合提出，油气行业AI落地需要四维协同发力：

1. 夯实数据：建立高标准治理体系，破解“无米之炊”；

2. 优化模型：深化行业知识注入，消除“水土不服”；

3. 升级算力：提升基础设施效能，突破“动力瓶颈”；

4. 放大规模：运用云计算方法论汇聚资源，解决落地难、推广慢的问题，最终实现指数级效能变革。

刘合院士的这场分享，发生在新疆——国家重要的油气生产基地。新疆坐拥丰富的油气资源，是国家能源供给的坚实支撑。在“人工智能+”的时代浪潮下，新疆能源产业能否率先完成数据治理、打破数据孤岛，直接关系到区域AI竞争力和国家能源安全。

从全国范围看，油气行业智能化转型普遍面临“数据多但不好用、系统多但不互通”的困境。刘合提出的“四维协同”方案，不仅适用于新疆，也为国内其他能源基地提供了清晰的行动路径。

值得注意的是，他反复强调的“数据与信息的区分”，提醒行业避免一个常见误区：不要以为信息化就是数字化，更不要以为有了海量数据就自然拥有了大数据能力。真正的“大数据”，前提是高质量、可共享、可计算的数据资产。

可以预见，未来几年，谁能在数据治理上下苦功夫、真功夫，谁就能在油气AI的赛道上赢得先机。正如刘合所言：“这个过程很苦，但没有高质量的数据集，就没有后来解决问题的产品。”