过去几年石油和天然气行业面临来自方方面面的挑战,尽管如此,为了使上游和下游业务都处于领先地位,该行业不得不继续在超级计算资源上大举支出。
全球超级计算500强榜单中就有很多石油和天然气超级巨头。意大利埃尼公司的HPC5位列第9位、沙特阿美公司的Dammam-7位列第11位,Ghawar位列第19位,法国道达尔公司的Pangea III位列第21位,仅在前25强中就有这么多的石油和天然气巨头,而且这些仅仅是冰山的一角,只是进行了基准测试并有性能指标记录的系统。
TGS公司的Keith Gray表示,即便是拥有这样的超算资源,如今勘探、新站点开发、地震成像和生产仍然需要更多算力。“由于计算能力的限制,我们有很多本来可以推动更高成像分辨率以及全新地震采集技术的想法在当下仍然是无法实现的。我们有算法来提高计算的准确性,所有这些能力意味着高性能计算对我们来说是至关重要的。”
Gray本身在石油和天然气超级计算界享有盛誉,此前他在BP公司负责计算基础设施投资工作有3年多时间,之后加入TGS担任顾问到现在。他指出,石油和天然气行业出现了一些新的趋势,这些趋势可能会对上游和下游的HPC支出产生影响。
鉴于行业性限制,石油和天然气行业的目标是提高从发现到生产这一整个链条的效率,而这在当下意味着要很好地利用现有投资。他解释说,最重要的趋势之一,是以基础设施为主导的探索。
“这是发现新资源和延长重要基础设施投资寿命的潜在途径。”从本质上讲,这利用了在关键领域的探索工作,并将其推广到周边领域。“将会减少无目标的探索,相反,这些以基础设施为主导的探索将是非常惊喜地,随着时间的推移是可以重复的。”
他补充说,展望未来,除了地震建模和油藏模拟对算力有要求之外,还有机器学习的使用也意味着内存带宽将是未来最重要的挑战之一。Gary表示,目前机器学习技术已经被很好地用于增强传统的石油和天然气应用。
最近,Hyperion Research(前身为IDC高性能计算部门)首席执行官Earl Joseph在高性能计算用户论坛上表示,今年地理科学领域在服务器上的支出预计将达到86.65亿美元,这一数字自2016年到2019年来一直在稳步增长,虽然2020年因为疫情的影响增长并不明显。“展望未来,我们预计石油和天然气行业在这方面的支出将稳定增长,但到2025年将基本持平”,这主要是由于他提到的设备更新相关的、预期内的周期。
Joseph表示,处理器和加速器阵容日益多样化,石油和天然气领域的系统规模也在不断扩大。每家公司都有不同的系统设计策略,有些采用高端的GPU加速器,有些则只使用了CPU。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。