中国网/中国发展门户网讯    深地科学正处于国家重大战略需求牵引、前沿理论突破与研究范式深刻变革相互叠加的关键时期。面向能源与矿产资源安全、重大工程建设、地质灾害防控和地月空间探测等核心任务，其发展亟待突破深部结构与成分的高分辨率探测、跨圈层复杂过程模拟和工程高效决策支撑等方面的能力瓶颈。然而，传统以局部观测、经验解释和单学科分析为主的研究范式，在多源信息融合、复杂过程认知与系统决策等方面已显著受限，难以满足深地科学向深层次发展的需求。人工智能（AI）的快速发展，为突破上述瓶颈提供了新路径，有望推动形成数据驱动与机理认知融合、智能预测与精准决策协同的新型研究范式。

深地科学的科学意义、战略价值及面临的挑战

深地科学内涵与学科特征

深地科学以研究固体地球内部的物质组成、结构特征及其动力学过程为核心，关注其与地表系统的相互作用及资源环境效应，在时间尺度上贯穿地月系统形成以来约45亿年的演化过程，在空间尺度上涵盖矿物晶体、地质单元、构造板块直至地月系统等多层级对象，是认识地球系统深部过程及其表层响应的关键科学领域。其根本任务是揭示地球深部物质循环、能量传递、相变过程及其与地表系统协同演化的规律，理解深部动力过程如何通过板块构造、火山活动、挥发分循环和圈层耦合等机制塑造地表环境、资源分布、地质灾害和宜居性演化格局。

深地科学的突出特征在于研究对象具有显著的“巨复杂性”，单一圈层的研究难以准确刻画深地系统的动力机制与演化过程。一方面，受限于地球深部高温、高压、高应力和强反应性环境，原位长期观测、精确取样和高保真测试极难实现，导致关键数据稀缺，高度依赖多源观测、理论分析和实验模拟的协同；另一方面，深地科学研究面对的是一个强非线性、多尺度、跨介质、跨圈层耦合的复杂系统。传统研究方法虽然能够较好地解释局部过程或单一现象，但在跨尺度、跨圈层、跨场景的一体化建模能力方面，仍存在难以逾越的数理表达和计算鸿沟。面向深地科学前沿，关键已不仅在于提升单点观测或局部模拟能力，而在于如何从复杂系统视角出发，将观测、模型、知识和工程反馈有机融合，构建可持续迭代的认知体系。

深地科学解决的国家需求及面临的挑战

深地科学直接关系国家能源资源安全、关键矿产保障、重大工程建设及防灾减灾等国家核心战略需求。在能源资源安全方面，深层—超深层油气与深部非常规资源正成为重要接替领域，其高效勘探开发高度依赖对深部结构、优质储层分布和地质安全风险的精细认知；增强型地热系统、地下储能与碳封存等新兴领域，同样需要对深部流体运移和长期安全性建立系统性的认识。在关键矿产保障方面，全球能源体系向低碳转型显著抬升了对锂、钴、镍、稀土等战略性矿产的需求，相关供给约束已被认为可能影响能源转型进程。在防灾减灾领域，地震、滑坡等灾害链的孕育与演化受深部应力调整和断层稳定性变化的共同控制；深部工程中的岩爆、突水等工程地质问题则与高地应力环境和水-岩耦合过程密切相关。此外，地球深部探测与月球、火星等深空天体的地下/次表层探测在钻探、感知、建模与原位利用等技术体系上高度共通，正推动着“深地-深空”科技体系一体化发展。

然而，深地科学面临3类具有基础性、长期性和系统性的挑战（图1）。

图1 深地科学当前面临的三重结构性挑战及其典型表现

Figure 1　Three major structural challenges in deep Earth science and their typical manifestations

（a）深部高温、高压环境使直接观测与原位测试极为困难；（b）多源异构的深地观测和解释数据，易形成突出的“数据孤岛”现象；（c）多尺度、强非线性、物理机制和化学反应耦合控制等因素显著增加了深地模型构建与预测的复杂性

(a) Difficulty of direct observation and in-situ testing under high-temperature and high-pressure deep subsurface conditions; (b) Pronounced “data silo” effect arising from multi-source heterogeneous observations and interpretation results; (c) Increased complexity of model construction and prediction caused by multi-scale behavior, strong non-linearity, and coupled physical and chemical processes

挑战1：极端环境下原位观测能力不足。地球深部普遍具有高温、高压、强反应性等极端环境，月球探测亦受限于月表的高真空、强辐射、剧烈的极端温差和地月通信时延等，导致原位长期观测、精确取样和高保真测试难度大，直接观测数据相对稀缺，许多关键认识仍高度依赖间接观测、实验类比和反演解释的综合推断。该方面典型应用场景之一是地月空间的智能探测。

挑战2：多源异构数据融合困难。地质、地球物理、地球化学、遥感、钻探、实验与监测等数据长期呈现来源分散、格式异构、元数据不统一、质量控制标准不一致，以及共享复用机制不健全等问题，从而严重制约了跨平台汇聚、跨学科关联分析和知识发现效率，形成较为突出的“数据孤岛”现象。该方面典型应用场景包括深地资源的智能探测、深地灾害智能感知等。

挑战3：多物理场耦合建模能力薄弱。深部演化过程通常表现为显著的多尺度和非线性，并且受到多种物理机制和化学过程的耦合控制，因此传统以单过程、局部线性近似或静态结构为主的模型，难以在四维时空尺度上充分刻画深部系统的跨尺度演化机制，更难以实现从定性描述向定量预测的转变。该方面典型应用场景包括深地资源智能探测和深地工程智能建造等。

上述挑战表明，深地科学的持续突破不仅依赖探测装备和实验条件升级，也迫切需要系统革新数据基础设施、机理模型与智能分析方法。

人工智能赋能深地科学的研究范式变革与发展态势

研究范式演进与核心方法

21世纪以来，随着超深钻探、井下实时感知、地震层析成像，以及地表遥感监测等技术持续突破，深地科学已积累形成跨时空、多模态、多粒度的大数据体系。传统依赖“局部观测+经验推演”的单一团队模式已难以支撑跨学科的重大科学突破，平台化协作、跨学科融合与数据密集型研究正成为新常态。

人工智能正推动深地科学从传统的“观测—假说—验证”线性研究流程，向“数据-机理”双轮驱动体系演进，并进一步向“感知—建模—推演—决策—控制”一体化协同发展。其中，“感知—建模—推演—决策—控制”是本文概括人工智能赋能深地科学的通用能力链，后文不同场景中的“认知—预测—决策”“观测—建模—预测—反馈”等表述，均为该链条的场景化表达。其核心价值并非替代物理定理或者地球系统科学机理，而是为地球物理方程、守恒关系和反问题提供更高效的近似、求解与优化路径，从而提升复杂系统的可计算性、可预测性及可靠性。

当前，人工智能赋能深地科学的关键方法体系可概括为5个相互关联的方向。多源异构数据表征与融合。将重、磁、电、震、测井、地球化学、遥感等跨尺度、跨模态观测数据映射至统一表征空间，实现语义对齐、特征互补与协同表征。机理约束与可微建模。借助物理信息神经网络（PINNs）、混合建模与可微物理建模等方法，将波动方程、麦克斯韦方程、流固耦合波方程等控制方程嵌入模型训练与反演过程，增强模型与地质过程及物理规律的一致性。知识增强与可解释推断。以“观测数据—数理模型—领域知识”联合驱动为基础，利用知识图谱、因果推断和可解释学习提升模型在数据稀疏、噪声干扰及解的非唯一性条件下的鲁棒性与推断可信度。多模态基础模型与迁移学习。依托大规模预训练与跨任务迁移机制，推动深地领域由面向特定任务的小样本建模走向更具通用性的表征学习与知识迁移，为跨区域、跨尺度、跨任务的模型复用提供支撑。智能体与闭环决策系统。面向复杂深地反问题与实际工程场景，在不确定性量化、可训练约束算子与多模块协同优化的支持下，将感知、建模、推演、决策与控制有机贯通，推动病态反演由“一次性求解”迈向“可信推断—动态反馈—自主优化”的闭环演进。这是深地科学研究“感知—建模—推演—决策—控制”新范式的体现。

这一范式变革的深层意义，在于推动深地科学由局部现象分析转向复杂系统解析，从事后解释转向解释与预测并重，从既有问题求解转向问题发现与规律识别能力同步提升。

需要指出的是，人工智能在深地科学中的作用首先体现为复杂数据表征、多源信息融合、代理建模、反演加速和辅助决策，而非对物理机理的简单替代。面对样本稀缺、分布漂移显著、标注不完备、极端事件长尾分布和强不可观测性等问题，现有模型在跨区域泛化、因果解释、不确定性量化和工程级可靠性方面仍存在明显局限。因此，人工智能赋能深地科学的关键不在于以算法替代科学问题本身，而在于构建数据、机理、模型和验证闭环协同的新型研究体系。

国际国内的发展态势与竞争格局

人工智能赋能深地科学经历了由“知识驱动”向“数据驱动”、再向“模型驱动与智能体辅助决策”的持续演进。近年来，数字孪生、多模态学习、物理信息机器学习、科学基础模型和智能体技术的发展，正在推动深地科学从“事后解释、离线分析”转向“过程感知、在线认知、实时推演与智能决策”。相关竞争也不再局限于单点算法突破或政策部署，而是逐步转向人工智能就绪（AI-ready）数据资源、领域模型、工业软件、智能装备与工程闭环应用能力的综合竞争。

从国际发展看，美国、欧洲等围绕资源探测、油气开发、地震监测和地下工程等方向，已形成较为系统的技术布局。美国地质调查局（USGS）推动的“地球测绘资源倡议”（Earth Mapping Resources Initiative），重点面向地表与地下地质填图现代化，为资源评价和深部结构认知提供高质量数据支撑；美国国防高级研究计划局（DARPA）部署的“关键矿产人工智能辅助评估计划”（Critical Mineral Assessments with AI Support），旨在发展人工智能与机器学习工具，提升关键矿产评估流程的自动化和效率；“欧洲关键原材料敏捷勘探与地质建模项目”（Agile Exploration and Geo-Modelling for European Critical Raw Materials），则侧重通过创新探测技术和多源数据融合开展欧洲及海外资源潜力评价。在产业生态方面，OSDU®数据平台推动油气与地下资源数据向标准化、云原生管理和可复用共享方向发展；SLB（斯伦贝谢）等国际油服企业也在将智能体技术应用于测井解释、钻井问题预测、设备性能优化和上游业务决策支持等环节。在地震监测与地球物理建模方面，以地震语言模型（SeisLM）为代表的研究开始探索基于大规模开放地震波形数据的自监督预训练和跨任务迁移，推动地震数据处理从任务专用模型向可迁移、可复用的基础模型方向发展。

从国内发展看，人工智能赋能深地科学正在由政策部署和科研探索，逐步走向模型研发、数据建设与场景应用并重。在国家层面，“人工智能+”行动、自然资源数字化治理标准等部署，为深地数据治理、模型训练和场景应用提供了制度基础。在科研层面，国家自然科学基金委员会围绕“人工智能与复杂地球系统”组织双清论坛，凝练人工智能赋能地球系统科学的关键科学问题；中国科学院启动地球科学领域科学数据语料建设工作，推动高质量地球科学语料资源共建共享。在模型方面，地学大语言模型（如K2、GeoGPT、GeoGalactica）和地震基础模型（如SFM、SeisCLIP）等，正在地学知识理解、数据表征、文献问答、知识检索和辅助推理等方面开展探索；中国地震局研发的“谛听”地震波大模型，为地震监测预报领域智能化转型提供了重要技术支撑。在工程应用方面，智能导钻、深地资源电磁探测、地震监测预警、全断面隧道掘进机（TBM）掘进参数优化等场景，正在推动人工智能模型从算法验证走向工程应用和闭环优化。

总体而言，国内外竞争格局正在由政策牵引和单点算法竞争，转向“数据资源—领域模型—工业软件—智能装备—工程闭环”的体系化竞争。国外在行业数据标准和油气工业软件生态方面积累较深，我国在复杂地质条件、重大工程场景和多源观测体系方面具有优势。面向未来，我国应把握人工智能与深地科学深度融合的战略窗口期，围绕深地数据底座、领域基础模型、智能装备协同和场景化示范平台形成体系化布局。

人工智能赋能深地科学发展的重大应用场景

基于国家战略需求、学科前沿突破、技术融合条件与国际竞争格局的综合研判，人工智能赋能深地科学重大应用场景在资源保障、工程支撑、安全防控与认知拓展等4个核心任务方向已呈现快速演进的势头。此外，这4个核心任务也代表4个人工智能赋能的典型场景——人工智能赋能高效决策、人工智能赋能多学科证据整合、人工智能赋能大型工程装备和人工智能赋能极端条件探测。

深地资源智能探测与高效开发

深地资源涵盖深层—超深层油气、关键矿产、地热资源、地下储能与碳封存等，其高效勘查与开发是保障国家能源资源安全和支撑绿色低碳转型的战略基础。深地资源开发的核心难点在于其本质上是一个面向地下复杂系统的认知与决策问题：一方面，勘探开发目标依赖多源、非直接观测信息推断，物理映射与真实地质情况存在偏差；另一方面，深部探测与作业信息往往达到物理传输极限（如依靠泥浆压力的井下信号传输），导致实时响应能力受限；加之，开发成本巨大，对决策偏差的容忍度低。

机器学习、大模型、多模态融合和知识增强技术为破解上述瓶颈提供了新路径。在认知层面，通过数据驱动与知识引导相结合的方法，可对地震、测井、地质、地化及工程等多源数据进行联合表征与关联分析，提升对断裂体系、圈闭结构、储层空间展布和矿化异常的识别能力，推动地下信息解释由分散、局部处理走向系统、整体认知。在预测层面，智能方法能够从海量样本和复杂数据中学习地下目标与工程响应之间的关系，增强资源潜力评价、地质风险预警和开发效果预测能力。在决策层面，智能技术正推动加速贯通勘探、钻井、开发和生产监测等环节，在钻井等关键工程环节实现实时决策与动态优化，使资源开发由传统分段式作业模式向全流程的协同决策模式转变（图2）。其中，“认知—预测—决策”是通用能力链在资源探测与开发场景中的任务化表达：“认知”涵盖感知与建模，“预测”对应推演，“决策”进一步服务于工程控制。

图2 深地资源智能探测与开发的“认知—预测—决策”一体化框架

Figure 2　An integrated cognition–prediction–decision framework for intelligent exploration and development of deep resources

深地资源智能探测与开发场景具有需求迫切、技术链条长、参与主体多元等特点，既对高质量数据体系、多模态模型能力和机理约束智能方法提出了明确要求，也为行业标准形成和技术工程化推广提供了重要载体。可以预见，随着智能技术与深地观测、地球系统科学机理和工程系统深度融合，该场景将成为牵引深地数据基础设施建设、核心算法与装备技术突破，以及产业体系升级的关键引擎。

深地工程智能建造与智慧运维

深地工程涵盖盐穴储能、深埋隧道、深部矿山、地下实验室、碳封存工程等国家重大基础设施，普遍处于高地应力、高温、高渗压和强扰动环境中。传统依赖人工经验、单点监测和事后响应的方式，已难以满足安全、效率和经济性的综合要求。人工智能的引入，使工程体系有可能从“感知—决策—执行”分割，转向全过程闭环优化。

在智能建造阶段，人工智能主要用于多模态环境感知、参数优化、施工状态识别、数字孪生建模和自主控制。在盐穴造腔中，可将多源监测数据与运行工况融合，动态优化注采参数和腔体形态；在TBM施工中，可基于“人-机-岩”数据库和因果可解释模型实现围岩分级、掘进控制和支护参数的自适应匹配；在钻爆法施工中，可借助图像识别和多目标优化实现爆破参数智能设计与围岩损伤控制。

在智慧运维阶段，人工智能的作用体现在风险推演、突变识别和自主决策上。通过图神经网络、时序模型和生成模型，可对变形、微震、渗压、温度、气体泄漏等多源数据进行时空关联分析，提升灾害前兆识别与多级响应部署能力；依托数字孪生与可解释人工智能，推动深地工程由“被动安全”向“主动免疫”演进。其战略意义在于：通过算法、装备与工程流程的协同设计，构建贯通“感知—建模—推演—决策—控制”的全链条智能工程体系。

深地灾害智能感知与风险预警

深地灾害包括内生型灾害（如天然地震、火山作用、活动断层等）和工程诱发型灾害（如岩爆、诱发地震、突水突泥等），其发生和演化本质上受深部应力积累与释放、流体运移及多物理场耦合作用等多种因素控制。此类灾害普遍表现为强非线性、多尺度耦合及跨圈层响应等特征，其演化过程往往经历从缓慢积累到临界失稳的状态变化。然而，受限于观测能力与建模方法，传统手段难以刻画其关键灾害前兆信息并实现可靠预测。

针对上述问题，人工智能有望从4个层面系统提升深地灾害的感知与预警能力。在多源感知层面。基于卷积神经网络（Convolutional Neural Network, CNN）与Transformer等深度学习方法，可对地震与微地震监测、电磁探测、分布式光纤传感等多源异构数据实现统一编码与特征提取，从复杂背景中识别构造应力演化和流体异常迁移等微弱前兆信号。在机理约束建模层面。物理信息神经网络通过引入控制方程与物理约束，实现地下多物理场耦合过程的动态反演；结合贝叶斯推断方法，可对灾害演化不确定性进行量化表达。在预测预警层面。基于图神经网络与时空序列模型构建多变量耦合关系网络，结合概率预测方法和观测信号，实现对灾害发生概率、影响范围与发展趋势的实时评估，支撑红绿灯预警体系建设。对低发生频率、高后果灾害事件而言，当前模型仍主要服务于风险识别、趋势感知和辅助预警，而非替代机理分析和业务部门决策。在系统集成层面。依托物联网与云边协同架构，结合数字孪生技术，构建“观测—建模—预测—反馈”体系，实现灾害过程的实时模拟与动态推演。其中，“观测—建模—预测—反馈”是通用能力链在灾害感知与风险预警场景中的闭环表达：“观测”对应感知，“预测”是推演的场景化形式，“反馈”则对应预警响应、模型更新和风险控制。

总体而言，人工智能正推动深地灾害研究实现3个层面的转变：从“工程局部问题”向“深部系统问题”的认知拓展；从“单一灾害类型分析”向“多类型统一建模”的方法演进；从“事后解释”向“事前预测与主动调控”的范式转型。

地月空间智能探测与演化认知

将地月空间智能探测纳入深地科学研究范畴，具有明确的科学逻辑与战略价值。在物质起源上，大撞击假说揭示了地月的显著同源性，月球因缺乏板块运动，完整保存了早期岩浆洋分异等关键信息，是研究地球早期演化的重要“时空锚点”。在技术体系上，深地与地月空间探测均面临不可达、依赖无人系统等极端条件，两者在技术路径上高度共通，月球是检验深地智能探测技术的重要试验场。

地月空间智能探测的突出特征体现在3个方面：研究对象涵盖地球深部与月球内部等多圈层耦合系统；观测数据涵盖重、磁、电、震、热等多种模态，时空尺度差异显著；月面和深地均要求探测系统具备高度自主的智能决策能力。然而，当前发展仍面临数据丰富而知识整合不足、无人探测系统自主发现能力不足、传统模型在数据稀疏条件下难以实现高保真模拟等瓶颈。

人工智能将在3个方面重点赋能地月空间探测（图3）：激活历史数据资产，利用超分辨率重建和去噪技术提升历史观测数据质量；赋能地月智能装备，发展具备自主导航、任务规划与多载荷协同的AI系统，推动科学发现从被动验证向主动发现转变；推动多源异构数据融合，构建跨尺度、多模态的动态数据体系，驱动颠覆性科学发现。未来，地月空间智能探测将从数据驱动向“数据+物理知识”双驱动认知智能演进，由专用任务智能向通用智能跨越，分散模型有望逐步向统一的地月多模态基础模型演进，但其实现仍依赖高质量跨任务数据体系、机理约束建模和自主评测框架的持续突破。

图3 地月空间智能探测与演化认知应用场景总体框架

Figure 3　Overall framework of application scenarios for intelligent exploration and evolutionary cognition in cislunar space

人工智能赋能深地科学的发展布局与政策建议

人工智能赋能深地科学的发展，本质上是以人工智能为核心驱动力，对深地科学研究范式与工程体系进行系统性重构的过程。其目标不仅在于提升单一环节的效率或精度，更在于构建贯通“感知—建模—推演—决策—控制”的整体能力体系。为此，应重点围绕以下6个方面统筹布局。在具体推进过程中，还需要进一步把握人工智能赋能深地科学的能力边界与突破重点。人工智能赋能深地科学并不意味着以统计学习替代机理研究，也不意味着当前模型已具备跨区域、跨尺度、跨任务稳定外推的能力；相反，其关键价值在于：围绕深地复杂系统中“难观测、难融合、难建模、难决策”的核心瓶颈，构建数据、机理、模型与验证闭环协同的新型研究框架。未来突破的重点，不仅在于模型规模扩展，更在于高质量 AI-ready数据体系建设、机理约束嵌入、不确定性量化、跨场景泛化能力和面向工程业务的可靠评测体系。

强化多圈层耦合与人工智能融合基础研究

人工智能赋能深地科学的首要任务是围绕深地科学根本问题构建新型基础研究范式，特别是以地球系统多圈层耦合为核心，聚焦深部物质循环与能量传递机制、深地资源形成与富集规律、深地灾变动力学过程及地球-行星系统协同演化等关键科学问题，推动多学科深度交叉融合。

在方法体系上，应重点发展以机理模型与数据驱动模型协同为特征的新型研究框架：将深地动力学方程、岩石物理约束与机器学习方法相结合，发展以多圈层耦合机制约束为代表的理论体系，实现对复杂地球系统的高可信度建模。同时，加强不确定性量化、可解释性分析与模型泛化能力研究，突破传统模型“可计算但不可解释”或“可解释但难预测”的瓶颈，形成具有科学发现能力的新一代方法体系。建议国家自然科学基金委员会、科学技术部设立人工智能赋能深地科学专项，重点支持物理-数据双驱动建模、深地基础大模型预训练等方向。

建设AI-ready深地数据与服务平台

深地数据基础设施与智能服务是人工智能赋能深地科学的核心支撑，其水平在很大程度上决定了未来技术体系的能力上限与演进潜力。应将深地数据与服务平台提升至与重大探测装备同等重要的战略地位，构建覆盖“原始观测数据—标准化数据产品—知识图谱—模型服务”的全链条服务体系（图4）。

图4 AI-ready（人工智能就绪）深地数据与服务平台

Figure 4　AI-ready deep-Earth data and service platform

具体而言，应重点推进3个方面：建立统一的数据标准与元数据规范，系统借鉴诸如国际标准化组织地理信息技术委员会（ISO/TC 211）主导制定的ISO 19115《地理信息 元数据》（Geographic information—Metadata）系列标准，构建深地科学领域专用的时空数据编码规范与多维度质量评估体系，解决深地多源数据在格式、尺度与语义上的异构问题；构建面向深地科学的知识图谱体系，推动从多源异构数据向结构化知识表达的转变；开发面向模型训练与验证的数据服务接口，形成支持模型开发、评估与部署的AI-ready服务环境。同时，应借鉴国际开放科学数据平台的发展经验，完善数据开放共享机制与分级授权体系，强化数据安全与隐私保护，推动跨机构、跨领域的数据协同与持续服务能力建设。

攻关关键核心技术与极端环境装备

深地环境具有高温、高压、高应力及强非均质等特征，对技术体系的可靠性和稳定性提出了极高要求。因此，应围绕深地场景中的关键瓶颈问题，集中开展核心技术与关键装备攻关。

在技术层面，应重点发展耐极端环境的高可靠传感器、自主感知网络、边云协同计算架构、深地专用智能算法（如物理信息神经网络、时空预测模型）以及面向复杂系统决策的技术。

在装备层面，应推动人工智能与智能导钻系统、无人化探测平台、深地机器人及智慧运维终端的深度融合，实现算法能力向工程执行能力的有效转化。需要特别强调的是，应避免“算法与装备割裂发展”的路径，而应推动二者的协同设计与一体化优化。

以重大场景为牵引打造试验示范平台

重大应用场景是推动技术体系集成创新与工程落地的关键载体。建议依托油气资源智能勘探开发、关键矿产智能探测、深层地热与地下储能、深埋隧道与地下工程、地下实验室建设，以及二氧化碳地质封存等典型场景，布局建设若干综合性试验示范平台，形成覆盖多类型深地任务的示范体系。

平台建设应实现数据汇聚、算法开发、模型验证、装备部署与业务流程重构的协同推进，形成“数据驱动—模型迭代—工程反馈”的闭环体系。同时，建立统一的评估指标体系，对技术效果、经济效益与安全保障等维度进行系统评估，切实提升技术成果的可复制性与可推广性，避免试验示范与规模化应用脱节。

完善组织机制、标准规范和复合型人才培育体系

人工智能赋能深地科学的发展不仅是单一技术问题，更是涉及多层级、多主体的系统工程问题，其关键在于构建高效协同的创新生态。应推动高校、科研院所、能源与矿业企业、人工智能企业之间建立长期稳定的协同创新机制，形成“基础研究—技术研发—工程应用”贯通的组织体系。

在标准与治理层面，应加快建立深地数据共享规范、模型评测体系、软件接口标准和工程验证规范，推动形成统一的技术标准体系。尤其应高度重视ISO国际标准体系建设，积极主导或参与相关国际组织与标准制定工作，在深地探测数据治理、模型体系评估、极端环境智能装备接口规范等领域提出中国方案，推动建立深地科学人工智能领域的国际标准互认与兼容机制，以提升我国在全球深地科技治理中的影响力。同时，应关注人工智能在深地领域应用中的伦理与安全问题，完善相关的风险防控与治理机制。

在人才培养方面，应构建贯通地球科学、工程技术、计算科学与数据治理等领域的复合型人才培育体系，重点解决“学科割裂”导致的能力断层问题。通过交叉学科培养、联合培养及工程实践导向训练，培育既具备深地科学认知能力，又掌握人工智能方法的高层次复合型人才。

统筹关注的风险与挑战

人工智能赋能深地科学并非简单的技术叠加，而是伴随数据、模型、工程与治理体系重构的系统性变革。深地科学长期面临观测稀疏、多源异构、多尺度和质量信息不完备等约束，若缺乏统一的数据标准、质量评估和共享机制，可能会进一步放大数据偏差与“信息孤岛”问题。与此同时，深地过程具有强非线性、强耦合和深部强不可观测特征，现有模型仍面临泛化能力不足、机理约束不强和不确定性表达不足等局限。在资源开发、工程运维和灾害预警等高风险场景中，还需防范模型误差放大带来的决策与安全风险。尤其应关注核废料处置、碳封存等长期安全评估场景，建立模型不确定性的安全决策传达机制，明确人机协同决策的责任归属，并评估长期地质过程预测中的模型可信度。因此，应坚持机理与数据并重，强化标准规范、可靠评测、人机协同和持续验证。

结语

人工智能赋能深地科学，不是对既有技术链条的简单修补，而是对深地科学研究范式、组织方式和能力体系的系统性重构。通过以多源数据为基础、以物理机理为约束、以智能模型为中介、以重大场景为牵引，形成面向复杂深地系统的智能认知与精准决策能力。

未来，率先建立深地数据基础设施、深地基础大模型、关键装备和场景化示范体系的国家，将更有可能在深地资源探测与开发、深地工程建造与运维、深地灾害感知与预警，以及地月空间探测与认知等领域的原始创新中形成先发优势和重要国际影响力。对于我国而言，应抓住人工智能与深地科学深度融合的战略窗口期，加快形成从基础研究到工程示范、从平台建设到制度改革的一体化布局，推动深地科学从跟跑走向引领。

致谢 本文得到中国科学院学部人工智能赋能科学研究咨询项目学科组的大力支持与指导。撰写过程中，中国科学院武汉岩土力学研究所杨春和院士，以及施锡林和黄思提供了宝贵意见与帮助；文章成型后，中国科学技术大学伍新明和中国科学院地质与地球物理研究所张尉提出了建设性修改意见。在此一并致以诚挚感谢。

（作者：底青云、赵亮、郑忆康、耿智、喻志超、单小彩、李超、徐志尧，中国科学院地质与地球物理研究所 中国科学院大学地球与行星科学学院；吕鹏飞，中国科学院地质与地球物理研究所。《中国科学院院刊》供稿）