《中国科学院院刊》2026年第6期“国家科学技术思想库：人工智能赋能科学研究”

底青云 等  中国科学院院刊 2026年7月3日 21:46北京

原文刊载于《中国科学院院刊》2026年第6期“国家科学技术思想库：人工智能赋能科学研究”。本文为精简版

底青云1,2* 赵亮1,2 郑忆康1,2 耿智1,2 喻志超1,2 单小彩1,2 李超1,2 徐志尧1,2  吕鹏飞11 中国科学院地质与地球物理研究所2 中国科学院大学 地球与行星科学学院

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，深地科学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瓶颈。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方面已显著受限。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。

1

深地科学的科学意义、战略价值及面临的挑战

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。它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领域。

深地科学的突出特征在于研究对象具有显著的“巨复杂性”。一方面，地球深部处于高温、高压、高应力和强反应性环境中，原位长期观测、精确取样和高保真测试极难实现，关键数据高度稀缺；另一方面，深地系统本身是强非线性、

多尺度、跨介质、跨圈层耦合的复杂系统。传统方法能够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方面仍存在明显不足。

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。深层—超深层油气、深部非常规资源、增强型地热系统、地下储能与碳封存等，都需要对深部结构、流体运移和长期安全性建立

系统认识；锂、钴、镍、稀土等战略性矿产的供给，也关系低碳转型进程；地震、滑坡、岩爆、突水等灾害，则与深部应力调整、断层稳定性和水—岩耦合过程密切相关。

总体来看，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）。① 极端环境下原位观测能力不足，许多关键认识仍高度依赖间接观测、实验类比和反演解释。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、实验与监测等数据来源分散、格式异构、标准不一，容易形成“数据孤岛”。③ 多物理场耦合建模能力薄弱，传统模型难以在四维时空尺度上刻画深部系统的跨尺度演化机制，也难以实现从定性描述向定量预测的转变。

图1 深地科学当前面临的三重结构性挑战及其典型表现（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

2

人工智能赋能深地科学的研究范式变革与发展态势

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。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。

这一新范式的核心价值，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、可预测性和可靠性。

当前，人工智能赋能深地科学的关键方法主要包括5个方向：一是多源异构数据表征与融合，将重、磁、电、震、测井、地球化学、遥感等数据映射至统一表征空间；二是机理约束与可微建模，将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；三是知识增强与可解释推断，利用知识图谱、因果推断和可解释学习提升模型可信度；四是多模态基础模型与迁移学习，推动深地领域从特定任务建模走向跨区域、跨尺度、跨任务的模型

复用；五是智能体与闭环决策系统，推动复杂反问题由“一次性求解”迈向“可信推断—动态反馈—自主优化”。

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、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局限。人工智能赋能深地科学的关键，在于构建数据、机理、模型和验证闭环协同的新型研究体系。

3

人工智能赋能深地科学发展的重大应用场景

人工智能赋能深地科学的重大应用场景，集中体现在资源保障、工程支撑、安全防控与认知拓展4个方向。以下是4个方向重大应用场景的典型案例。

（1）深地资源智能探测与高效开发。深层—超深层油气、关键矿产、地热资源、地下储能与碳封存等，是保障国家能源资源安全和支撑绿色低碳转型的重要基础。其核心难点在于，勘探开发目标依赖多源、非直接观测信息推断，

真实地质情况与物理映射之间存在偏差，深部作业信息传输条件恶劣常接近物理极限。机器学习、大模型、多模态融合和知识增强技术，可在认知层面提升断裂体系、圈闭结构、储层空间展布和矿化异常识别能力；在预测层面增强

资源潜力评价、地质风险预警和开发效果预测能力；在决策层面贯通勘探、钻井、开发和生产监测等环节，推动资源开发由分段式作业转向全流程协同决策。

（2）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、地下实验室和碳封存工程等重大基础设施，普遍处于高地应力、高温、高渗压和强扰动环境中。人工智能可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。在运维阶段，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，提升灾害前兆识别和多级响应部署能力，推动深地工程

由“被动安全”向“主动免疫”演进。

（3）深地灾害智能感知与风险预警。天然地震、火山作用、活动断层，以及岩爆、诱发地震、突水突泥等工程诱发型灾害，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控制。人工智能有望在多源感知、机理

约束建模、预测预警和系统集成层面提升灾害识别与风险评估能力。尤其是对低发生频率、高后果灾害事件，当前模型主要服务于风险识别、趋势感知和辅助预警，而不能替代机理分析和业务部门决策。

（4）地月空间智能探测与演化认知。地月空间智能探测纳入深地科学，具有明确的科学逻辑和战略价值。月球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”；深地与地月空间探测又都面临不可达、

依赖无人系统等极端条件，在技术路径上高度共通。人工智能可用于激活历史数据资产、赋能地月智能装备、推动多源异构数据融合。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，并有望推动

统一的地月多模态基础模型发展。

4

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，并非简单的技术叠加，而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。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。

（1）应强化多圈层耦合与人工智能融合基础研究。地球系统是复杂系统科学研究的理想天然实验室，其独特性能反向促进人工智能赋能科学研究的基础性和普适性。在此方面，可围绕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问题，发展物理—数据双驱动建模、深地基础大模型预训练等方向，加强不确定性量化、可解释性分析与模型泛化能力研究。

（2）应建设AI-ready深地数据与服务平台（图2）。深地数据基础设施与智能服务决定了未来技术体系的能力上限和架构模式。应构建覆盖“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，建立统一的数据

标准与元数据规范，构建面向深地科学的知识图谱体系，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。

图2 AI-ready（人工智能就绪）深地数据与服务平台

（3）应攻关关键核心技术与极端环境智能装备。围绕高温、高压、高应力和强非均质等深地环境，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，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、深地机器人和智慧运维终端深度融合，避免算法与装备割裂发展。

（4）应以重大场景为牵引打造试验示范平台。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、地下实验室建设和二氧化碳地质封存等典型场景，布局综合性试验示范平台，形成

“数据驱动—模型迭代—工程反馈”的闭环体系，提升技术成果的可复制性和可推广性。

（5）还应完善组织机制、标准规范和复合型人才培育体系。人工智能赋能深地科学不是单一技术问题，而是多层级、多主体参与的系统工程。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，

加快深地数据共享规范、模型评测体系、软件接口标准和工程验证规范建设，并培育贯通地球科学、工程技术、计算科学与数据治理的复合型人才。

（6）还需统筹关注风险与挑战。若缺乏统一的数据标准、质量评估和共享机制，可能进一步放大数据偏差与“信息孤岛”问题；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，应防范模型误差放大带来的决策与安全风险，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。

5

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，可以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。我国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。

作者简介

底青云   中国科学院院士。中国科学院地质与地球物理研究所所长、研究员。中国地球物理学会理事长。主要从事地球物理方法和技术研究。

文章来源

底青云, 赵亮, 郑忆康, 等. 人工智能赋能深地科学的关键挑战、重大场景与发展路径. 中国科学院院刊, 2026, 41(6): 1193-1205.DOI: 10.3724/j.issn.1000-3045.20260415003