获得比尔盖茨巨额投资的AI探矿公司KoBold Metals技术简析

原创 浩特智能-矿业工业出海 2025年05月26日

谁是浩特?请参考下图



作者:黄大爷



关键要点

  • 研究表明,AI在矿产勘探中通过贝叶斯决策和顺序规划优化钻探,效率高。

  • Intelligent Prospector v2.0由斯坦福Mineral-X开发,可能与KoBold Metals合作使用。

  • 主要算法包括POMDP框架和SARSOP求解器,处理模型不确定性。

  • KoBold Metals利用AI发现关键矿产,Mineral-X提供学术支持。


01

概述

AI在矿产资源勘探中通过智能系统如Intelligent Prospector v2.0优化钻探规划,特别是在模型不确定性下。研究表明,它使用贝叶斯决策和顺序规划,显著提高效率。以下是其原理、逻辑和算法,以及与KoBold Metals和Mineral-X的关系。


02

AI的原理

AI系统基于贝叶斯决策框架,从人类地质假设开始,通过钻探数据更新,减少不确定性。它还处理空间变异性和模型不确定性,旨在减少钻孔数量,降低成本。


03

AI的逻辑

系统使用部分可观测马尔可夫决策过程(POMDP),包括状态(如地质分布)、动作(如钻探位置)和观察(如品位数据)。它动态更新信念,检测假设是否错误,并最大化经济回报。





04

主要算法

主要算法包括POMDP公式化、贝叶斯信念更新(用椭圆切片采样)和SARSOP求解器。这些算法确保在不确定条件下高效决策。

与KoBold Metals和Mineral-X的关系

Intelligent Prospector v2.0由斯坦福的Mineral-X开发,研究表明可能与KoBold Metals合作,尤其在赞比亚Mingomba项目中。KoBold Metals用AI发现关键矿产如铜和锂,Mineral-X提供学术支持。



05

详细说明

AI在矿产资源勘探中的应用:Intelligent Prospector v2.0、KoBold Metals及Mineral-X

AI技术在矿产资源勘探中的应用正日益受到关注,特别是通过智能系统优化钻探规划以提高效率和降低成本。本报告详细阐述AI的原理、逻辑和主要算法,并分析其与KoBold Metals和Mineral-X的关系。



1. Intelligent Prospector v2.0的AI原理、逻辑和算法

1.1 原理

Intelligent Prospector v2.0是一种由斯坦福大学Mineral-X项目开发的AI系统,专注于矿产勘探中的钻探规划优化,特别是在模型不确定性(epistemic uncertainty)下的应用。其核心原理包括:

核心原理

贝叶斯决策(Bayesian Decision Making):

系统从人类生成的地质假设(prior models)开始,通过钻探获取的数据不断更新这些假设,减少对关键属性(如矿产品位和厚度)的不确定性。


顺序规划(Sequential Planning Under Uncertainty):

通过迭代规划钻探位置,考虑每个行动对未来决策的影响,旨在最大化信息获取和经济价值。


处理不确定性:

与前代IPv1.0不同,v2.0不仅处理空间变异性(aleatoric uncertainty),还明确处理模型不确定性,承认人类假设可能不正确或不完整。


效率与成本降低:

系统旨在减少所需钻孔数量,从而降低勘探成本并加速发现。例如,在赞比亚的超高品位铜矿床表征中,v2.0显著减少了钻孔数量。

这些原理确保AI能够在数据匮乏的早期勘探阶段,依靠概念模型和假设进行决策,并通过动态更新适应变化。

1.2 逻辑

系统的逻辑基于部分可观测马尔可夫决策过程(POMDP),具体包括以下组件:

  • 状态表示(State Representation):

    包括地质状态(矿产的空间分布,如品位、厚度和深度,在2D网格上)、假设状态(潜在地质场景)和钻探状态(当前钻探位置和剩余时间)。这些状态部分可观测,因为真实地质模型和假设不可直接知晓。

  • 动作选择(Action Selection):

    动作是选择钻探位置,目标是最大化预期回报(经济价值),同时减少不确定性。

  • 观察(Observations):

    从钻探中获得噪声数据,如品位和厚度,用于更新对地质模型的信念。

  • 信念更新(Belief Updating):

    通过贝叶斯推理动态更新信念,使用分层贝叶斯模型。初始信念基于人类假设(prior knowledge),通过新观察更新,涉及假设、地质域(如地堑结构、地球化学异常)和属性分布之间的关系。

  • 假设证伪(Hypothesis Falsification):

    引入“空假设”(高熵、无空间相关性的模型),如果空假设的似然性高于人类假设,则表明当前假设错误,触发人类干预重新生成假设。

  • 回报最大化(Reward Maximization):

    目标是最大化回报函数,通常是经济模型,平衡矿产收入与钻探和开采成本,可能还包括不确定性减少作为额外回报。



这种逻辑确保AI能够适应性强,数据驱动,并在发现假设错误时及时调整。

1.3 主要算法

Intelligent Prospector v2.0的主要算法围绕POMDP的求解展开,具体包括:

(1)POMDP公式化:

定义POMDP元组(S, A, T, R, O, L, γ),其中:

S:状态空间(地质、假设和钻探状态)。

A:动作空间(可能的钻探位置)。

T:转移模型(确定性,因地质状态静态,仅钻探位置变化)。

R:回报函数(经济模型,收入与成本平衡)。

O:观察空间(钻孔的品位和厚度测量)。

L:似然模型(给定状态和动作的观察概率)。

γ:未来回报的折扣因子。


POMDP通过维护信念状态(belief state)处理部分可观测性,更新信念通过贝叶斯推理实现。





(2)信念更新算法:

使用分层贝叶斯方法,公式为:

f(H, D_chem, D_grab, Th, g) = P(H) f(D_chem | H) f(D_grab | H) f(Th | D_grab) f(g | D_chem)

其中H为假设,D_chem和D_grab为地球化学和地堑域,Th为厚度,g为品位。观察更新似然为:

ℓ(O | a) = Σ_h P(h) Σ_d_chem, d_grab ℓ(O | h, d_chem, d_grab, a) P(d_chem | h) P(d_grab | h)

品位和厚度的似然用高斯过程和克里金法建模,域观察用Kronecker delta分布。对于复杂更新,使用椭圆切片采样(Elliptical      Slice Sampling, ESS)进行马尔可夫链蒙特卡洛(MCMC)采样,假设几何参数的高斯先验。


(3)假设证伪检查:

通过比较空假设与人类假设的似然性,检测假设是否被证伪。如果空假设似然性更高,触发人类干预。


(4)POMDP求解器SARSOP:

使用离线算法SARSOP(Successive Approximations of the Reachable Set under Optimal Policies),专注于最优策略下的可达信念空间子集,降低计算复杂性。通过离散化处理连续元素:

  • 状态:从信念分布中采样。

  • 动作:潜在钻探位置的网格。

  • 观察:用k-means聚类随机生成样本,概率从频率估计。

  • 通过前向和后向探索迭代优化,最大化预期回报。


(5)决策过程:

在每个步骤,系统通过SARSOP求解离散化POMDP,选择下一个钻探位置,更新信念后重新规划。

这些算法确保系统在不确定条件下高效决策,实验表明v2.0显著优于网格钻探,所需钻孔少于一半即可达到相同决策精度。


2. KoBold Metals和Mineral-X的背景及关联

2.1 KoBold Metals

KoBold Metals是一家总部位于加利福尼亚伯克利的初创公司,成立于2018年,专注于使用AI技术发现关键矿产,如锂、铜、镍和钴,这些矿产对电动车和可再生能源技术至关重要。公司已筹集超过5亿美元资金,包括2025年1月完成的5.37亿美元股权融资,估值达29.6亿美元,投资者包括比尔·盖茨、杰夫·贝索斯、安德森·霍洛维茨和T. Rowe Price。




KoBold Metals使用专有AI工具,如“Machine Prospector”,通过统计建模、大数据聚合和基础矿床科学,提高勘探速度和效率。其方法包括:

  • 构建地球物理和地球化学数据的全球数据库。

  • 使用生成式AI和传统机器学习算法,分析历史数据,揭示可能被忽视的矿床。

  • 在全球范围内开展70多个项目,覆盖澳大利亚、加拿大、格陵兰、撒哈拉以南非洲和美国。

2024年,KoBold Metals在赞比亚的Mingomba项目中发现了一个可能成为全球最大高品位铜矿床的矿藏,预计年产数十万吨铜,证明了AI在实际勘探中的价值。


2.2 Mineral-X(斯坦福大学)

Mineral-X是斯坦福大学Doerr可持续发展学院的一个研究项目,专注于使用数据科学和AI技术,创建弹性强(resilient)和可持续的关键矿产供应链。其目标是通过技术创新,从矿产勘探到加工,推进清洁可再生能源的实现。

Mineral-X开发了“Intelligent Prospector”系统,包括v1.0(2023年)和v2.0(2024年),用于优化矿产勘探中的数据获取和工程操作。系统强调将人类智能(HI)与人工智能(AI)相结合,解决复杂地质挑战。研究领域包括:

  • 贝叶斯最优设计、最优数据获取。

  • 蒙特卡洛方法进行不确定性量化。

  • 机器学习用于多物理场地球物理反演。

  • 空间数据分析和复杂结构设置的随机水平集方法。

Mineral-X与工业伙伴合作,将AI方法应用于实践,特别是在碳捕获、地热能和矿产加工领域。


3. 总结与展望

Intelligent Prospector v2.0的AI原理基于贝叶斯决策和POMDP框架,逻辑上通过信念更新和假设证伪处理不确定性,主要算法包括SARSOP求解器和分层贝叶斯方法。这些技术显著提高了矿产勘探的效率,减少了钻孔数量。

KoBold Metals利用AI技术发现关键矿产,特别是在Mingomba项目中取得了突破,而Mineral-X提供了学术支持和技术开发,两者的合作体现了产学研结合的潜力。尽管合作存在争议,但研究表明,AI在矿产勘探中的应用正推动全球能源转型,为可持续资源开发提供了新路径。

以下表格总结了关键信息:

实体

角色

主要贡献

合作关系

Intelligent Prospector v2.0

AI系统

优化钻探规划,处理模型不确定性

由Mineral-X开发

KoBold Metals

矿产勘探公司

使用AI发现关键矿产,如Mingomba铜矿

与Mineral-X合作,自2019年起

Mineral-X(斯坦福)

学术研究项目

开发Intelligent Prospector,学术支持

与KoBold Metals合作,技术支持

 未来,随着AI技术的进一步发展,矿产勘探的效率和可持续性有望进一步提升,但产学合作的深度和贡献分配仍需进一步明确。




END









采选技术导航

联系
客服

在线客服服务时间:9:00-6:00

您想沟通客服列表

客服
热线

028-83311885
7*24小时客服服务热线

X

X

欢迎来到浩沃特!
请问有什么需要帮助的吗?