下一个 AI 舞台，名叫煤矿

如果大海给贝壳下的定义是珍珠，那么时间给煤的定义就是钻石。

2020 年初，我们曾经探访过山西一家大型矿山。矿山中的工程师对我们说，现在矿上特别需要新技术，需要数字化、智能化。但现在年轻人，尤其是懂 AI、懂云计算的人才，大多不愿意来煤矿。怎么让矿山与未来接轨，是他们最忧心的问题。

想要彻底克服这个挑战，当然还任重道远。但跨出第一步是一切可能性的开始。年轻的 AI 开发者，需要一个窗口来了解煤矿，需要一个底座来融汇 AI 技术，需要一个舞台来展示自己的才能。即使是还没有走向社会的校园开发者，也可以先用“众筹模式”让他们亲临煤矿智能化的产业一线——这一切，已经发生了。

由中国煤炭学会主办，中国矿业大学（北京）协办，华为进行赞助支持的第一届全国煤炭行业矿山 AI 大模型大赛已经进入决赛阶段。根据评委专家组审评，有 15 支队伍入围决赛，最终比赛预计在 12 月底结束。

过往，我们讨论过各种各样的 AI 开发大赛，但这场比赛具有几个重要特点：最真实的场景，比赛直接关注煤炭产业一线问题与挑战，对齐行业需求；最前沿的技术，基于 AI 预训练大模型完成比赛，对齐技术发展趋势；最年轻的开发者，高校在校学生即可参赛，最大限度剔除参赛门槛。

这三个特点相互碰撞，激活了煤炭智能化的星星之火。

矿山之上：既要 AI，更要人才

从需求上看，矿山产业对 AI 技术为代表的新一代信息技术有着高度的需求。煤矿中有大量亟待远程化、自动化改造的工作，同时也有大量需要智能化改造的设备。这些都是 AI 技术可以带来深度变革的潜力空间。

但问题在于，煤炭产业生产环境复杂、作业场景多样、装备资产厚重、知识经验丰富，数字化方案缺乏统一标准，且不同企业、矿区之间的数字化建设差异巨大。这就导致矿山是一个很难“懂”的行业，需要真正投身一线，花费大量时间来吸收经验，寻找问题。才能将 AI 技术带来的识别、理解等能力发挥出价值。

既懂 AI，又懂矿山，归根结底需要依靠人才。但就矿山行业的特殊性而言，通过招聘方式获取到大量高水准 AI 人才是很难的。这一方面是局限于企业本身的智能化需求和阶段，可能无法负担巨大的 AI 人才开支。另一方面，矿山普遍地处偏远，在客观条件上也限制了吸引高水准 AI 人才。

近几年，AI 预训练大模型是 AI 领域最火热的概念。大模型可以通过海量数据+行业场景精调的方式，降低行业利用 AI 成本，实现 AI 的工业化落地。

在大模型有效降低产业门槛的基础上，剩下的问题就是让 AI 人才来到矿山，来到矿山产业的一线。

矿山 AI 大模型大赛，就搭建了这样一个舞台。

舞台之中：校园 AI 开发者的煤矿首秀

我们可以看到，参赛选手虽然来自校园，但他们的关注点与发力点，却充分展现了与产业充分融合的“老道”。

对于很多校园 AI 开发者而言，矿山 AI 大模型大赛是他们的产业舞台首秀。这种观察产业、理解产业、融入产业的价值观，想来会陪伴他们很久。更会改变未来煤矿智能化，乃至更多行业智能化的人才基座。

我们可以来看两支参赛队伍的作品。

“中科大少年班”，是无数人从小梦想加入的学府。从这里出发的队伍，也加入了矿山 AI 大模型大赛。来自中国科学技术大学少年班学院的“蜗壳穿山甲”队，带来了矿上运煤传送带的 AI 机器人巡检方案。

在矿山当中，大型露天矿区需要使用远距离传送带进行传输。大型矿山的传送带长度可能达到 10 公里。而传送带故障巡检至关重要，一旦因故障造成停工检修，每检修一小时就可能影响数千吨的矿物运输。传统人工巡检，要在如此长的距离中来回巡视，面临着环境恶劣，且容易漏检、错检等问题。

AI 巡检方案则改变了这种情况。通过巡检机器人（端）、服务端（云）、客户端三部分组合，AI 巡检机器人可以通过 5G 网络将海量感知数据上传至云端，从而在云端进行智能化的故障识别与检测。这个方案有效应用了大模型泛化性强的优势，可适用于多种使用胶带传输系统的场景，并且可以在发现新的异常场景后，实时上传图片，完成云端迭代训练。让矿山中的巡检 AI“越用越聪明”。

来自中国矿业大学的“煤有办法”团队，带来了“刮板后溜煤矸及人员识别 AI 模型成果展示”。

这一项目直接作用于采煤环节。传统的放顶煤采煤法，需要在开采厚煤层时，沿煤层的底板或煤层某一厚度范围内的底部布置采高为 2～3m 的采煤工作面，用综合机械化方式进行回采，再利用矿山压力的作用或辅以松动爆破等方法，使顶煤破碎成散体后，由支架后方或上方的“放煤窗口”放出，并由刮板运输机运出工作面。

这个方法的问题在于，大部分工作面依赖于人工放煤，现场工人只能通过看和听来把握放煤过程、煤矸混放过程和放矸过程，掌控放煤口的开关时机。这种方式高度依赖经验，并且很有可能造成煤炭开采中的浪费。

“煤有办法”团队，将盘古大模型部署在液压支架后方对准后刮板，使 AI 识别能力遍布整个工作面。既可以判断检修期间工作人员的行为安全情况，同时也可以在生产时间拍摄画面传输到井上生产调度室，基于华为矿山 AI 大模型识别厚煤层放顶煤煤矸，从而降低矸石产出，提高煤炭资源回收率，减少下井人数。

记得在矿山时，矿上的工程师跟我们说，“什么是煤矿安全？少下矿，不下矿就是最大的安全”。这句话给我留下了深刻的印象。今天，不仅是各个企业、供应链在为此努力，大学生 AI 开发者也为这个目标贡献出独特的价值。

校园 AI 开发者的煤矿首秀，真的十分精彩。

底座之路：“众筹模式”让煤矿智能化成为“活水”

矿山智能化，确实有很多的问题。但如果每个开发者都能解决一个问题。全中国，甚至全世界的 AI 开发者都来解决煤矿的问题，那么最终会怎样？

我想，这才是矿山 AI 大模型大赛真正带来的启示。过去，我们总是认为 AI 大模型、开发者、煤矿场景，这几件事是相互分流的：中小型 AI 开发者团队难以实现大模型的开发，煤炭产业难以找到高水平的 AI 人才，年轻开发者也总是远离煤矿这种传统行业。

但这场比赛却打破了这种固化认知。这种矿山产业出问题，科技行业出技术， 产学研共同搭建舞台的方式，构成了一种类似“众筹平台”的效应。煤炭产业的需求，不再需要从找人、招人开始做起；AI 开发者，也不会对矿山这样的产业望而生畏。

这次比赛与其背后的组织机制、平台机制，有效将华为矿山 AI 大模型、云计算资源、校园开发者生态，这些 AI 领域的人、技术、资源，直接对齐了煤炭产业一线。让大量产业需求与海量开发者自由结合，双方充分发挥创造性与洞察力。当这种“众筹模式”形成固定机制，发展出产业标准，矿山智能化就会成为活水：最新最强的技术不断涌入；人才随时加入；产业问题不断得到解决。

矿山 AI 大模型之路，就是一条底座之路。复杂、繁荣的，矿山 AI 场景应用，将是这个底座之上的高楼大厦。

目前，矿山 AI 大模型大赛，已经有 389 支队伍，一共有 1500 多全国高校师生参与，覆盖中国科技大学、西安电子科大、北京邮电大学、中国矿业大学（北京）、中国矿业大学、安徽理工大学等国内多所高校。他们的到来、发现和完成作品，就是矿山行业智能化的星星之火。他们与矿山行业的碰撞，闪烁出关于智能的无限可能。

当 AI 开发者来到这里，举起 AI 大模型的光亮，照向矿山。那里将不再是年轻人“避之不及”的地方，而是变成施展鸿鹄之志的舞台，变成他们改变未来的起点。