Sztuczna inteligencja już teraz realnie pomaga odkrywać nowe złoża surowców. Dzięki analizie danych geologicznych i satelitarnych zwiększa skuteczność badań, czego dowodem są konkretne odkrycia – od indu w Australii po złoża złota w Kanadzie. Nie działa jednak w próżni, jej wskazania zawsze wymagają potwierdzenia przez geologów i odwierty.
Wizja samodzielnej maszyny, która z orbity wskazuje na mapie miejsce kolejnego złoża, ma w sobie wiele z fabuły filmu science fiction. W praktyce wykorzystanie sztucznej inteligencji to żmudny proces scalania terabajtów danych, z którymi człowiek samodzielnie nie byłby w stanie pracować. W tym artykule przyjrzymy się, które odkrycia faktycznie stoją za AI, jak działa ta technologia i gdzie leży granica między rewolucją a marketingową obietnicą.
Które odkrycia już potwierdzają skuteczność AI?
Wbrew pozorom nie mówimy wyłącznie o teoretycznych możliwościach. Konkretne, namacalne wyniki już trafiły do raportów geologicznych i bilansów firm wydobywczych. Jeden z najczęściej przywoływanych przykładów to działalność firmy Earth AI.
Firma Earth AI zidentyfikowała ogromne złoże indu w Australii, analizując dane geologiczne właśnie za pomocą algorytmów sztucznej inteligencji. To rzadki metal niezbędny w ekranach dotykowych i panelach słonecznych.
Inny przypadek to kanadyjska firma Goldspot Discoveries. Jej modele uczenia maszynowego, bazując na danych z zaledwie 4% powierzchni regionu Abitibi, trafnie przewidziały lokalizację 86% istniejących tam złóż złota. Oznacza to, że AI była w stanie odtworzyć pracę pokoleń geologów, korzystając z ułamka informacji przestrzennej.
Nie są to jednorazowe wybryki zaawansowanej statystyki. Zarówno Rio Tinto, jak i mocno wspierany finansowo startup KoBold Metals, w który inwestują Bill Gates i Jeff Bezos, wykorzystują AI do tworzenia cyfrowych map perspektywiczności dla miedzi, litu, kobaltu i niklu. W ich przypadku algorytmy nie tylko szukają nowych miejsc, ale przede wszystkim skracają listę celów do odwiertu, eliminując te z wysokim ryzykiem porażki.
Na jakiej zasadzie AI „widzi” to, co pod ziemią?
Sercem procesu nie jest jakaś magiczna zdolność widzenia przez skały, ale analiza ogromnych zbiorów danych i wykrywanie w nich subtelnych wzorców, które umykają ludzkiemu oku. Proces zaczyna się od dostarczenia algorytmom jak największej liczby informacji o danym terenie.
Mowa tu przede wszystkim o trzech głównych filarach danych. Pierwszy z nich to historyczne dane geologiczne i geofizyczne – cyfrowe wersje map, wyniki starych odwiertów, pomiary magnetyczne i grawimetryczne. Drugi filar stanowią dane sejsmiczne, czyli zapisy fal dźwiękowych odbitych od struktur podziemnych. Są one niezastąpione szczególnie przy poszukiwaniu ropy i gazu na znacznych głębokościach. Trzeci, coraz ważniejszy filar, to dane satelitarne i hiperspektralne, czyli obserwacje Ziemi z orbity.
Algorytmy, głównie z rodziny uczenia maszynowego, są uczone na tych danych. Pokazuje się im obszary, gdzie złoża już odkryto, a system samodzielnie uczy się, jaka kombinacja cech geologicznych, anomalii magnetycznych czy wzorców spektralnych (charakterystycznego „podpisu” minerału w świetle) towarzyszyła tym odkryciom. Ten proces nazywa się modelowaniem predykcyjnym.
Kluczowa jest tutaj tak zwana odwrócona analityka. Zamiast zaczynać od teorii geologicznej, AI startuje od faktów – czyli danych z istniejących złóż. Na tej podstawie szuka w otoczeniu miejsc o podobnym „odcisku palca”, które z dużym prawdopodobieństwem kryją to samo.
Następnie, już po wytrenowaniu, model skanuje zupełnie nowe, niezbadane obszary i wskazuje miejsca o najwyższym potencjale. Człowiek dostaje nie tyle gotową odpowiedź „tu kop”, ile mapę ryzyka i szans, które musi zweryfikować w terenie.
Jak AI zmieniła poszukiwania ropy, gazu i metali krytycznych?
Zastosowanie AI różni się w zależności od tego, czego szukamy, ponieważ różne są też same dane wejściowe i wyzwania geologiczne.
W przypadku ropy i gazu ziemnego rewolucja opiera się przede wszystkim na danych sejsmicznych. Ich interpretacja przez człowieka jest czasochłonna i podatna na błędy. AI potrafi przeskanować te dane wielokrotnie szybciej, wyłapując pułapki złożowe, które geofizyk mógłby przeoczyć.
Efektywność tego podejścia jest mierzalna. Raporty branżowe wskazują, że w projektach poszukiwawczych węglowodorów zastosowanie AI zwiększyło odsetek trafnych wierceń z około 60% do ponad 90%. To radykalnie zmienia ekonomię każdego odwiertu, gdzie koszt pomyłki liczony jest w dziesiątkach milionów złotych.
Zupełnie inaczej wygląda sytuacja z metalami krytycznymi – miedzią, litem, kobaltem, niklem czy wspomnianym indem. Tutaj złoża często są rozproszone, mają nieregularne kształty i znajdują się w skomplikowanych strukturach geologicznych. Nieocenione stają się dane satelitarne i hiperspektralne. Polski startup TerraEye wykorzystuje dane z wielu konstelacji satelitarnych. Jego modele analizują anomalie termalne i wspomniane wzorce spektralne minerałów na powierzchni ziemi, aby z orbity wykrywać obecność cennych pierwiastków. To technologia, która pozwala wstępnie przeskanować obszar wielkości małego kraju w kilka tygodni, a nie lat.
Od czego zależy skuteczność cyfrowego poszukiwacza?
Odpowiedź jest prosta i brutalnie przyziemna: od danych. Najlepszy algorytm na świecie będzie bezużyteczny, jeśli nakarmimy go słabej jakości, niekompletnymi lub niespójnymi informacjami.
Idealny zestaw danych do modelu AI to połączenie wielu źródeł. Poniższa tabela pokazuje, co jest potrzebne w zależności od celów poszukiwań:
| Rodzaj poszukiwanych złóż | Najważniejsze dane dla AI | Główna korzyść |
|---|---|---|
| Ropa i gaz ziemny | Dane sejsmiczne 3D, historia odwiertów | Zwiększenie skuteczności wierceń z 60% do ponad 90% |
| Złoto i metale szlachetne | Cyfrowe mapy geologiczne, dane geofizyczne | Wskazanie 86% złóż na podstawie analizy 4% obszaru |
| Surowce krytyczne (lit, kobalt, miedź) | Dane satelitarne i hiperspektralne, mapy perspektywiczności | Szybkie skanowanie dużych, niezbadanych terenów z orbity |
Jednym z największych, często pomijanych wyzwań, jest digitalizacja danych historycznych. Amerykańska Służba Geologiczna (USGS) ogłosiła konkursy na wykorzystanie AI właśnie po to, by przyspieszyć ten proces. Tysiące map i raportów z odwiertów sprzed dekad wciąż istnieją tylko na papierze, co dla algorytmu oznacza, że te dane po prostu nie istnieją.
Czy AI zastąpi geologów?
Ryzyko marginalizacji specjalistów jest jedną z najczęstszych obaw towarzyszących tym technologiom. W praktyce jednak rola, jaką odgrywa AI, nie polega na zastępowaniu, lecz na fundamentalnym wspieraniu pracy ekspertów.
Celem projektów takich jak te prowadzone przez USGS nie jest pełna automatyzacja oceny zasobów, ale przyspieszenie analizy i wskazanie geologom listy celów, które sami powinni zbadać. AI działa jak filtr, a nie jak sędzia ostateczny.
Geolog, pracując z AI, zmienia jednak charakter swojej pracy. Zamiast spędzać tygodnie na ręcznej analizie map i wykresów, otrzymuje od systemu zestaw hipotez – na przykład pięć obszarów o wysokim, dziesięć o średnim i sto o niskim prawdopodobieństwie występowania złoża. Jego zadaniem jest krytyczna ocena tych wskazań, odrzucenie tych, które są geologicznie absurdalne (co dla AI może nie być oczywiste) i zaplanowanie kampanii weryfikacyjnej, czyli odwiertów. Interpretacja wyników i ocena niepewności modelu pozostaje po stronie człowieka.
Plany na przyszłość w Polsce – czy Dolny Śląsk doczeka się cyfrowej gorączki złota?
Wątek polski w tej globalnej układance również istnieje i koncentruje się na Dolnym Śląsku. Państwowa Służba Geologiczna planuje wykorzystanie uczenia maszynowego do identyfikacji nieoczywistych zależności przestrzennych, które mogłyby wskazywać na obecność złóż surowców krytycznych, w tym miedzi.
Równolegle, na styku biznesu i nauki, rozwija się wspomniany startup TerraEye. Jego platforma, agregująca dane z wielu konstelacji satelitarnych, jest przykładem polskiej myśli technologicznej, która ma już globalne ambicje. Pokazuje to, że Polska dysponuje zarówno odpowiednim zapleczem geologicznym (region dolnośląski to prawdziwe laboratorium dla geologa), jak i potencjałem technologicznym, by nie być wyłącznie biernym odbiorcą rozwiązań tworzonych w Dolinie Krzemowej.
FAQ – pytania i odpowiedzi
Czy AI może samodzielnie odkryć złoże, bez żadnych odwiertów?
Nie. AI generuje hipotezy i wskazuje perspektywiczne obszary, ale każde wskazanie traktowane jest jako cel do weryfikacji. Ostatecznym dowodem zawsze jest odwiert i analiza fizycznej próbki skały.
Które surowce najtrudniej znaleźć przy użyciu AI?
Najtrudniejsze są surowce krytyczne występujące w małych, rozproszonych złożach w skomplikowanych terenach. Modele AI potrzebują wtedy niezwykle gęstych i różnorodnych danych, a ich sygnał jest często bardzo słaby.
Jaki jest największy błąd przy wdrażaniu AI w firmie wydobywczej?
Najczęstszym błędem jest przecenianie możliwości AI przy jednoczesnym ignorowaniu jakości danych wejściowych. Zakup zaawansowanego systemu bez wcześniejszej digitalizacji archiwów i zapewnienia spójności danych prowadzi do błędnych wskazań i kosztownych pomyłek.