---
uid: 5e8cd649-6764-4615-8f11-6a8ce23efd0d
---
## 一、项目背景与角色定位

### 1.1 项目概况

中国黄金集团科研课题,针对镇沅、金厂峪、浩尧尔忽洞、布丘克四座典型金矿床,研发智能勘探与找矿预测技术。核心目标:通过多模态数据治理 + AI模型 + 四大专业智能体,实现找矿靶区预测准确率提升20%-30%,落地有效靶区6-8处,协助4家示范矿山新增金金属量5吨。

### 1.2 三方角色与我司定位

| 角色 | 单位 | 核心职责 |
|---|---|---|
| 最终用户/甲方 | 中国黄金集团地质有限公司 | 地质业务责任主体、数据与现场验证组织、成果验收 |
| 总包/乙方 | 中电云计算技术有限公司 | 软件系统与AI模型研发实施主体、平台集成 |
| 基础设施/丙方 | 中国黄金集团数智科技有限公司 | 国产化算力、存储、安全隔离 |
| **分包/供应商** | **我司** | **数据治理工具、算法模型、知识图谱、四大智能体、系统集成、测试部署培训** |

我司因与中电云长期合作,通过询比采购流程承接本项目算法、模型、智能体、数据治理、系统集成与接口、试点技术支持、系统优化、测试验收、培训、技术文档、知识产权配合等全链条工作。

### 1.3 我的角色

担任产品经理兼项目经理,负责:
- 调研中国黄金集团业务需求,编写任务书具体内容
- 需求拆解、工作量评估、排期、报价
- 多方协同(甲方/总包/高校/内部团队)
- 范围管控、风险识别、验收指标对齐

## 二、核心挑战(项目痛点)

### 2.1 跨行业知识壁垒

我非地质专业出身,面对地球化学、地球物理、遥感、蚀变矿物等专业数据十分陌生。地质业务判定、成矿规律总结、靶区合理性审查均依赖甲方地质专家,我无法独立判断输出结果的正确性。

### 2.2 数据治理是落地天花板

中国黄金集团拥有大量矿床勘探作业材料,但存在三大问题:
- **格式杂乱**:不同年代集团系统使用不同GIS格式(MapGIS、CAD、GRD/SRF/DTM等)
- **数字化程度低**:历史图纸、扫描件、PDF报告需矢量化、OCR
- **数据质量参差不齐**:坐标系统不统一、字段编码不规范、缺失值多

数据质量决定AI模型效果上限,但数据治理依赖甲方矿区人员与专家时间,节奏不可控。

### 2.3 业务需求模糊与边界不清

项目初期甲方业务需求相对模糊,"智能勘探""找矿预测"概念宽泛,若不厘清边界极易陷入范围蔓延。同时AI能力有边界(幻觉、准确率上限),甲方预期与技术现实存在gap。

### 2.4 多方协同链路长

甲方(中国黄金)→ 总包(中电云)→ 分包(我司)→ 高校(中国地质大学/中科院),链路长,确认周期长,任何一方滞后都会传导。

### 2.5 验收指标刚性且量化

任务书约束了大量量化指标(成矿预测准确率≥15%→20-30%、数据质量达标率≥85%、系统响应≤3秒、知识图谱推理准确率≥85%等),且需通过历史盲测+现场工程验证+专家复核三段式验收。

## 三、关键动作一:范围管控——基线确认单机制

### 3.1 痛点

政企AI项目最大风险是范围蔓延:甲方数据持续供给、需求持续增加,如果没有明确边界,项目永远做不完且无法验收。

### 3.2 动作

推动建立**《基线确认单》机制**:
- 合同生效后15个工作日内签署,锁定项目启动时实际数据状态快照
- 明确约定数据集边界、业务场景边界
- **所有考核指标均以基线数据集为评估基准**
- 基线后新增数据仅可接入系统存储,纳入模型训练/指标考核须履行变更流程
- 数据量偏差超20%可调整报价

配套**数据冻结盲测机制**:
- 冻结点以前数据用于训练和规则提取
- 冻结点以后新增的钻探/坑探/生产揭露数据作为验证依据
- 避免模型利用已知结果反推预测结论(数据泄漏)

### 3.3 实际进展与反思

**实际状态:基线确认单尚未签署**,数据治理进度滞后于任务书Q2/Q3计划。

根因分析:
- 甲方原始资料数字化程度低,矿区协调周期长
- 地质业务判定依赖专家,专家时间不可控
- 多方链路长,数据供给确认耗损大

改进方向:
- 后续政企AI项目应在启动阶段将"数据供给SLA"写入合同
- 基线确认单应作为合同生效后第一硬性节点,不签不进入大规模开发
- 建立数据供给逾期的顺延与变更机制

## 四、关键动作二:数据治理方法论——三级目录体系

### 4.1 痛点

面对四座矿区、七大类专业数据(N种格式),如果没有统一的盘点框架,数据治理无从下手,且无法为后续模型训练提供高质量数据集。

### 4.2 动作

设计**三级数据资产盘点目录**:

```
第一级:按矿区(镇沅、金厂峪、浩尧尔忽洞、布丘克)
  第二级:按专业(地质、物探、化探、遥感、蚀变矿物、勘查工程、报告文献)
    第三级:按资料形成时间(区分历史数据与新增数据)
```

每条数据记录字段:
> 资料名称 | 来源单位 | 形成时间 | 坐标系统 | 比例尺 | 数据格式 | 保密等级 | 可用状态 | 缺失问题 | 责任人

### 4.3 数据治理责任划分

通过责任矩阵明确三方边界,避免无限兜底:

| 工作项 | 我司(供应商) | 甲方(最终用户) |
|---|---|---|
| 数据治理工具/ETL | ✅ 开发 | |
| 格式转换、坐标统一、质检 | ✅ 技术实现 | |
| 质量评估报告 | ✅ 输出 | |
| 原始资料预处理 | | ✅ 组织矿区人员 |
| 图纸矢量化、OCR校对 | | ✅ 负责 |
| 人工样本标注 | | ✅ 负责 |
| 地质业务判定、异常值业务审核 | | ✅ 专家负责 |
| 知识图谱Schema、GNN节点/边业务筛选 | | ✅ 专家输出 |

**核心原则**:技术层面问题我司负责,地质业务层面问题甲方负责,通过工具+报告+责任划分实现"不专业但能交付"。

### 4.4 创新:推动甲方构建地质本体模型

推动甲方地质专家构建**轻量地质本体模型**(实体-属性-关系-约束),例如"高品位典型金矿床"作为实体,定义其属性、约束条件。

双重价值:
1. **降低幻觉**:地质术语多、关系复杂,LLM直接生成易编造地质结论。本体作为结构化约束,智能体输出必须匹配本体规则,降低假阳性。
2. **可复用**:本体是行业知识的结构化沉淀,后续其他矿种/矿区AI项目可复用本体框架,降低冷启动成本。

本体构建采用**自上而下+自下而上**双向机制:
- 自上而下:中国黄金集团地质专家基于经验给出实体、属性、约束
- 自下而上:LLM学习数据集与学术文献,补充实体/关系、提出冲突,由专家确认调整

## 五、关键动作三:AI落地边界定义

### 5.1 痛点

甲方对AI预期高,但AI有能力边界。如果不定义清楚"AI能做什么、不能做什么、输出结果怎么用",项目验收时极易产生争议。

### 5.2 动作

**1. 明确AI输出的辅助定位**

所有成矿规律总结、预测靶区、勘查工程建议、绿地项目评价结论:
- 必须具备数据来源、模型依据、关键因子、置信度/不确定性说明
- 必须经矿区技术负责人和集团地质专家**双重审核**后,方可进入工程验证
- 智能体输出不得作为独立决策结论直接使用

**2. 算法选型与技术栈**

采用**多模态混合模型**架构,融合多种算法针对不同数据类型:

| 算法 | 适用数据类型 | 作用 |
|---|---|---|
| GNN(图神经网络) | 地质拓扑关系 | 处理实体间空间/成因关系 |
| CNN(卷积神经网络) | 图件、遥感影像 | 图像特征提取 |
| LightGBM/XGBoost | 结构化表格数据 | 成矿概率预测、靶区排序 |
| 贝叶斯神经网络 | 不确定性量化 | 输出置信度区间 |
| 小样本学习/迁移学习 | 标注样本稀缺 | 提升泛化能力 |

技术栈:Hadoop/Spark(大数据)、TensorFlow/PyTorch(深度学习)、微服务+容器化+云原生(部署)、国产化适配。

**3. 校企攻关合作**

与中国地质大学、中科院建立校企攻关小组:
- 我司负责数据集建设与标准化、算法选型评估、模型工程化集成与业务适配
- 高校团队基于我司整理的标准化数据集提供算法研究方案与模型
- 我司负责训练/验证流程、版本管理、MLOps部署与迭代优化

**4. 专家评审兜底机制**

指标未达标时启动地质专家组评审,区分:
- 软件实现缺陷 → 我司免费迭代优化
- 数据集客观约束 → 按评审结论处置,不视为我司违约

## 六、关键动作四:多方协同机制

### 6.1 痛点

四方(甲方/总包/我司/高校)协同,链路长,信息传递损耗大,需求确认与数据供给节奏不可控。

### 6.2 动作

**1. 责任矩阵(RACI)**

建立详细的工作事项责任矩阵,明确每项工作的负责/批准/咨询/知情角色,避免推诿。

**2. 里程碑与接续计划**

| 里程碑 | 内容 | 前置条件 |
|---|---|---|
| M0 | 基线确认单签署 | 数据盘点完成 |
| M1 | AI核心算法开发与有效性验证 | 甲方提供验证支持 |
| M2 | 核心模型+4智能体核心功能+测试报告 | 采购方协调业务验证 |
| M3 | 系统集成+功能/性能测试 | — |
| M4 | 四矿区试运行+优化 | 最终用户组织试运行 |
| M5 | 历史验证对比+模型修正 | 最终用户提供验证数据 |
| M6 | 最终验收 | 全部成果交付 |

**3. 问题清单与风险清单**

建立项目问题清单和风险清单,跟踪数据供给、需求确认、模型验证、现场部署、算力保障等重点事项,责任到人,闭环管理。

## 七、成果与量化指标(阶段性)

### 7.1 已完成/进行中成果

| 模块 | 状态 | 说明 |
|---|---|---|
| 需求调研与任务书编写 | ✅ 完成 | 编写任务书具体内容、工作说明书、报价 |
| 数据治理方案设计 | ✅ 完成 | 三级目录体系、责任矩阵、数据标准 |
| 数据治理工具开发 | 🔄 进行中 | ETL、图件矢量化、质检工具 |
| 数据资产盘点 | 🔄 进行中 | 受甲方数据供给节奏影响,滞后于计划 |
| 基线确认单 | ⏳ 待签署 | 数据盘点完成后签署 |
| AI核心算法 | 🔄 进行中 | 校企合作,算法方案评估中 |
| 多模态数据治理平台 | 🔄 开发中 | |
| 四大智能体 | 🔄 核心功能开发中 | 计划年底完成Demo演示 |
| 知识图谱/RAG | 🔄 设计中 | 配合甲方本体Schema |

### 7.2 量化验收指标(目标值,基线确认后评估)

| 指标 | 2026阶段目标 | 最终目标 |
|---|---|---|
| 成矿预测准确率 | ≥15% | 20%-30% |
| 数据质量达标率 | ≥80% | ≥85% |
| 数据标准化覆盖率 | — | ≥80% |
| 知识图谱推理准确率 | — | ≥85% |
| 系统响应时间(P95) | — | ≤3秒 |
| 并发用户数 | — | ≥100 |
| 系统可用性 | — | ≥99.5% |
| 数据存储能力 | ≥8TB | ≥10TB |
| 算法集成 | ≥8种 | 10余种 |
| 找矿靶区 | — | 6-8处 |
| 效率提升(成矿规律/绿地) | — | 30%-40% |
| 效率提升(靶区/工程设计) | — | 20%-30% |
| 实物成果 | — | 软著5项、论文2篇、数据集4套 |

### 7.3 商业结构

项目分2026、2027两年分别签订合同,本次为2026年度。付款节点:
- 50%:合同签订后
- 40%:2026年度初验合格 + 3个月稳定运行
- 10%:最终用户回款后(有兜底条款)

**2026年交付质量直接决定能否拿到2027年合同**,验收导向强。

## 八、踩坑与反思(教训)

### 8.1 数据治理周期被严重低估

**问题**:任务书Q2(4-6月)应完成初步数据集,Q3(7-9月)完成规范化治理。实际到10月数据盘点仍在进行。

**原因**:
- 低估了甲方历史资料数字化的工作量和协调难度
- 地质业务判定依赖专家,专家资源不可控
- 多方链路长,数据供给确认耗损大

**教训**:政企AI项目数据治理周期应按计划的1.5-2倍估算,且必须在合同中约定数据供给SLA和逾期顺延机制。

### 8.2 基线确认单应作为第一硬节点

**问题**:基线确认单未及时签署,导致开发范围不清晰,存在范围蔓延风险。

**教训**:基线确认单应作为合同生效后的第一硬性卡点,不签不进入大规模开发。

### 8.3 非专业背景下的借力机制要前置

**问题**:项目初期对地质专业知识不足,部分需求理解依赖甲方反复解释,沟通成本高。

**教训**:非行业专家做行业AI项目,应在启动阶段就建立:
- 专家顾问机制(定期评审)
- 业务规则注入流程(专家提供规则→系统化)
- 输出审核流程(所有AI输出必经专家审核)

### 8.4 AI预期管理要前置

**问题**:甲方对AI能做什么、不能做什么预期不清晰,部分需求超出技术边界。

**教训**:在需求调研阶段就应明确AI能力边界,通过演示过往案例、量化指标、风险说明管理预期,避免后期验收争议。

## 九、可复用方法论:政企AI项目范围管理与验收体系

### 9.1 五步范围管控法

1. **基线锁定**:签署基线确认单,锁定数据与场景边界
2. **数据冻结**:明确训练/验证/盲测数据划分,防止数据泄漏
3. **责任矩阵**:技术问题供应商负责,业务问题甲方负责
4. **变更流程**:超出基线的需求走书面变更评估
5. **专家兜底**:指标异常启动专家组评审,区分软件缺陷与数据约束

### 9.2 验收指标量化法

- 所有验收指标必须量化(准确率、响应时间、效率提升比例)
- 指标评估必须绑定基线数据集
- 区分"软件交付指标"与"业务成效指标"(后者不作为软件否决条件)

### 9.3 非行业专家交付法

- 行业知识通过"专家规则注入+本体约束"系统化
- AI输出必经专家审核,不替代专家判断
- 供应商负责工具、工程化、集成,不承担行业业务判定责任

## 附录:关键术语表

- **多模态混合模型**:融合GNN/CNN/LightGBM/XGBoost/贝叶斯/小样本/迁移学习等算法,针对不同数据类型的组合模型
- **地质本体**:地质领域实体(如金矿床)的属性、关系、约束的结构化定义
- **基线确认单**:锁定项目启动时数据与场景边界的确认文件
- **数据冻结**:区分训练数据与验证数据的时间切分机制
- **MLOps**:模型版本管理、训练日志、推理监控、结果回溯的工程化体系