人工智能找矿这件事，行业里吵了五六年。我的判断只有一句：拐点在数据与验证，不在算法。算法早就够用——随机森林、梯度提升、卷积网络，教材上都有、代码都开源，一个研究生两周能跑通。真正卡住项目的是另外两件事：几十年攒下的资料能不能整理成机器吃得下的数据集，见矿之后能不能把预测结果验回来。这两件事推不动，再新的模型也只是换一张更好看的色块图。
我看过不少号称"智能找矿"的成果，也评审过一些。有的报告第一页写着深度学习，第十页的靶区还是手工圈的；有的模型精度 0.9，问一句验证孔打了几个，答案是零。还有一层原因常被忽略：找矿是个负结果占多数的行业，一百个异常里可能九十个不成矿，模型把"不确定"包装成"高概率"，看上去很专业，实际什么也没决定。所以这篇不做资料汇编，也不替谁站台，只按六条线把已经发生的变化捋一遍：数据侧、方法侧、空间侧、矿种侧、工具侧、验证侧，收尾说三件仍然没解决的事。
一、数据侧：从"资料堆"到"可计算数据集"
任何一个智能找矿项目，开工前三个月大概率不是写代码，而是找数据。纸质剖面、扫描的化验单、不同年代不同坐标系的钻孔柱状图、没有表头的化学分析表，散在几个硬盘、几台旧电脑和档案室里。这一步做不完，后面的模型无从谈起。
数据侧这五年最大的变化，是从资料堆变成可计算数据集：统一坐标与高程基准，统一单位（ppm 与 % 不能混着进表），把钻孔、化验、测井、物探、地质图分层入库，字段和编码按固定规范落下来。听起来是体力活，但它决定模型能走多远——属性字段少一个，模型就少一条证据。
更关键的一步是样本化：把预测目标翻译成机器能学的东西。做化探异常圈定，标签来自后来见矿的点；做砂岩型铀矿靶区预测，正样本是已知矿床与见矿孔，负样本要选在地质上"合理不存在"的位置。随机撒点最省事，也最坏：它会把本该成矿、只是还没勘探的地方当成负样本，模型学出来必然虚高。
这几年真正的进展不在算法，而在行业开始承认数据是一项资产：愿意为一个矿区投两三个月做清洗，愿意按统一模板提交钻孔数据，愿意把历史化验单重新录入。反过来，很多自称"已建成数据集"的成果，其实是一张拼起来的宽表，没有元数据、没有版本记录，换一个矿区就不能复用。
判断：数据侧走通了一半。单矿区能做到可计算，跨矿区还做不到。样本定义、负样本策略、元数据规范这三件事没有行业统一口径，是当前最大的隐性成本。
二、方法侧：从单一算法到"知识 + 数据"双驱动
早些年的做法很直接：把化探、重力、航磁、遥感蚀变、断裂缓冲区十几个图层当特征，丢进随机森林，输出一张成矿概率图。图能出来，一到评审就被问住——这片为什么红，答不出地质原因，只能答"模型算的"。这一句就够把整页结论作废。
方法侧的变化叫知识加数据双驱动。一头是知识图谱：把矿床类型、控矿要素、蚀变组合、地层与构造之间的因果关系显式表达，让机器知道"某类花岗岩与锡钨有关"这种常识；另一头是地质约束嵌入模型：把断层距离、赋矿层位、接触带关系作为先验或惩罚项塞进目标函数，让模型不许输出违反地质规律的结果。
现实里落地效果最好的，往往不是大图谱，而是"规则库加权重表"这种土办法：几十条硬规则——必须在某个层位、距断裂不超过某个距离、化探某元素组合达标——先把不可能的区域筛掉，再让模型在剩下的空间里排序。逻辑不高级，但它能和地质人员对话，也能被评审逐条核对。分寸在把"必须满足"和"倾向满足"分开，前者用来排除，后者用来加权，规则太死，模型就退化成手工筛选。
另一个变化是解释前置：模型输出不只给概率，还给贡献度，哪几个图层起了作用、各占多少权重。评审会上能摆出"距断层 500 m 内、赋矿层位、铜钼组合异常"三条依据，讨论就能往下走；只给一张热力图，讨论当场结束。
判断：双驱动的实质是"模型不许违反地质常识"，不是给模型配一个知识库做装饰。方法侧已经够用，瓶颈不在这里。
三、空间侧：从二维成图到三维成矿预测
二维成图是行业最熟的产品：平面图叠色块，圈几个靶区，配一张示意剖面。它在露头区、浅部、构造简单的地方说服力很强；到了覆盖区、深部、危机矿山找接替资源，二维就没什么话可说——图上那一片，到底是 200 m 深还是 1200 m 深，图上没有答案。
三维预测把这个问题往前推了一步：先建三维地质模型，地层、岩体、断裂、矿体做成实体与块体，把钻孔、剖面解释、物探反演结果放进去，再在块体上逐块算成矿有利度。输出从"平面上哪一片"变成"深部哪一块、哪个标高、哪条接触带"。
这个变化在现场是有意义的。深部找矿的靶位常常落在"标高 -800 至 -1200 m 的层间接触带附近"这种描述上，二维图给不出这个精度；三维块体里，靶位是带坐标、带体积、带埋深的三维体，布孔时能直接换算孔深和孔斜。做接替资源论证时，这一条往往就是分水岭：报告里写"深部有潜力"，评审听不进去；拿出一块带体积的靶体，讨论才有共同对象。
但三维预测的天花板不由算法决定，由深部数据决定。钻孔稀的地方，模型靠插值，插值错了，预测就继承错误；物探反演本身多解，把反演体直接当约束，等于把不确定性当事实输入。这一点上，三维比二维更容易骗人——因为它看起来更真实。
判断：空间侧的进展主要是工程能力，大块体计算、三维可视化、与采矿设计软件的数据交换；理论框架没变。可信度完全取决于深部约束的密度，钻孔密度不够的项目，三维预测只能当思路，不能当结论。
四、矿种侧：从通用模型到矿种专用模型
通用模型最容易被误用：一套证据权重，今天评金矿，明天评铀矿，后天评煤层气。这三类矿的成矿机制、数据来源、评价目标都不一样，用同一套判据，等于假设它们相同。
砂岩型铀矿的核心是层间氧化带前锋。辫状河道砂体提供容矿空间，古层间氧化界面控制氧化还原梯度，有机质、黄铁矿、甲烷这类还原剂决定铀在哪儿沉淀。判据落在沉积相与氧化还原界面上，样本极少——一个盆地能进模型训练的矿床往往只有个位数，模型必须小样本、强先验，靠地质认识兜住方差。
煤层气的判据完全不同：含气量、渗透率、临界解吸压力、煤层厚度与埋深、构造保存条件。它的评价目标不是"有没有矿"，而是"能不能采出来"，渗透率不够，含气量再高也排采不动。数据主要来自钻孔测试与排采试验，评价单元是区块或井组，落地性比成矿概率重要得多。
页岩气看的是有机质丰度、成熟度、脆性矿物含量、厚度、埋深与构造稳定性，最终落到可压裂性与资源丰度，靶区是水平井段上的甜点。同样是气体，它的证据集偏地球化学与岩石力学，跟煤层气的测试驱动不是一回事。
三者共同的变化是从"成矿概率"转向"可动用性"；差异在证据类型——沉积相、工程测试、地球化学加岩石力学。所谓专用模型，本质是换标签、换证据集、换阈值。宣称一套模型通吃所有矿种的说法，我至今没见过站得住的实例。
表1 三类矿种专用模型的标签、证据与判据差异
| 矿种 | 预测标签 | 核心证据 | 判据与失效边界 |
|---|---|---|---|
| 砂岩型铀矿 | 见矿孔、已知矿床、矿化显示 | 沉积相与砂体、古层间氧化界面、还原剂 | 层间氧化带前锋位置；矿床样本少，需强先验，跨盆地迁移基本失效 |
| 煤层气 | 含气量与可采性、排采试验井 | 钻孔测试、含气量、渗透率、临界解吸压力 | 评价单元是区块或井组；渗透率不足时，含气量高也不构成可采 |
| 页岩气 | 甜点段、水平井可压裂段 | 有机质丰度、成熟度、脆性矿物、厚度与埋深 | 落到可压裂性与资源丰度；构造复杂区，脆性指标不足以支撑布井 |
五、工具侧：从科研脚本到工程化平台
早期的智能找矿成果，大多长在个人电脑里：一个 notebook、一堆路径写死的脚本。换台机器跑不起来，作者毕业或调岗，代码就死了。成果是一张图，没人能复算；评审问一句权重怎么来的，只能回去翻聊天记录。
工具侧的进展是从科研脚本走向工程化平台：数据管理、算法调度、指标计算、成果出图成套，项目模板化、参数配置化，换矿区只换数据不改代码。年轻技术员不用装环境就能跑完一套证据权重加逻辑回归，评审也能在同一平台上复算，这一步对信任的建立比精度提升更管用。
不过平台不解决判断问题。平台上跑出来的图经常和地质人员的经验结论打架，最终还得人工改边界、删掉明显不合理的斑块。这时候平台的价值体现为留痕：改了什么、谁改的、依据是什么，事后能查。查得清，才敢往报告里放。
另一个实际收益是出图一致性：同一套模板，几十个图幅的配色、分级、图例统一，汇总成区域图时不用返工。跨区对比时，这一点比算法精度更要紧。
再往细说一层：工程化平台把数据版本、参数配置、指标计算、成果归档绑在一起，谁在什么时候用哪版数据算了什么，全都留了记录。这套东西在地勘单位推行得慢，但一旦推起来，新人接手不必重新问"这个靶区是谁圈的"，成果才留得住。
判断：工具侧进步明显，但它的价值是可复算、可追溯、可交付，不是自动出结论。评审最认的恰恰是这三样，所以这条线是最容易被认可的一条。
六、验证侧：从"圈靶区"到"钻探闭环"
圈靶区是这个行业最容易的一步：跑一遍模型，出十来个靶区，报告写得很漂亮。难的是下一步——靶区准不准，只有钻孔能回答。没有钻孔，所有的精度指标都是自说自话。
验证侧的变化是从"圈靶区"到"钻探闭环"：把验证结果结构化回写，见矿的靶区拆成新的正样本，没见矿的拆成负样本，回到数据集再训练一轮。这套循环一旦转起来，模型一年比一年准；转不起来，模型永远是第一次交付时的样子，第二年就没人用了。
有的项目开始在方案阶段就把验证写进去：每个靶区至少布一个验证孔，明确验证指标是见矿率、见矿厚度还是品位区间，约定什么时候回填。指标要具体到能统计——十个靶区打下去见了几个、见矿段厚度是不是达到预期、单位见矿成本比上一轮降了没有——这些比"模型精度 0.9"有用得多。设计时多写两页，执行时少扯半年。
困难也清楚：一个靶区的验证周期以年计，成本以百万计；模型给出的优先级，经常抵不过一句"这里老地质员看着像"。更现实的是，靶区排序还要让位于矿权边界、既有工作部署和地方关系，很多靶区排进计划也不会落地。
判断：验证侧是唯一能让智能找矿从论文走进生产的环节，也是目前最薄的一环。多数项目的闭环只转了一圈就停了，样本没增加，模型没迭代，下一轮又从零开始。
七、仍然没解决的三件事
六条线捋完，有三件事仍然没解决。它们不是技术细节，是行业结构问题。
样本稀缺
矿床数量是天然有限的。一个省域能拿来做训练的正样本常常只有几十个，全球超大型矿床也就那么多，不可能靠多打钻造样本。负样本更麻烦：随机负样本会把未知当成无矿，地质合理的负样本又要靠人判断，成本高、口径还不统一。
后果很直接：小样本下模型方差大，同一条成矿带换个训练集，靶区位置能挪几公里；交叉验证分数好看，一换区就掉。现在能用的办法是迁移学习、合成样本、以成矿系统为单位扩样本、把矿化显示当弱标签，都是缓解，不是根治。更麻烦的是样本的"质量"问题——早年的钻孔没有测井曲线、化验项目不全、坐标转换有残差，这些缺陷会一路传到模型里，而模型不会告诉你它用的是坏数据。
验证成本高
验证一个靶区，周期以年计、成本以百万计，一个项目能验的靶区往往是个位数。反馈信号这么少，模型没法真正学到东西；精度指标只能在极小样本上估，置信区间宽到没有意义。
更麻烦的是非技术因素。靶区能不能打，取决于矿权、投资节奏、地方协调，很多预测做得不错的靶区，排在计划里三年没动。没有验证，就没有可信的精度，下一轮预算就下不来。
这件事还有一个隐性代价：验证少，等于行业始终没有一本"预测到底准不准"的公共账本。谁都在报自己圈得准，谁都不说打下去见了什么，结果是所有人都在同一个坑里重复。青年技术员看不到反馈，学不到东西；决策者拿不到命中率，只能凭感觉批预算。
可解释性差，评审不认
评审的逻辑是"为什么这里"，模型的逻辑是"这组特征组合得分高"。贡献度分析能说清哪个图层作用大，说不清为什么这个组合在这个位置成矿。不确定性更难讲：模型给 0.72 的概率，评审要的是敢不敢打，这两件事不在一个语言体系里。
我做过几次评审，见过最有效的做法是把模型结论翻译成地质语言：不写"高有利度区"，写"该区位于赋矿层位与断裂交切部位、化探铜钼组合异常、物探反演显示深部存在低阻体，三条证据同时成立"；不写"概率 0.72"，写"按已知矿床的相似度排序，本区排在前三位"。话说得笨，但评审能接得住，项目能往前走。
于是形成一个循环：样本少，模型不稳；模型不稳，更依赖解释；解释不硬，评审不认；评审不认，不给验证预算；没有验证，就没有新样本。这个循环在不少单位已经转了好几年，转得人越来越不信 AI。
破局的点在验证，不在算法。行业下一步最该补的一环，是靶区验证与结果回填机制：把每个靶区打下去见了什么、没见什么，结构化地记下来，回到数据集里；再往上一层，建立跨项目、跨单位的验证结果共享，让别人的失败孔变成你的负样本。这件事没有算法含量，但它决定前面六条进展能不能连成一条线。
三件事叠在一起看，会更清楚一点：样本稀缺决定了模型不可能靠数据量取胜，验证成本高决定了反馈信号少，可解释性差决定了评审难通过。三条约束同时存在，意味着智能找矿在可预见的几年里只能做辅助判断，做不到替代判断。认清这个位置，反而不容易失望，也更容易把该做的事做好。
八、一句话结论
人工智能找矿的拐点，不在模型版本更新，而在"数据可算、结果可验"两件事同时成立的那一天。在那之前，它是一个好用的辅助工具，不是找矿方法本身。
找矿的胜负手，从来在敢不敢在正确的位置打孔。AI 现在能做的是把候选范围缩小、把依据摆清楚；打不打、什么时候打，仍然是人的决定。行业最该补的一环是验证与结果回填，补上它，六条进展才算真正闭环——这活儿不体面，不出论文，但它是这轮技术红利能不能留下来的分界线。
【延伸阅读】
- 智能找矿的数据底座：六条进展里最基础的一条，清洗、配准与样本化全在这里。
- 随机森林与 XGBoost 怎么选：方法侧的选型逻辑，本文只给了结论。
- 页岩气甜点预测：TOC、脆性与含气性的插值和机器学习之争：矿种专用模型落到具体参数上的一次拆解。
【需要帮忙】智能找矿方案评审、数据集建设、靶区圈定与验证回填机制设计，可留言说明矿区基本情况（矿种、资料年代、已有测试项目），我先判断值不值得做。
【智能找矿笔记】
01 铀矿层间氧化带 · 02 数据底座 · 03 构造煤 · 04 六大进展 · 05 RF 与 XGBoost
06 三维成矿预测 · 07 页岩气甜点 · 08 遥感蚀变 · 09 铀矿样本 · 10 AI 报告
