SEG（勘探地球物理學家協(xié)會）年會是全球勘探地球物理界規(guī)模最大的技術(shù)交流會和展覽會，是了解勘探地球物理最新技術(shù)研究成果、熱點技術(shù)和最新產(chǎn)品的最佳場所。2019年SEG年會于9月15-20日在美國德克薩斯州San Antonio市舉行，1070余篇論文在155個會場進行了交流。據(jù)不完全統(tǒng)計，人工智能（機器學習）技術(shù)應用研究的論文達138篇，占全部論文的將近13%。筆者瀏覽了這些論文的主要內(nèi)容，現(xiàn)將人工智能技術(shù)應用研究論文的主要情況與重點研究進展匯總?cè)缦拢┩袀儏⒖肌?/section>【友情提醒】全文近90頁，包含了大量圖件，為節(jié)省大家的流量，這里略去了圖件，完整PDF文件可從百度網(wǎng)盤上下載，下載地址為：https://pan.baidu.com/s/1twpayuku2bH2B5kKxvPvig
2019年SEG（勘探地球物理學家協(xié)會）年會上共有1070余篇論文在155個會場進行了交流，其中包括口頭報告和張貼論文。據(jù)不完全統(tǒng)計，人工智能（機器學習）技術(shù)應用研究的論文達138篇，占全部論文的將近13%，其中包括14個機器學習專題會場（7個口頭報告會場和7個張貼論文會場）；相對而言，2018年SEG年會的人工智能論文為107篇，占比為10%左右。從論文數(shù)量上來看，勘探地球物理中的人工智能應用研究持續(xù)火熱；從論文的研究內(nèi)容來看，應用范圍也在不斷擴大和深入。
筆者于會前下載了相關的138篇論文，8月30日分享給了各位感興趣的研究人員，見《地學新視野》公眾號文章“先睹為快：2019年SEG年會138篇人工智能應用論文會前分享”。論文包下載地址為：https://pan.baidu.com/s/1evyfN_IBZ7uwv4nJPEw3-w筆者今年無緣參加SEG年會，不能現(xiàn)場聽取精彩的技術(shù)報告和參觀產(chǎn)品展臺，因此只能在家瀏覽了一下收集的138篇論文，現(xiàn)將有關論文情況及初淺的印象和體會簡介如下。
二、采用算法分析
在138篇與人工智能或機器學習有關的論文中，在所采用的技術(shù)或算法中，深度學習網(wǎng)絡占絕對主導地位，將近110篇，其中卷積神經(jīng)網(wǎng)絡模型（CNN）占70篇，循環(huán)神經(jīng)網(wǎng)絡模型（RNN）占10篇，生成對抗網(wǎng)絡模型（GAN）占14篇，其它神經(jīng)網(wǎng)絡模型（如全連接神經(jīng)網(wǎng)絡模型DNN等）占16篇，生成對抗網(wǎng)絡中也普遍采用了卷積神經(jīng)網(wǎng)絡模型，因此單單卷積神經(jīng)網(wǎng)絡模型就占了80篇。除此以外，采用聚類算法的有12篇，其它十余篇論文采用了字典學習（稀疏編碼算法）、隨機森林算法等其它算法，還有3-4篇文章看不出采用了什么算法或只涉及泛泛的人工智能或與人工智能關系不大。需要說明的是，部分論文采用了多種算法，如卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡。
三、應用領域分析
從2019年SEG年會論文內(nèi)容來看，人工智能（機器學習）技術(shù)在勘探地球物理中的應用領域覆蓋面已經(jīng)比較廣了，在基本延續(xù)2018年的基礎上有一定的擴展和深入?；厩闆r簡述如下：（1）機器學習應用領域大體覆蓋了如下領域：斷層識別（7篇）、層位追蹤（2篇）、鹽丘等地質(zhì)體追蹤（5篇）、構(gòu)造建模（5篇）、地震地層解釋（4篇）、地震相解釋（19篇）、地震屬性分析（2篇）、巖性參數(shù)預測與油藏描述（9篇）、地震正演（1篇）、地震反演（26篇）、層析反演（1篇）、噪聲壓制（7篇）、提高分辨率（2篇）、地震道插值（4篇）、地震波場重建（4篇）、地震數(shù)據(jù)壓縮（1篇）、初至拾取與震相識別（6篇）、速度分析與動校正（5篇）、偏移成像（2篇）、測井資料分析（5篇）、巖石物理分析（5篇）、微地震定位（2篇）、電磁勘探（5篇）及其它。
（2）印象一：構(gòu)造解釋（斷層、層位、地質(zhì)體解釋）、地震相識別或波形分類、巖性參數(shù)預測、噪聲壓制是幾個延續(xù)熱點領域，相對而言技術(shù)成熟度不斷提高，部分接近實用化水平。（3）印象二：今年地震反演方面的論文劇增，達到27篇。地震反演論文涵蓋了疊后波阻抗反演、疊前彈性參數(shù)反演、全波形反演、層析成像反演，本文后面將作進一步介紹。（4）印象三：在構(gòu)造解釋方面，斷層解釋和鹽丘解釋技術(shù)應用相對較為成熟，今年還出現(xiàn)了相對地震年代體估計的論文，這為自動化全局構(gòu)造模型建立提供了良好的基礎。另外，地震地層解釋也為自動化全局地層模型建立奠定了基礎。（5）印象四：地震勘探仍然是主要應用領域，重磁勘探應用的5篇論文主要涉及數(shù)據(jù)空間插值、反演內(nèi)容。四、重點成果簡介
這里僅根據(jù)個人的認識和喜好選擇了幾個方面的典型研究成果進行介紹，主要應用領域包括構(gòu)造解釋、地層解釋、地震反演、巖石物理分析等，每個領域選擇若干篇篇代表性論文進行介紹，其中地震反演方面的內(nèi)容介紹相對較多。
（一）地震構(gòu)造解釋
在近年來的研究中，運用深度學習技術(shù)進行斷層識別和鹽丘邊界圈定是兩個典型的應用方向，今年這方面的研究文章仍然較多。大體一致的是應用卷積神經(jīng)網(wǎng)絡進行斷層識別和鹽丘邊界圈定，不同的有兩點。一是有的作者利用合成地震記錄數(shù)據(jù)集進行網(wǎng)絡模型的訓練，然后將訓練好的網(wǎng)絡模型應用于實際地震數(shù)據(jù)集；而有的作者直接用實際地震數(shù)據(jù)進行訓練，然后將訓練好的網(wǎng)絡模型應用于其它實際地震數(shù)據(jù)集。第一種方法解決了訓練數(shù)據(jù)集的標注問題，而第二種方法一般需要對部分數(shù)據(jù)集進行人工解釋進行標注，或利用其它傳統(tǒng)方法進行標注，如計算相干體作為斷層概率等。在斷層檢測方面，伍新明等人的研究（Xinming Wu, Luming Liang, Yunzhi Shi, Zhicheng Geng和Sergey Fomel：Deep learning for local seismic image processing: fault detection, structure-oriented smoothing with edge-preserving, and slope estimation by using a single convolutional neural network）更有特色，其特色體現(xiàn)在三個方面：一是用大量三維地質(zhì)模型合成地震記錄作為訓練數(shù)據(jù)集，二是不但檢測斷層存在的概率還檢測斷層的傾角，三是用一個卷積神經(jīng)網(wǎng)絡模型同時檢測斷層、估算局部傾角以及進行邊緣保護構(gòu)造濾波處理。Tao Zhao（3D convolutional neural networks for efficient fault detection and orientation estimation）也用類似的方法構(gòu)建了三維斷層與方位角檢測模型，也是采用合成地震數(shù)據(jù)作為訓練數(shù)據(jù)集。鹽丘檢測也是一個研究熱點，但研究方法略有不同，有的作者主要研究檢測鹽丘頂界面和底界面，有的則直接圈定鹽丘空間范圍。Ruichao Ye、Young Ho Cha、Thomas Dickens等（Multi-channel Convolutional Neural Network Workflow for Automatic Salt Interpretation）提出了一種多通道卷積神經(jīng)網(wǎng)絡模型進行自動鹽丘解釋的工作流程，將地震成像數(shù)據(jù)體和成像速度體都作為輸入數(shù)據(jù)，從而提高了鹽丘預測的準確性。在構(gòu)造解釋方面，今年還有一篇文章值得關注，就是關于相對地質(zhì)年代體計算的。Zhicheng Geng、Xinming Wu、Yunzhi Shi和Sergey Fomel（Relative geologic time estimation using a deep convolutional neural network）在論文中給出了用卷積神經(jīng)網(wǎng)絡模型構(gòu)建相對地質(zhì)年代體的研究結(jié)果，而多年前Xinming Wu和Guangfa Zhong （Generating a relative geologic time volume by 3D graph-cut phase unwrapping method with horizon and unconformity constraint，Geophysics, Vol.77, No.4, 2012）是用瞬時相位展開的方法構(gòu)建相對地質(zhì)年代體。相對地質(zhì)年代體的構(gòu)建實際上是一種全局構(gòu)造解釋方法，它是地震沉積研究和古構(gòu)造演化研究的基礎，也是地質(zhì)構(gòu)造模型建立的基礎。（二）地震地層解釋
今年的SEG年會上，有5篇關于機器學習技術(shù)在地震地層解釋中的應用文章，其中4篇類似，這里選擇一篇介紹。Haibin Di、Zhun Li、Hiren Maniar和Aria Abubakar在論文（Seismic stratigraphy interpretation via deep convolutional neural networks）中提出了一種地震地層解釋的新流程，這個流程分為兩個步驟，第一步為地震特征自學習，第二步為地層模型建立，兩個步驟都是采用一個深度卷積神經(jīng)網(wǎng)絡模型，但第一步驟采用的是非監(jiān)督學習，無需領域?qū)＜抑R，而第二步驟采用的是監(jiān)督學習。作者還提供了逐道、畫刷、全剖面三種標注方式，以方便訓練數(shù)據(jù)集的建立。該方法在兩個地區(qū)的實際資料處理中取得了良好的效果。
（三）地震相識別（波形分類）
波形分類是地震相識別的主要方法，也是近年來機器學習技術(shù)在地球物理中應用研究的一個熱點。今年的SEG年會上有關這方面應用研究的論文達19篇，論文中采用的方法多種多樣，有卷積神經(jīng)網(wǎng)絡（CNN）、循環(huán)神經(jīng)網(wǎng)絡（RNN）、概率神經(jīng)網(wǎng)絡（PNN）、深度神經(jīng)網(wǎng)絡（DNN）、自編碼器網(wǎng)絡（AE）、生成對抗網(wǎng)絡（GAN）、K近鄰聚類（KNN）、自組織投影網(wǎng)絡（SOM）、高斯混合模型（GMM）等，應該是方法類型最多的一個應用領域。由地震波形抽取地震屬性，再對地震屬性進行聚類實現(xiàn)波形分類，從而達到預測地震相的目的，這是典型傳統(tǒng)的地震相識別。地震屬性的抽取常用到主成分分析（PCA）、獨立成分分析（ICA）等降維技術(shù)，聚類則常用到KNN、SOM等方法。隨著深度學習技術(shù)應用的深入，深度神經(jīng)網(wǎng)絡模型（DNN、CNN、RNN等）常被用來直接對地震波形進行分類，從而實現(xiàn)地震相識別。有關這方面的技術(shù)也在持續(xù)發(fā)展中，最初采用滑動分析的方法對一個個小時窗數(shù)據(jù)體進行分類分析，得到整個地震數(shù)據(jù)體或剖面的地震相分布。而后來采用圖像分割的方法直接對整個地震數(shù)據(jù)體進行分析獲得地震相分布，大大提高了處理效率。這里選擇幾篇典型的文章來介紹地震相應用研究方面的結(jié)果。Michael Jervis、Mingliang Liu、Weichang Li和Robert Smith在論文（Deep Learning Network Optimization and Hyper-parameter Tuning）中給出了用卷積神經(jīng)網(wǎng)絡模型進行地震相識別的結(jié)果，有效識別出河漫灘、河道等地質(zhì)體。Satinder Chopra、Kurt J. Marfurt和Ritesh Kumar Sharma在論文（Unsupervised machine learning facies classification in the Delaware Basin and its comparison with supervised Bayesian facies classification）中給出了多種聚類分析方法進行波形分類的結(jié)果對比。
Li Lei、Lin Yu、Zhang Xiong、Liang Han、Xiong Wei和Zhan Shifan在論文（Convolutional recurrent neural networks based waveform classification in seismic facies analysis）中綜合應用了卷積神經(jīng)網(wǎng)絡和循環(huán)神經(jīng)網(wǎng)絡模型進行地震相識別，并將局部三維數(shù)據(jù)體按道螺旋展開形成二維剖面進行處理。
Dawei Liu、Xiaokai Wang、Wenchao Chen、Yanhui Zhou1、Wei Wang、Zhensheng Shi、Cheng Wang和Chunlin Xie在論文（3D seismic waveform of channels extraction by artificial intelligence）中提出了一種檢測橫向非均勻地質(zhì)體的卷積神經(jīng)網(wǎng)絡模型，用形態(tài)成分分析方法提取特征，可有效檢測古河道等地質(zhì)體。
Oddgeir Gramstad、Bartosz Goledowski和Michael Nickel在論文（Automated channel detection using deep convolutional neural networks）中則延續(xù)了他們的傳統(tǒng)，即在一個工區(qū)內(nèi)對局部數(shù)據(jù)子集用人工解釋結(jié)果標注構(gòu)建訓練數(shù)據(jù)集，然后用訓練好的模型對全工區(qū)應用處理。
Pradip Mukhopadhyay和Subhashis Mallick（Bayesian deep learning for seismic facies classification and its uncertainty estimation）則用卷積編碼-解碼器網(wǎng)絡將鹽丘檢測問題轉(zhuǎn)化為一個地震相分類問題，并可分析預測的不確定性。
Mingliang Liu、Weichang Li、Michael Jervis和Philippe Nivlet的論文（3D Seismic Facies Classification using Convolutional Neural Network and Semi-supervised Generative Adversarial Network）給出了用卷積神經(jīng)網(wǎng)絡和生成對抗網(wǎng)絡進行三維地震相分析的結(jié)果。
（四）地震反演
前已提及，今年人工智能技術(shù)在地震反演方面應用的論文劇增，達到27篇。地震反演論文涵蓋了疊后反射系數(shù)和波阻抗反演、疊前彈性參數(shù)和巖性參數(shù)反演、全波形反演、地震初至旅行時層析成像反演等方面。所采用的方法包括DNN、CNN、RNN、Boltzmann機、GAN等。Harpreet Kaur、Nam Pham和Sergey Fomel在論文（Estimating the inverse Hessian for amplitude correction of migrated images using deep learning）中用生成對抗網(wǎng)絡迭代近似表達逆海斯矩陣，從而實現(xiàn)偏移剖面到反射系數(shù)剖面的映射，達到了較好的計算效率。這實際上是一個疊后反射系數(shù)反演方法，可以降低噪聲、消除偏移假象、增強反射振幅，通過三個數(shù)據(jù)集訓練獲得的模型在另外兩個數(shù)據(jù)集上的應用證明了模型的泛化能力和方法的實用性。Daoyu Chen、Jinghuai Gao、Yupeng Hou和Zhaoqi Gao的論文（High resolution inversion of seismic wavelet and reflectivity using iterative deep neural networks）給出了類似功能的應用研究結(jié)果，用卷積神經(jīng)網(wǎng)絡模型將地震振幅波形道轉(zhuǎn)化成反射系數(shù)道，實際上是實現(xiàn)了提升地震剖面分辨率的效果。
Vishal Das和Tapan Mukerji在論文（Petrophysical properties prediction from pre-stack seismic data using Convolutional Neural Networks）中用級聯(lián)法和一步法卷積神經(jīng)網(wǎng)絡模型由時間域角度道集反演深度域巖石物理參數(shù)（縱橫波速度、密度和孔隙度、泥質(zhì)含量、含水飽和度）。
Son Phan和Mrinal Sen在論文（Deep Learning with Cross-shape Deep Boltzmann Machine for Pre-stack Inversion Problem）中給出了另一種由時間域角度道集反演深度域巖石物理參數(shù)（縱橫波速度和密度）的方法，他們采用的是一種交叉Boltzmann機模型。Jiameng Du、Junzhou Liu、Guangzhi Zhang、Lei Han和Ning Li 在論文（Pre-stack seismic inversion using SeisInv-ResNet）中用殘差網(wǎng)絡由疊前地震數(shù)據(jù)反演方位各向異性介質(zhì)的速度和裂縫參數(shù)。
Reetam Biswas、Mrinal K. Sen、Vishal Das和Tapan Mukerji的論文（Pre-stack inversion using a physics-guided convolutional neural network）給出了一種類似的基于卷積神經(jīng)網(wǎng)絡模型由疊前角度道集地震數(shù)據(jù)反演縱橫波速度和密度的方法。
Yuqing Wang、Qiang Ge、Wenkai Lu和Xinfei Yan在論文（Seismic impedance inversion based on cycle-consistent generative adversarial network）中構(gòu)建了一個周期一維一致性生成對抗網(wǎng)絡（Cycle-GAN）實現(xiàn)一維波阻抗反演，其中包括兩個基于CNN的生成子網(wǎng)絡模擬地震道的正演與反演過程，兩個判別子網(wǎng)絡用于約束合成地震道與實際地震道之間的分布一致性，試驗對比顯示這種方法優(yōu)于一般的卷積神經(jīng)網(wǎng)絡方法。
Bingbing Sun和Tariq Alkhalifah在論文（ML-descent: an optimization algorithm for FWI using machine learning）中將循環(huán)神經(jīng)網(wǎng)絡作為最優(yōu)化工具應用于全波形反演中，在Marmousi模型數(shù)據(jù)集上進行了試驗。
Jian Sun、Zhan Niu、Kristopher A. Innanen、Junxiao Li和Daniel O. Trad的論文（A theory-guided deep learning formulation of seismic waveform inversion）很有特色，他們基于物理原理即波動方程構(gòu)建了一個具有地震波場正演模擬功能的循環(huán)神經(jīng)網(wǎng)絡模型，通過訓練得到網(wǎng)絡系數(shù)就實現(xiàn)了全波形反演，在Marmousi模型數(shù)據(jù)集上進行了試驗。Motaz Alfarraj和Ghassan AlRegib的論文（Semi-supervised learning for acoustic impedance inversion）提出了一種基于半監(jiān)督深度學習的疊后波阻抗反演方法，構(gòu)建了一個由卷積神經(jīng)網(wǎng)絡和循環(huán)網(wǎng)絡組成的深度學習網(wǎng)絡，基于測井曲線及其合成地震記錄進行訓練，將訓練得到的網(wǎng)絡模型用于地震記錄的波阻抗反演，基于模型試驗得到了較高的一致性。
Ahmad Mustafa、Motaz Alfarraj和Ghassan AlRegib的論文（Estimation of Acoustic Impedance from Seismic Data using Temporal Convolutional Network）給出了一種疊后地震道波阻抗反演方法，其中采用了時間卷積網(wǎng)絡模型，對Marmousi模型進行了試驗，選取1%的模型道進行訓練并應用于全模型。
Wenyuan Zhang和Robert Stewart在論文（Using FWI and deep learning to characterize velocity anomalies in crosswell seismic data）中試驗了一個卷積神經(jīng)網(wǎng)絡模型用于井間地震的速度反演，對合成記錄模型進行了試驗。
Youzuo Lin和Zhongping Zhang的論文（Learning or memorizing: a study of generalization issues on data-driven seismic full-waveform inversion）在前期基于GAN的地震速度反演研究基礎上，開展了大量試驗，驗證了速度反演神經(jīng)網(wǎng)絡模型的泛化能力，證明模型不是記憶了訓練數(shù)據(jù)集的內(nèi)容，不但從訓練數(shù)據(jù)集中學到了物理規(guī)律，而且成功應用于未見過的數(shù)據(jù)集。Yiran Xu、Jingye Li和Xiaohong Chen的論文（Physics informed neural networks for velocity inversion）與前述Jian Sun等人的論文采用了類似思路，引入了一種物理指引下的神經(jīng)網(wǎng)絡模型（PINN），模型顯式地表達了描述地震波動規(guī)律的偏微分方程，從而通過模型的訓練實現(xiàn)由地震數(shù)據(jù)反演地震速度模型，作者給出了二維模型的試驗結(jié)果。
Hongyu Sun和Laurent Demanet的論文（Extrapolated full waveform inversion with convolutional neural networks）采用卷積神經(jīng)網(wǎng)絡模型來拓展地震信號的頻率成分，從而提高全波形反演的效果。
Ziang Li、Xiaofeng Jia和Jie Zhang的論文（Deep learning guiding first-arrival traveltime tomography）則用生成對抗網(wǎng)絡進行地震初至旅行時層析成像反演。
（五）數(shù)字化巖石物理分析
今年的SEG年會上，有關機器學習技術(shù)在巖石物理分析中的應用文章有多篇，除了利用測井曲線預測巖石物理參數(shù)以外，還有3篇關于數(shù)字巖心分析的文章。
Leandro Passos de Figueiredo、Fernando Bordignon、Rodrigo Exterkoetter、Bruno Barbosa Rodrigues和Maury Duarte的論文（Deep 3D convolutional neural network applied to CT segmented image for rock properties prediction）提出了運用三維卷積神經(jīng)網(wǎng)絡模型由巖石標本三維CT掃描圖像估計孔隙度和縱波速度分布的方法，用理想模型理論計算結(jié)果生成訓練數(shù)據(jù)集，將訓練好的模型應用于實測砂巖CT切片圖像。Siyan Liu、Reza Barati和Chi Zhang在論文（Fast Estimation of Permeability in Sandstones by 3D Convolutional Neural Networks）中構(gòu)建了一個卷積神經(jīng)網(wǎng)絡模型由巖石標本三維CT掃描圖像快速估計砂巖的滲透率，對實際砂巖標本CT圖像進行了處理試驗并與LBM（格點玻爾茲曼法）方法進行了對比。
David Duarte-Coronado、Jerson Tellez-Rodriguez、Rafael Pires de Lima、Kurt Marfurt和Roger Slatt在論文（Deep convolutional neural networks as an estimator of porosity in thin-section images for unconventional reservoirs）中則是用卷積神經(jīng)網(wǎng)絡模型由薄片圖像定性評估樣本的孔隙度高低。
（六）其它
今年的SEG年會上，還有幾篇文章較有特色，現(xiàn)選擇兩篇簡介如下。在近幾年的深度學習技術(shù)應用研究中，一直沒有見到關于層位解釋的文章。今年終于見到了Hao Wu和Bo Zhang的文章（Semi-automated seismic horizon interpretation using encoder-decoder convolutional neural network），其中給出了一種半監(jiān)督自動層位拾取方法，采用編碼-解碼器格式的卷積神經(jīng)網(wǎng)絡模型，將層位拾取問題轉(zhuǎn)化為一個一維圖像的分割問題，用稀疏網(wǎng)格上的人工層位解釋結(jié)果進行訓練，然后用訓練好的模型對全數(shù)據(jù)體進行自動層位拾取處理，結(jié)果與基于種子點的自動拾取結(jié)果進行了對比。地震初至拾取也是近幾年深度學習應用研究的一個熱點，但相對而言成熟度較低。Yuanyuan Ma、Siyuan Cao、James W. Rector和Zhishuai Zhang的論文（Automatic first arrival picking for borehole seismic data using a pixel-level network）給出了一個基于U-Net的卷積神經(jīng)網(wǎng)絡模型，用于地震初至拾取，并與傳統(tǒng)的拾取方法進行了對比。
五、結(jié)束語
本文從2019年SEG年會上有關機器學習技術(shù)在地球物理中的應用方面的138篇論文，概要分析了采用的主要技術(shù)、應用領域和主要研究進展，盡管主要研究進展介紹內(nèi)容不是很全面，但基本代表了最新的研究進展水平。介紹的內(nèi)容說明了人工智能在地球物理中的應用研究處于持續(xù)火熱之中，應用領域在不斷擴大和豐富，研究也在進一步深化中，部分成果已經(jīng)具有了一定的實用化能力。但是，人工智能技術(shù)在地球物理中的應用研究仍面臨著一系列挑戰(zhàn)，簡述如下：（1）面向規(guī)模化應用的實用化問題：目前大量研究仍然是基于簡單模型和少量實際數(shù)據(jù)的試驗，方法的實用性和泛化能力有待進一步提高或驗證。（2）面向業(yè)務流程應用的流程自動化問題：目前大多數(shù)論文成果是基于單個功能點的研究，如果由功能點擴展到業(yè)務流程化應用尚存在諸多的應用環(huán)境、數(shù)據(jù)流暢通性和易用性等問題，如何從功能自動化或功能智能化向流程自動化推進任重道遠。（3）面向復雜場景應用的適應性問題：現(xiàn)有的研究大多局限于相對簡單的應用場景和應用條件，復雜場景應用的模型設計、訓練環(huán)境建設和訓練數(shù)據(jù)集建設面臨著巨大的挑戰(zhàn)。（4）面向業(yè)務流程集成的平臺建設問題：現(xiàn)有研究特別是高校師生的研究大多基于深度學習開源軟件框架，作為一個獨立系統(tǒng)開展研究簡單易用，但要與傳統(tǒng)業(yè)務平臺進行集成面臨著諸多困難，需要建立一個與現(xiàn)有業(yè)務流程有機集成（或緊密集成或松散耦合）的智能化研究與生產(chǎn)應用平臺。
智能化未來前景光明，但還有很長的路要走，需要我們付出更多和持續(xù)的努力。
