“找矿增储与AI赋能矿企突围”是本站一份矿业研修班历史课表中由杨仝、赖勇共同列出的课题。对于关注人工智能与矿业结合的读者，关键问题不是追逐技术名词，而是看数据能否支持可核查的地质判断和可落地的企业流程。

把数据治理放在模型之前

矿业数据可能来自测绘、遥感、地球物理、钻孔和生产记录，格式与覆盖范围并不一致。建立统一的数据目录、坐标基准、时间标签和质量说明，通常是后续分析的重要前提。若基础数据存在缺漏或采集偏差，复杂算法也可能生成看似精确但不可靠的结果。

识别异常要与地质机制相互验证

模型可以提示值得关注的空间区域或资料组合，但解释这些异常需要结合地层、构造、矿化规律和已知工程信息。合理流程是先提出可检验的假设，再安排适当的专业复核，而非把模型热区直接等同于资源发现。每一步应记录采用的证据、分析限制和下一步验证方式。

业务使用要衡量实际收益和风险

企业评估AI应用时，可以分别看资料整理效率、勘查决策支持、生产管理和风险控制等场景。需要明确系统解决什么问题、使用哪些数据、由谁复核输出，以及失败时怎样回退。单看演示效果或模型指标，难以判断能否形成稳定的业务价值。

人才协作决定技术能否进入现场

算法人员需要理解地质工作的背景，地质人员也需要了解模型的输入、输出和局限。共同定义问题、一起检查异常结果并积累反馈，能帮助工具逐渐适应真实流程。培训不应只演示软件按钮，还要让团队学会质疑输出、核查证据和保留决策记录。

历史课题不代表当前项目安排

公开课表将杨仝和赖勇共同列于这项课题，本文保留这一联合列名信息，没有把具体内容归为某一位老师单独讲授。课表对应既往期次，未来是否开设、师资如何安排需要另行确认。对课程感兴趣的读者可索取最新正式通知和完整课表。

延伸阅读与实践

建立试点档案时，保留资料版本、模型输出、专家复核意见和后续现场验证结果。若出现不一致，应分析数据质量、模型假设和地质条件，而不是只调整结论让它符合期待。可追溯记录能帮助团队识别适用范围，也能避免将一次成功案例误当作普遍规律。

课程与师资对应依据

本站2026年7月5日课程表将杨仝与赖勇共同列于“找矿增储与AI赋能矿企突围”课题。本文保留共同列名关系，不把该课题写成杨仝单独授课或独立负责某一模块；该日期为历史期次，后续安排须查最新通知。

公开履历：杨仝。课表履历列为北京大学计算机学院、人工智能研究院研究员，以及北大—小米大模型训推联合实验室主任。

本文依据本站公开的课程通知、历史课表和师资履历，围绕公开主题作一般知识梳理，不等同课堂逐字内容，也不代表老师未公开的个人观点。所引页面对应既往期次，不能替代当前招生信息；如关注后续班次，请核对开课时间、师资和完整课表，以最新正式通知为准。

查看杨仝老师的师资介绍：杨仝老师师资页。

索要详细招生简章、最新课表和后续课程安排，请致电 4000616586，联系人程老师；咨询微信：pxbbaoming。

查看课程来源与课表原页：点击查看课程通知