2026 年 4 月 29 日，赞比亚 Chililabombwe，一座耗资 23 亿美元、目标年产 30 万吨铜的地下矿山破土动工——这是该国百年来发现的最大铜矿，由比尔·盖茨和贝索斯投资、成立仅八年的 KoBold Metals 用两年半、12 万米钻探找到。同一时刻，全球矿产发现率十年下降 75%，绿地勘探成功率只有五千分之一。地质勘探，这个人类最古老的产业之一，正被算法、卫星与国家安全议程一起推向重构。
地质勘探行业面临一个残酷的统计现实：过去十年全球重大矿产发现率下降了约 75%，容易找到的「露头矿」基本已被找尽；绿地勘探项目（在没有已知矿化迹象的地区从零开始寻找）从立项到形成商业矿山的成功率只有约 1/5000；传统钻探的整体成功率长期徘徊在 0.5% 左右——每打 200 个钻孔，可能只有 1 个真正打中经济矿体。
与此同时，能源转型和 AI 算力扩张正在制造前所未有的需求：电动车电池需要锂钴镍，风光电需要铜和稀土，数据中心本身就是「电力 + 铜」的重资产游戏。IEA 预测到 2035 年全球铜供应可能出现高达 30% 的缺口。地质勘探第一次同时面对「资源越来越难找」和「需求越来越迫切」的双重压力。
AI 试图解决的核心瓶颈，用 KoBold 工程师的话说：「矿产勘探的瓶颈从来不是数据不够，而是人类没有能力处理和识别海量多维数据集中的模式。」把地球化学、地球物理、卫星遥感、历史钻探等多源异构数据融合到统一模型中，识别人眼几乎必然会错过的异常模式——这套逻辑同时适用于金属矿产勘探和油气地震数据解释，也开始延伸到地热、地下水与碳封存选址。
KoBold Metals（成立 2018 年，总部加州伯克利）是目前 AI 找矿领域资金最雄厚、故事最完整的公司。核心不是单一算法，而是两套平台组合——TerraShed 整合地质图、地球物理调查、地球化学分析、钻探记录、卫星影像；Machine Prospector 在此基础上用机器学习识别矿化模式。公司在四大洲运营约 60 个勘探项目，聚焦铜、锂、镍等电池与电网金属。
融资轨迹本身就是这轮热潮的晴雨表：Series B 1.92 亿美元（2022）；Series C 5.37 亿美元（2025 年 1 月，超募 1000 万美元），由 Durable Capital Partners 与 T. Rowe Price 旗下基金领投，估值约 29.6 亿美元，累计融资超 10 亿美元。投资人名单是硅谷与能源资本的交汇：比尔·盖茨旗下 Breakthrough Energy Ventures、贝索斯、Andreessen Horowitz Growth、挪威国家石油公司 Equinor、三菱商事。Discovery Alert
值得关注的对比数据：全球采矿项目从发现到投产平均周期约 17 年，美国国内平均更长达 32 年——KoBold 用不到 4 年时间从收购走到破土，展示了 AI 压缩「发现」环节的实际效果。但破土动工只是开始，能否把这一速度优势延续到「建矿」这个 KoBold 此前从未独立完成过的工程阶段，仍是悬而未决的问题（详见 § 06）。Forbes
矿产勘探的瓶颈从来不是数据不够，而是人类没有能力处理和识别海量多维数据集中的模式。
KoBold Metals 工程师KoBold 之外，2024–2026 年涌现出一批技术路径各异的公司，2025 年是这一细分赛道融资最密集的一年：Earth AI（澳大利亚，AI 靶区识别 + 垂直整合岩芯化验实验室，目标把化验周期从 5 个月压缩到 5 天）、VerAI Discoveries（直接持有矿权资产组合而非只卖软件）、GeologicAI（高分辨率岩芯扫描仪，2025 年 12 月收购 LIBS 扫描仪厂商 Lumo Analytics）、VRIFY（AI 辅助发现 SaaS，2025 年调查显示 135 名从业者中 56% 已日常使用 AI 工具）、SensOre（澳大利亚，「数据立方体」含 2500+ 数据层）、Atomionics（新加坡，量子重力仪/磁力仪）、Plotlogic / TerraEye（高光谱遥感矿物识别）。TechCrunch Mining.com.au
这张图谱透出两条产业逻辑：第一，从「卖软件」到「拿资产」——VerAI、KoBold 不满足于许可 AI 工具，而是直接持有勘探矿权，押注 AI 优势能转化为实际资产所有权；第二，从「算法」到「数据管道全链条」——Earth AI 自建化验实验室、GeologicAI 收购岩石扫描仪厂商，反映行业共识正从「比拼模型精度」转向「比拼谁能最快把野外数据转化为可用于训练的干净数据」。
高光谱遥感：卫星或无人机搭载的高光谱传感器在数百个波段扫描地表，捕捉矿物特有的「光谱指纹」，在飞机或卫星高度就完成矿物初筛。量子传感：Atomionics 等公司开发量子重力仪和磁力仪，理论上能在不打钻的情况下「看见」地下密度和磁场的细微异常，是勘探硬件端最前沿也最早期的技术路线。
虽然目前还没有专门面向矿产勘探场景的「地球基础模型」，但 Google DeepMind 2025 年 7 月发布的 AlphaEarth Foundations 提供了值得关注的参照——整合光学卫星影像、雷达、激光三维测绘和气候模拟数据，生成 10×10 米分辨率的统一地球表征，存储空间仅为同类方案的 1/16，已与联合国粮农组织、斯坦福等 50 多家机构合作。当前应用集中在粮食安全、森林砍伐监测，尚未延伸到矿产勘探，但这类「统一地球表征」基础设施正是 SensOre、KoBold 未来可能借力的方向。Google DeepMind
行业内部的技术共识是：目前实际落地的方案绝大多数是「特征提取、模式识别」等务实机器学习，而非大语言模型或生成式图像模型——后者更多被用于总结报告等辅助文案工作，而非核心的矿化预测环节。这与很多人对「AI 找矿」的生成式 AI 联想有明显落差。
金属矿产之外，油气勘探是 AI 在地质领域应用最早、也最成熟的场景。2025 年 4 月 4 日，油服巨头 SLB 宣布与壳牌扩大合作，在其全球资产中部署 Petrel™ 地下软件平台，用 AI 支持地震解释工作流程，覆盖传统油气勘探与能源转型相关工作流。SLB
相比金属矿产那种「新公司挑战老巨头」的叙事，油气领域的 AI 落地更多呈现「老牌油服公司自我数字化升级」的路径——SLB、哈里伯顿本身掌握着最大的地震数据资产和分发渠道，更倾向于把 AI 能力内嵌进既有软件平台，而不是把市场让给初创公司。多份行业分析指出，AI 驱动的地震重新解释理论上可以从「存量」数据中挖掘出此前被忽略的地层圈闭，降低干井率——但这类成本节省案例大多以「典型情景」而非具体上市公司实际项目数据的形式呈现，量化证据的独立可验证性总体偏弱。
2025–2026 年，中国地质调查系统密集推出多个 AI 项目。2026 年 3 月，两款自主研发软件上线试用：智能地质填图系统已在 60 余幅 1:5 万地质填图项目中开展示范应用；大数据智能找矿预测系统基于自主研发的「伏羲」找矿大模型，已在西秦岭、胶莱盆地、新疆萨尔托海等地圈定金、铜、铁、铬找矿靶区——西秦岭金矿项目「仅用几分钟即可完成 32 个 1:5 万图幅的找矿数据输入和计算」，传统流程通常需要数周乃至数月。China Daily
2025 年 10 月展示的「未来勘探系统」更偏硬件端：寻宝大模型综合指挥平台、智能钻探系统、承载 500 公斤级的重载电动无人机、具备岩石样本智能识别能力的踏勘机器人。2026 年 7 月，云南省推出整合 9000 万条数据记录的 AI 平台，据报道可将稀有金属开发时间缩短最多 95%（官方披露数据，验证口径未详述，应审慎看待）。
宏观背景是：中国在铁、铜、镍、钴、锂等 12 种战略性矿产上对外依存度较高，AI 找矿被明确定位为从「经验驱动」向「数据驱动」转型的关键抓手。中国地质调查局研究人员也强调数据质量的重要性——数字地质编录系统内置 320 多条校验规则，理由很直接：「没有真实可靠的数据，AI 就是在胡说八道。」
中国的「伏羲」大模型、美国的 CriticalMAAS 计划、硅谷资本重仓的 KoBold 几乎在同一时间窗口密集发力——它们表面上是技术竞赛，底层是资源主权竞赛。多份行业分析一致指出，2024–2026 年 AI 找矿竞赛的底层驱动力，正从纯商业逻辑转向国家安全议程。
经济地质学家 Nicholas Vafeas 提出了一个被广泛引用的三阶段论：AI 在矿产勘探中的形象经历了从最初被认为「不可靠」，到一度被过度吹捧为「万能解决方案」，再到如今逐渐回归理性认知的过程。他把 AI 比作 1979 年出现的 VisiCalc 电子表格——「是人类能力的放大器，而不是替代品」。EGU Blogs
「垃圾进、垃圾出」仍是最根本的限制——历史钻探记录很大程度上依赖不同地质学家的个人解释，彼此差异巨大，这正是算法最难处理的领域。行业中流传的关键指标——如「钻井成功率从 0.5% 提升到 75%」「CO₂ 排放降低 90%」「稀有金属开发时间缩短 95%」——本质上大多是厂商公开宣传口径或特定优化场景下的结果，而非经过第三方审计、覆盖全行业的既成事实。
KoBold 的 Mingomba 项目正在把这场争论从「实验室 / PPT」拉到「真实工程」层面。截至 2026 年 5 月，赞比亚铜矿带地下水资源丰富，地下水控制将贯穿矿山全生命周期；矿体埋深达 1700 米，高温高压环境对工程能力要求极高；而 KoBold 此前从未独立建造过一座矿山，这与其在「发现」环节展现出的技术优势形成鲜明反差。铜价在 2026 年一季度也出现明显波动（从 1 月初每吨超 1.3 万美元回落至 4 月的 1 万–1.2 万美元区间），进一步放大了这类长周期重资产项目的不确定性。
更值得持续关注的结构性问题：KoBold 的技术优势很大程度上依托于力拓集团（Rio Tinto）等老牌矿业巨头早期积累、后来流转出来的历史勘探数据。如果「谁掌握最优质的历史地质数据」比「谁的算法更先进」更能决定竞争格局，AI 找矿最终可能不是打破老牌矿业巨头的数据壁垒，而是在其基础上催生新的数据寡头。
把 2024–2026 年的进展摆在一起看，AI 在地质勘探领域最扎实的价值集中在「发现」这一环节：融合多源数据、识别人眼难以察觉的异常模式、把绿地勘探的盲目试错变成更有依据的靶区优选。但这场热潮也暴露出清晰的边界：AI 目前还无法替代矿山建设、水文控制、高温高压工程这些资本和时间密集的「硬」环节；数据质量而非算法先进性，仍是决定项目成败的第一变量。
对关注 AI 落地的读者，三个问题值得持续追踪：AI 能否把「发现速度」的优势延续为「建矿速度」的优势？ KoBold 的 Mingomba 项目正是一次现实压力测试。历史地质数据的所有权，会不会成为下一轮竞争的真正壁垒？ 「关键矿产竞赛」会在多大程度上盖过商业逻辑，转向国家安全议程？