Deep Optica这家公司，让「AI 淘金」有了新的意义！

世界模型的场景，不止在自动驾驶方面。

采矿是人类文明最基础的产业之一。

不过很多人不知道的是，尽管已经历经几代科技改造，对于很多矿业公司而言，矿产勘探在很大程度上仍是一场昂贵的『高风险博弈』。

在找到可能的矿藏地址后，需要经验丰富的地质学家在荒野中徒步数周甚至一个月，每过几百米标注一个地质特征。最终，地质学家们只能在这张由有限地表信息拼凑的地图上，结合个人经验去「推断」地下的地质情况。随后，一台台钻机被送往现场，向地心深处进行一次次耗资数十万甚至上百万人民币的「验证性钻探」。

结果往往是残酷的：打偏是常态，有效矿化孔的命中率通常低于 10%，甚至只有 3% 左右。

极客公园近期接触到的 Deep Optica，刚刚完成由 BV 百度风投、零以创投参与的种子轮融资，正试图从「判断方式」本身入手，为这一高度不确定的过程提供一种更加结构化的路径。

Deep Optica 并不将自身定位为「AI 找矿工具」。在他们看来，更重要的不是「算出答案」，而是重构矿业决策的底层判断方式，把原本模糊、分散、高度依赖经验的判断过程，逐步转向可验证、可迭代的理性系统。

依托团队从全球范围系统性收集的 20TB 多模态矿业数据，Deep Optica 正在训练一个被称为「矿业世界模型」的底层系统。该模型整合了知识图谱和地质、地球物理、地球化学、遥感、钻孔等 12 类数据模态，目标并非简单的「识别模式」，而是理解成矿背后的条件逻辑，为后续工程与经济判断提供基础。

围绕这一能力，Deep Optica 希望将矿业企业发展过程中大量依赖人力、经验和运气完成的判断工作，尽可能前移、自动化和规模化，让资产「质量」的识别具备更高的流动「速度」，从而在企业发展过程中形成更持续、可复制的决策能力。

当矿业判断不再完全依赖个体经验，而是可以被拆解、复用并持续校正，这门古老的产业，或许正悄然迈向一个更加理性、也更加可计算的阶段。

从「在哪找」，到「值不值得看」

在矿业世界中，「有没有矿」和「值不值得投」从来不是同一个问题。

矿业体系中，资源价值并不是一个单一结论，而是由「地质可靠性」和「经济可行性」共同决定的。地下是否存在矿藏，只回答了一半的问题；另一半，则取决于在具体市场与成本条件下，这一资源是否具备开发意义。矿业决策的复杂性，正来自于这两个维度之间的持续校正与权衡。

也正因为如此，矿业长期形成了一套高度依赖个人经验的决策方式。然而，即便最资深的专家，也不可避免地受到信息不完整、验证成本高昂与认知偏差的制约。结果是：大量潜在机会在早期被错过，或在中途被动放弃。

在现实中，矿业公司的成长路径大致只有两条：

一是通过勘探开发「自己找」，二是通过并购与投融资「买别人」。

无论哪条路径，核心挑战都高度相似：信息分散、验证成本高、认知偏差严重。这使得企业与投资人很难在早期快速筛选出真正值得继续投入精力的资产。

这也正是 Deep Optica 首个产品 Resource Connect（以下简称「RC」）诞生的背景。

作为一款矿业垂直功能性产品，RC 的目标并非提供单一判断结果，而是系统性提高矿业交易从筛选、评估到决策阶段的效率与密度。

在 RC 中，只需输入目标区域位置，系统即可整合当地的多源数据，快速形成对区域成矿条件的系统性认知。在此基础上，模型能够辅助圈定潜在成矿靶区，对成矿可能性进行量化评估，并在数据条件允许的情况下，推演地下矿体可能的三维分布形态，从而帮助矿业公司将原本模糊、经验主导的区域判断，逐步收敛为更具针对性的勘探与布孔策略。

更重要的是，这一能力并未止步于勘探端。Deep Optica 将矿业世界模型中形成的判断逻辑，进一步拆解为一组围绕不同专业维度协同工作的 AI 智能体，并将其封装进 RC 平台，使其能够真正进入矿业企业与资本的日常决策流程。这些 AI 智能体分别从地质合理性、工程可行性与经济可行性等角度出发，模拟真实矿业团队在早期阶段的协作分工：有的负责资产初筛与横向比较，判断项目是否具备继续研究的基础；有的拆解技术文件与历史数据，识别关键假设与潜在风险；还有的则结合成本结构与市场条件，对项目在当前环境下的经济边界进行动态评估。

Deep Optica 的核心系统｜图片来源：Deep Optica

通过这种多角色并行的方式，原本高度依赖个人经验、且往往只能顺序推进的判断过程，被前移并转化为可并行、可验证的分析流程。在实际应用中，RC 更多承担的是「案头判断」的角色——在技术人员入场、外部顾问介入之前，帮助决策者在海量项目中快速建立方向感，显著降低无效研究与决策反复所带来的成本。「目前，RC 平台已获得巴西最大矿业地质服务集团的认可，并开始拓展其在南美矿业评估市场的应用。」

伦敦小区的邻居们，

决定去拆解最沉重的行业

Deep Optica 的故事，并不是从矿山开始的。

2024 年，在伦敦一个普通的居民小区里，三位长期与「复杂系统」打交道的中国邻居，开始反复讨论同一个问题：为什么矿业这样一个高度依赖科学的行业，决策过程却仍然如此依赖经验与直觉？

CEO 相子恒博士毕业于剑桥大学，曾担任多个欧洲航天局项目的 PI，长期从事遥感与 AI 相关研究，专注于在高不确定、强约束条件下进行系统建模与推演。

CTO 方飞博士拥有多年国际机构 AI 转型经验，曾主导英国大型金融机构的智能化升级，擅长将模型能力嵌入真实业务决策流程。

CSO/CFO Jesse Huang 来自国际投行体系，长期负责矿业并购与投融资工作，对矿业资产的技术边界与经济价值判断具备极强的实战敏感度。

三人背景迥异，却在同一个判断上达成共识：随着多模态大模型和生成式 AI 的成熟，矿业这种长期依赖经验的决策过程，第一次具备被系统性拆解和前移的可能。

数据先行，从「弹药」开始

AI 并非第一次被引入矿业领域。过去的尝试，大多集中在单一模态的数据分析上，难以应对真实成矿过程中的多因素耦合，也难以支撑工程和经济判断。

Deep Optica 从一开始就意识到，如果要让 AI 真正进入矿业决策核心，最重要的资产并不是算法，而是数据本身。

创业伊始，团队投入大量精力，从全球范围内系统性搜集多模态矿业数据，涵盖公开技术报告、历史档案、钻孔记录、岩芯资料以及大量地质与工程文件。在此基础上，对高度碎片化的信息进行了标准化、溯源与结构化处理，最终转化为统一的底层表示，用于模型训练与推理。

数据和模型也是 Deep Optica 的护城河｜图片来源：Deep Optica

在 Deep Optica 看来，只有建立在足够扎实的数据之上，模型才有可能进入真实业务流程，而不是停留在展示层面，也才能在复杂而长期的矿业实践中走得更稳更远。

这套方法很快在真实项目中经受了检验。在蒙古南戈壁项目中，由于区域历史数据极为有限，许多资深地质学家也难以形成明确判断，只能通过长期驻场踏勘、填图来完成评估，周期通常为半年。Deep Optica 利用其数据清洗 pipeline，在一周内定向抓取并对齐了此前 7 倍以上的数据体量，完成了潜力评估与钻探建议。最终，在推荐的 4 个钻孔位中，有 3 个和地下浅层矿床匹配，不仅将评估周期缩短了 90% 以上，也帮助矿业公司避免了数百万人民币的无效钻探投入。

从二维辅助，到三维理解

尽管二维多模态模型已经在多个项目中展现出效率提升，Deep Optica 团队认为，这仍然只是开始。

在矿业中，「有矿」和「有经济价值」之间，始终隔着一道巨大的鸿沟。即便能在二维层面圈定高概率区域，矿主依然要面对最核心的商业问题：矿体形态如何？埋深多少？品位分布如何？是否值得建设竖井？

Deep Optica 所谓的「矿业世界模型」，正是试图在数字世界里还原地下矿体的三维形态。

这意味着预测单元的彻底升维：从二维「像素」，进化为三维「体素」——直接生成地下矿体的三维预测对象，而不只是概率分布图。

在没有「标准答案」的领域，Deep Optica 选择通过两条路径训练模型：

一是对存量成熟数据的「资源置换」。通过与成熟矿山和地质机构深度合作，获取大量已成熟采掘、拥有完整三维地质模型的矿井数据——这些「成型」的模型能让 AI 直观地学习到真实地下矿脉的逻辑结构与成矿规律。

二是将沉睡的离散材料「三维数字化」——对现有数据池中大量离散的历史钻孔记录、手绘地质图和物探报告进行「逆向还原」和三维重建，生成高质量训练语料。

CTO 方飞博士表示，「这是一个没有现成答案、只能从头搭建的模型体系。」

为了突破这一瓶颈，三位创始人获得了来自伦敦大学学院（UCL）的汪军教授的鼎力加持。作为 RL China 的发起人，汪军教授长期处于决策智能的最前沿。他的加入，为 Deep Optica 注入了从简单的「感知智能」向「世界模型」进化的关键基因——不再仅仅是教 AI「看图说话」，而是构建一个能够理解因果、推演未来的动态系统。

在现实中慢慢站稳，克制前行

在矿业这个极其看重资历与确定性的行业里，空谈算法很难敲开大门。

如何获取那些传统且谨慎的矿产公司的信任？Deep Optica 给出的答案简单而有力：依靠足够厚实的数据基础。CEO 相子恒博士坦言：「能够让矿业公司信服的最直接依据，就是我是否能提供比你想象中更多的参考资料辅助判断。」目前，公司已与巴西大型矿业咨询机构合作，为其提供数字化转型服务，并为阿联酋政府机构提供地球化学建模支持，同时参与国内大型企业的海外矿山并购尽调。

在相子恒博士看来，要训练出一个真正能够支撑核心投资决策的成熟矿业世界模型，仍需要时间与持续积累。Deep Optica 目前正处于从二维辅助判断向三维系统理解跨越的关键积累期，希望在不夸大确定性的前提下，让矿业决策变得更理性、更可计算一些。

这群生活在伦敦的邻居们，并不急于给出答案，他们更关心的是：能否用数据与智能系统，重塑矿业企业从资源评估到资本运作的长期发展方式，让这个古老行业的关键判断，少一点运气，多一点依据。

*头图来源：Deep Optica

文章来自于微信公众号 “极客公园”，作者 “极客公园”