用AI重塑找矿：KoBold如何把不确定性变成优势

在这期《No Priors》中，KoBold Metals联合创始人兼总裁Josh Goldman讲述了一个少见的AI落地场景：矿产勘探。与其把AI当作噱头，他们试图用数据和模型，系统性地降低找矿这件高风险事情的不确定性。

为什么“智能找矿”是一门值得重做的生意

矿产勘探长期以来是一门“高风险、低成功率”的生意。Josh Goldman在节目一开始就点出了现实：传统找矿往往依赖专家经验、零散数据和运气，失败才是常态。正因为如此，他认为这是一个特别适合被技术重塑的领域。

KoBold Metals（节目中介绍的公司）做的事情并不神秘——“we explore for minerals”，他们寻找锂、铜等关键矿产。但不同之处在于，他们试图用AI系统性地回答一个老问题：哪里更值得挖？Josh形容这是一家“intelligent mining company”，不是因为机器会自动挖矿，而是因为决策本身更聪明了。

在规模上，KoBold每年在全球四大洲同时推进大约70个项目，年度投入超过1亿美元。这种组合式打法，本身就是在对冲勘探的不确定性。Josh强调，AI不是用来替代地质学家，而是用来放大他们的判断力，让“赌运气”变成“算概率”。

数据才是真正的护城河，而且是别人不用的数据

当主持人追问“你们到底用什么数据来找矿”时，Josh给了一个很有代表性的答案：真正有价值的，往往是那些没人系统用过的数据。他提到，矿业世界里充满了非结构化信息，比如历史勘探报告、地质笔记、野外记录，甚至几十年前留下的纸质文档。

在他看来，“在一个pre‑KoBold的世界里，这些非结构化数据几乎没有被充分利用”。AI模型的价值，就在于把这些零散、噪声极高的信息整合起来，形成可比较、可推理的输入。这里的AI并不是简单的图像识别，而是跨数据源的综合判断。

这也解释了为什么KoBold会花大量精力构建全球性的地学数据集。Josh反复强调，模型本身会迭代，但高质量、长期积累的数据资产才是决定性因素。一旦数据基础足够厚，模型才能真正学会“什么样的地质组合更可能孕育矿床”。

从模型到现场：AI如何影响真实的勘探决策

一个关键转折点在于，AI的结论是否真的能改变现场决策。Josh在节目中提到，他们不仅在办公室里跑模型，还会在实地勘探过程中不断更新判断。随着新的地球物理数据、取样结果加入，探索计划会动态调整。

他举例说，在某些项目中，模型帮助团队更早地识别出“值得继续投入”的区域，也更快地放弃了不太可能成功的方向。这听起来保守，却在矿业里极其重要：少打一口没必要的钻井，本身就是巨大的成本节省。

在谈到一个世界级铜矿发现时，Josh并没有把功劳全部归给AI，而是强调“人和模型的协作”。AI给出概率分布，人类负责在监管、环境和现实约束下做最终判断。这种分工，是KoBold反复打磨出来的工作方式。

成功率、现金流与长期主义

当话题转向商业模式时，Josh直面了一个尖锐问题：勘探公司的成功率到底有多低？他的回答很克制——大多数项目都会失败，这是行业常识。因此，真正重要的不是单点命中，而是整体组合的期望值。

他提到，KoBold会用类似“present value of future prediction”的方式来评估项目组合，把未来潜在发现转化为当下可管理的决策依据。这并不是传统矿业公司常用的思维方式，更接近科技公司对现金流和不确定性的处理方法。

在他看来，AI的真正价值不在于“一次性大发现”，而在于长期、可重复地做出略优于行业平均水平的决策。只要这种优势足够稳定，时间就会站在你这边。

总结

这期对话最有价值的地方，并不在于炫目的AI名词，而在于Josh Goldman对不确定性的诚实态度。KoBold并没有宣称AI能消灭风险，而是用数据和模型把风险变得可计算、可管理。对所有试图把AI引入传统行业的人来说，这是一种更现实、也更值得借鉴的路径。

关键词： KoBold Metals， AI找矿， 矿产勘探， 非结构化数据， No Priors

事实核查备注： Josh Goldman（KoBold Metals联合创始人兼总裁）；KoBold每年投入超过1亿美元；约70个勘探项目；覆盖四大洲；使用AI整合地学与非结构化数据；播客《No Priors》第111期