2025年基础化工行业专题研究：AI，人形机器人的降本量产加速器

1. AI 破局：多维度解锁高“白痴指数”的机器人 材料降本密码

AI 可以对生产流程进行全方位的管理和优化，包括研发、制造、供应链等环节。通 过模型对关键参数进行分析、预测，相比人工试错法 AI 能够更加高效地找到生产过 程中的最优解，精确地控制生产过程中的各个参数的能力或呈指数级提升，生产过程 的损耗也有望大幅降低的同时产品合格率也有望得到大幅提升。此外 AI 还可以实时 监测设备的状态，提前发现潜在的故障隐患，显著降低化工设备的故障率和企业的事 故率。

1.1AI 加速研发周期

AI 的强大算力和数据处理能力可以在研发高“白痴指数”材料方面发挥巨大作用。 传统的材料研发往往需要大量的实验和试错，耗费大量的时间和资源。而 AI 可以通 过对海量材料数据的分析和挖掘，建立起材料性能与成分、结构之间的关系模型。 例如 2023 年 11 月，谷歌 DeepMind 推出了材料探索图形网络(GNoME)，通过预测新 材料的稳定性，大大提高了发现的速度和效率。GNoME 是一种最先进的图神经网络 (GNN)模型，使用两个管道来发现低能（稳定）材料。结构管道创建结构与已知晶体 相似的候选材料，而成分管道则采用基于化学式的更随机的方法。研究团队使用已建 立的密度泛函理论计算对这两个管道的输出进行评估，并将这些结果添加到 GNoME 数 据库中，为下一轮主动学习提供信息。

过去几十年来，科学家通过实验方法在无机晶体结构数据库（ICSD）中记录了 20000 种计算稳定的结构。随着技术发展，人们通过引入 AI 技术发现了 28000 种新材料， 但 AI 在准确预测实验可行性和预测规模上遇到一定瓶颈。当前，GNoME 模型通过迭 代，已发现超过 220 万种新型结构，通过稳定性竞争筛选后新增 380,000 个条目，使 总稳定晶体数达到 421,000 个，这标志着材料发现规模较历史研究成果实现了数量 级突破。

例如 2023 年 11 月，美国加州大学伯克利分校团队开发了一种自动实验室（A-Lab） 系统。这种 A-Lab 根据现存科学文献训练，随后结合主动学习，可对拟定化合物创造 最多 5 个初始合成配方。随后它可以用机器臂执行实验，合成粉末形态的化合物。如 果一个配方产量低于 50%，A-Lab 会调整配方继续实验，在成功达到目标或穷尽所有 可能配方后结束。

在连续 17 天的运行中，A-Lab 成功合成 58 种目标材料中的 41 种，涵盖 33 种化学元 素及 41 类晶体结构原型。相比之下，人类研究员需要花费数月去推测和实验。凭借 其验证预测材料的高成功率，A-Lab 充分展现了第一性原理计算、机器学习算法、历 史知识积淀与自动化实验技术在材料科学研究中的协同效应。 例如 2024 年 3 月，华为与大连化物所深度合作，联合推出智能化工大模型。研发团 队围绕该模型，构建了首个化工设计-仿真优化-知识归纳的多智能体协同设计的平 台，在用户输入工艺目标后，可实现秒级生成并可视化对应设计方案，响应用户的优 化指令，完成对原设计方案的修改。 传统科研范式下，新技术需要经历实验室小试、实验室中试、工厂中试以及实际工厂 落地多个阶段，时间上需跨越数十年，人力成本、经济投入需上亿，严重制约了新科 技成果向实际生产力转化的速度。工艺流程图是化工设计的核心，它反映了化工生产 由原料到产品的全过程，即物流、能流的变化以及生产过程中所经历的工艺过程和所 需的设备仪表。智能化工大模型快速准确检索化工知识，初步实现了自动生成、仿真、 反馈优化等功能，降低了化工工艺设计对专家经验的依赖度的同时，也有望实现 10+倍的化工流程设计效率提升。

1.2AI 优化生产工艺流程

化工生产涉及众多的化学物质和复杂的化学反应，生产过程通常是连续进行的，每个 产品的生产过程均包含多个装置及复杂的工艺流程。现在大多数化工厂都只局限于 局部场景且以安全稳定为主要目标的自动化控制为主，缺少整体的环节优化，依赖人 工经验进行粗放式的控制，普遍存在生产物料成本高、产品收率低等问题。同时，化 工生产过程中的节能减排也面临严峻挑战。 在生产高“白痴指数”材料的过程中，AI 可以实时监测和分析生产线上的各种数据， 包括温度、压力、流量等工艺参数，以及设备的运行状态和产品质量情况。通过建立 生产过程的数学模型，AI 可以预测不同工艺参数组合下的产品质量和生产效率，并 自动调整生产参数，实现生产过程的优化和智能化控制。 例如云鼎科技股份有限公司联合华为技术有限公司，通过与山东能源集团、万华化学 等头部企业化工及工艺专家的联合研讨、工厂需求调研等方式梳理化工工艺优化+AI 应用场景。在甲醇精馏装置工艺智能优化场景中，采用大小模型与工艺机理结合的方 式构建多变量工艺优化模型，通过对精馏塔温度、环境温度、塔釜温差、压力、进料 流量、蒸汽流量、塔釜液位、质检化验数据等 60 多个参数进行分析，基于预测大模型对回流比参数进行预测，在满足产品质量的前提下，以最小化蒸汽消耗量及最大化 甲醇产品收率为目标求解最佳回流比，实现在甲醇产品满足质量要求的条件下降低 蒸汽消耗量、提升甲醇产品收率的目标。 《人工智能赋能行业发展高质量建设指南 2024 年》基于在山东能源集团某权属单位 的试点情况评估测算，平均每吨甲醇蒸汽消耗量可降低 2%,年度可节省蒸汽成本 192 万元，扩展到全行业，以 2023 年全国甲醇产量 8300 万吨进行估算，该场景的蒸汽成 本节省空间在 10 亿元以上。

乙烯装置作为化工产业的龙头装置与中国石化主业发展的关联度极其高，对其核心 装置裂解炉的模拟计算因为裂解原料复杂、裂解反应规模庞大且涉及多物理场耦合 而存在巨大的挑战。国外乙烯装置模拟软件较为成熟，中国石化内部的炼化厂使用的 蒸汽裂解模拟软件基本以国外软件（如 SPYRO 和 COILSIM）为主，每年不仅要支付高 昂的授权费用，还有技术保密和运行数据泄漏的风险，亟需开发具有自主知识产权的 裂解反应模型和裂解炉模拟软件，帮助企业优化裂解炉操作，提高关键产物产率，降 低乙烯装置能耗。 中石化（北京）化工研究院有限公司根据自主开发的裂解反应机理模型及裂解炉辐射 模型，结合裂解装置工艺参数，得到裂解原料、操作条件与收率的对应关系，使用深 度学习算法数据驱动的蒸汽裂解反应模型。

该模型通过乙烯装置裂解原料和反应条件优化，显著提升了关键产品的收率，并减少 了副产品的生成。案例的测试结果表明，应用实时优化模型和平台后，双烯收率提高 了 0.315wt%，每吨乙烯的产品效益增加了 19.52 元。对于百万吨乙烯规模的装置， 年增效可达 1952 万元。这种优化不仅提升了乙烯装置的经济效益，还对化工、石油 和天然气行业的流程模拟和操作优化具有重要意义，尤其是在加热炉、裂解炉操作的 模拟计算和操作优化方面。通过模拟和优化，可以提高生产效率，降低成本，实现资 源的更高效利用。

1.3AI 精准管理供应链

化工行业供应链具有以下特点：（1）复杂性:供应链中涉及多种化工原料，每种原料 的性质、用途、存储和运输要求各异；（2）风险性:化工原料存在易燃、易爆、有毒 等特性，安全管理和风险防控至关重要；（3）动态性:受市场需求、原料价格、政策 法规等多种因素影响，供应链需不断调整以适应变化等。 AI 可以通过对供应链数据的分析和预测，优化供应链的各个环节，提高供应链的效 率和可靠性。AI 可以实时监测原材料市场的供求关系和价格变化趋势，提前预测潜 在的供应风险，并制定相应的采购策略。同时，AI 还可以优化物流配送方案，降低 运输成本和库存成本。

例如基于大数据分析赋能六国化工产销协同管理优化项目中，从需求计划入手，基于 历史订单销量、成品产品信息、产品间关系、全国销售区域信息以及内外部影响因素 等输入数据，结合产品根据地理位置需要因地制宜进行预测的理解，以及新品投放、 促销等特殊事件的考虑，建立 AI 机器学习模型和传统时间序列模型，对各品类月度 销量进行预测。输出按照销售区域、时节、产品品类维度的需求计划结果，将需求占 比预估进一步细化到成品产品维度，并提供需求动态监控预警和多维度分析。 基于 AI 的需求计划，项目进一步对六国化工库存进行全局优化。结合库存信息、仓 库信息、成品产品信息、替代关系、经销商层级信息、补货规则、调拨规则、成本数 据、物流资源等输入数据，建立库存策略优化模型，平衡服务满足率和库存周转率， 得到针对成品的安全库存水平，工厂仓库间以及仓库到经销商的补货计划、仓储计划， 以及各层级库存健康状态监控与关键绩效指标（KPI）报表。 生产方面，项目协助六国化工量化现有生产限制：生产难度、废料产生情况、每套装 置最小生产量等，将提报的下个月的销量预测分配到每个工厂，并使用杉数科技自主 研发的数学规划求解器制定成本最优以及实际产量最匹配下的产品生产计划。 为了寻找供应与需求之间的最佳平衡点，项目设计了一个决策辅助-产销协同模拟引 擎，计算每一种信息每一个场景的 KPI 表现及对应的需求、供应、生产计划。产销协 同模拟引擎将不同产品类型的预测需求与预估的产能、物料到货时间相对应，在综合 考虑产能限制、生产提前期、生产优先级等限制条件下，由算法自动输出自定义战略目标（如总成本最低、产量最大、库存最少）的生产计划方案。 基于机器学习的销量预测，六国化工的销售预测满足度从 87%提升至 95%，结余库存 水平平均下降 0.5 个月的月销量，企业各部门间协同效率提高 20%。制定需求计划、 生产计划，人力投入时间缩短 50%以上。

2. 材料新篇：AI 开辟人形机器材料降本新路径

2.1人形机器人有机化工材料的成本痛点

目前，人形机器人所使用的材料包括有机材料和无机材料。本文侧重有机化工材料， 有机材料由于其具有良好的柔韧性、可塑性和生物相容性等优点，在人形机器人的皮 肤、外壳，传感器、电池等部件中得到了广泛应用。然而，有机材料的合成和制备过 程往往比较复杂，原材料成本较高。一些高性能的有机高分子材料还需要采用复杂的 合成工艺，更是极大地增加了成本。 通过对主流机器人运用材料的梳理，我们发现主要有机高分子材料为聚醚醚酮 （PEEK），聚苯硫醚（PPS），碳纤维，PC/ABS 合金，聚二甲基硅氧烷（PDMS）和热塑 性聚氨酯（TPU），大多运用于关节或传感器，用于轻量化、耐热性需求。

聚醚醚酮（PEEK）是一种尖端特种工程塑料，在性能和商业价值上都处于工程塑料的 顶端。PEEK 具有优异的耐热性、化学稳定性和热塑性塑料的成型加工性，与主要的 工程塑料和特种工程塑料相比，PEEK 兼具优异的刚性和较好的韧性，机械特性可与 合金材料媲美；具备较高的玻璃化转变温度和负载热变形温度，同时可在 250℃的高 温下保持较高的耐磨性，在耐热和耐磨性能为除 PTFE 外最好的材料之一；并具有耐 腐蚀、耐水解、耐剥离性等优异的物理特性，以及易注塑成型、切削加工等加工特性。

在人形机器人领域，PEEK 作为性能优异的高分子新材料，“以塑代钢”替代金属材料。 与金属钢、铝合金相比，在比强度、绝缘性能、耐化学性方面均胜过传统金属材料， 成为人形机器人轻量化、精密传动、耐腐蚀场景的理想替代方案。PEEK 材料可用于 肢体骨骼、关节、轴承等关键部位，轻量化前提下保持足够的强度，特斯拉发布的 Optimus-Gen2 人形机器人的手臂和其他部位均由 PEEK 材料制造，验证了 PEEK 在轻 量化与性能平衡中的核心价值。 该机器人的手臂和其他部位均由 PEEK 材料制造而为，进一步证实 PEEK 材料作为非 金属新材料板块之一，其在轻量化赛道应用趋势上的巨大潜力。

聚苯硫醚（PPS），是一种新型特种工程塑料。在人形机器人的结构件打造上，PPS 的 高刚性与耐磨性使其成为关节轴承、齿轮等高负载运动部件的不二之选，有力保障机器人灵活运动与稳定姿态。经纤维增强改性，如 40%玻璃纤维增强的 PPS，机械强度 能逼近铝合金，却能实现显著减重，契合高负载部件需求。在支架与外壳制作时，PPS 低收缩率与尺寸稳定性优势尽显，像机器人的脊椎、大臂和小腿支撑部件，使用 PPS 可有效减少因温度变化产生的形变。电气系统里，PPS 在电机绝缘骨架、连接器等部 件中广泛应用，其出色的耐热性与尺寸稳定性确保电气系统稳定运行。在传感器保护 方面，PPS 良好的电磁屏蔽性能和机械强度，让各类传感器外壳得以坚固制造。从产 品特征来看，PPS 具备优异的机械性能与热稳定性，高温下尺寸稳定性极佳，是人形 机器人结构件的理想选材。相比金属，其密度仅 1.35g/cm³，能实现 40%-60%的减重， 大幅降低机器人运动能耗。化学稳定性上，PPS 抗腐蚀能力卓越，能抵御各种有机溶 剂与酸碱介质侵蚀，确保机器人在复杂环境可靠运行，且阻燃等级达 UL94V-0 级，安 全性高。电学性能方面，PPS 绝缘性能与介电强度突出，特别适配机器人电气系统的 绝缘部件。凭借这些特性，PPS 为人形机器人的性能提升与稳定运行提供了坚实保障。

碳纤维，作为一种含碳量在 90%以上的高强度、高模量纤维材料，其微观结构呈现出 由碳原子沿纤维轴向有序排列形成的微晶石墨状。它外观通常为黑色，质地轻盈却拥 有卓越的性能。碳纤维最显著的特性之一便是高强度与低密度兼具。其强度可比肩甚 至超越许多金属材料，而密度却仅约为钢的四分之一。这种出色的强度重量比，使其 在追求轻量化与高性能的应用场景中备受青睐。在力学性能方面，碳纤维具备极高的 拉伸强度和良好的拉伸模量，能够承受较大的拉力而不易断裂或变形。同时，它还拥 有优异的化学稳定性，对常见的酸碱等化学物质具有较强的抗腐蚀能力，这保障了其在复杂环境下的使用可靠性。在人形机器人领域，碳纤维展现出巨大的应用价值。在 机器人的结构框架设计中，采用碳纤维复合材料制造的部件，如机身骨架、关节连接 部位等，能够在保证机器人整体结构强度的同时，大幅减轻重量，从而降低机器人运 动时的能耗，提高能源利用效率。例如，使用碳纤维材质制作的机器人手臂，不仅能 够灵活地完成各种复杂动作，还因其轻量化设计，使得机器人在执行任务时更加敏捷 迅速。此外，碳纤维良好的刚性和稳定性，有助于维持机器人在运动过程中的精确姿 态，为实现高精度的操作任务提供了有力支撑。在一些对电磁环境较为敏感的机器人 应用场景中，碳纤维还具备一定的电磁屏蔽性能，能够有效减少外界电磁干扰对机器 人内部精密电子元件的影响，确保机器人电气系统的稳定运行。

PC/ABS 合金作为聚碳酸酯（PC）与丙烯腈-丁二烯-苯乙烯共聚物（ABS）的共混材料， 结合了 PC 的高强度、耐热性和尺寸稳定性，以及 ABS 的优良加工流动性和易成型性， 在动态载荷下具有优异的抗冲击性能和耐热性，保持良好的力学性能，适用于人形机 器人的外壳和结构件。PC/ABS 密度（1.1-1.2g/cm³）显著低于金属，能够大幅降低机 器人整体重量，同时通过注塑成型实现复杂曲面设计，满足人形机器人对外观一体化 和空气动力学的要求。同时，PC/ABS 的绝缘性能和阻燃性可用于保护电路板、传感 器等精密电子元件，避免电磁干扰和短路风险，同时耐受设备运行中产生的局部高温。 软银的 Pepper 机器人在机体、腿部等部位采用了 PC/ABS 合金，使得 Pepper 机器人 的外壳能够设计出流畅的线条和精致的外观，同时为内部的电子元件和机械部件提 供可靠的保护，提升其运行中的稳定性和耐碰撞性能。

有机硅依托其独特的柔韧性、耐候性和生物相容性，成为实现人形机器人“类人化” 功能的关键材料。有机硅的柔韧性和可塑性使得其能够模拟人类皮肤的纹理、弹性甚 至温度，可用于机器人面部、手部等外露部位，增强拟人化效果。触觉传感领域，有 机硅可以通过掺杂导电材料制成高灵敏度的柔性传感器，用于检测抓握力或接触压 力，实现触觉反馈，提升机器人的操作精度。

聚二甲基硅氧烷（PDMS）是一种广泛应用的有机硅弹性体，可用作柔性触觉传感器的 衬底材料使用。聚二甲基硅氧烷又名二甲基硅油，根据相对分子质量的不同，外观由 无色透明的挥发性液体至极高黏度的液体或硅胶，它具有生理惰性、良好的化学稳定性、电缘性和耐候性，可用作消泡剂、润滑剂、脱模剂等。同时 PDMS 也具有良好的 渗透性，是各类化学生物传感器的理想载体材料。 热塑性聚氨酯（TPU）是一种兼具橡胶弹性与塑料加工性能的高分子材料，由二异氰 酸酯、大分子多元醇、扩链剂（低分子二元醇）三类基础原料聚合而成，是由软段（聚 醚/聚酯多元醇）与硬段（二异氰酸酯+扩链剂）通过嵌段共聚形成的微相分离结构。 TPU 具有硬度范围广、耐高/低温、可塑性强、以及弹性和抗冲击性等突出的机械性 能特点，同样适用于人形机器人的柔性触觉传感器的衬底材料，兼具机械支撑与柔性。 伴随高通量机器人的运用扩大叠加 AI 对生产工艺研发的运用及生产过程中的高精度 控制，人形机器人的工艺瓶颈和生产成本有望大幅降低。

2.2AI 助力有机化工材料研发端降本

通过对人形机器人相关高成本有机新材料的化合过程梳理，成本较高材料大多存在 工艺壁垒高，反应步骤长，可回收循环利用催化剂溶剂回收不充分等多个工艺瓶颈， 伴随各类 AI 算法的运用范围扩大叠加高通量实验机器人的介入，人形机器人相关有 机新材料合成工艺壁垒及瓶颈有望加快突破速度并有望大幅降低研发端对新牌号、 新工艺的研发成本。 PEEK 的合成工艺主要包括亲核路线和亲电路线两大类。前者以 4,4'-二氟二苯甲酮 （又称氟酮、DFBP）和对苯二酚在无水碳酸钠存在的条件下，以二苯砜为溶剂进行缩 聚反应生成 PEEK，后者通过二苯醚和间苯二甲酰氯为原料的低温反应制成，目前业 界主要采用亲核工艺路线进行生产。

PEEK 价格高昂，其中一个关键因素在于 PEEK 的聚合环节存在工艺壁垒和难点，亲核 取代路线需在 300-350℃高温及惰性气体保护下进行，单体分解和交联等副反应容易 导致分子量分布不均，需精准控制温度梯度与催化剂用量。因此，较强的合成工艺壁 垒叠加较高的原材料成本使得 PEEK 成本与价格较高，技术壁垒使得产能主要分布海 外，国产替代化进程正在持续推进，未来随着 AI 助力工艺优化有望跨越技术门槛、 加速国产替代进程。 目前工业生产 PPS 主要采用硫化钠法，其工艺过程为：将 NMP、Na2S 及少量 NaOH 加 入反应釜中，通氮气保护反应体系，加热升温至蒸馏物中水分含量达到所需要求为止， 此时反应釜内温度一般为 200℃～205℃，待反应冷却至 170℃左右加入对二氯苯（实 际生产中对二氯苯与硫化钠的物质的量比为 1∙05∶1∙00）及补加量的 NMP 密封反应釜 慢慢升温至 230℃-270℃，并在该温度下反应 3-6 小时。之后，冷却、分离、洗涤、 烘干即可制得 PPS 树脂原粉。生产工艺上，需高温高压反应，反应条件苛刻、设备要求高、能耗大，且工艺流程多步复杂，设备投资大、操作难度高，溶剂 NMP 回收难 度大、损耗多。

聚丙烯腈(PAN)基碳纤维的生产一般分为原丝生产和碳丝生产两个阶段。生产原丝的 基础原料丙烯一般来自石油炼化行业，通过氨氧化反应得到丙烯腈，丙烯腈采用溶液 聚合的方式得到聚丙烯腈原液，聚丙烯腈原液再经过湿法纺丝或干喷湿纺，多级牵伸， 卷绕，最终得到碳纤维原丝。纺丝工艺是原丝生产中的关键环节，湿法纺丝工艺具有 残留溶剂量小，能够纺出高强度、高密度的优质原丝的优势，但纺丝速度低、生产成 本高的特点也使得湿法纺丝发展受阻。相较于湿法纺丝，干喷湿纺可实现高速纺丝， 原丝表面光滑平整。碳纤维原丝经过退丝后，先在预氧化炉中进行多段氧化，再通过 碳化炉进行低温、高温碳化，碳化后的纤维经过表面处理、上浆、收卷、包装等步骤 得到碳纤维成品。碳纤维生产流程中关键的环节是氧化和碳化，而氧化和碳化环节中 最关键的是对温度的控制，温度把控程度的好坏会直接影响碳纤维产品的拉伸强度。

碳纤维生产工艺复杂，涉及多步高温处理，能耗大且设备投资高，生产周期长，效率 较低。技术难题方面，碳纤维的质量控制要求极高，微小的工艺波动都会影响性能， 同时表面处理与上浆工艺增加了复杂性，纤维均匀性也难以保证。此外，持续的研发 投入和专利壁垒进一步推高了成本。市场需求相对有限，主要集中于高端领域，难以 通过规模化生产降低成本，且客户定制化需求也一定程度上限制了大规模标准化生 产。最后，生产过程中的高能耗和污染问题，以及碳纤维复合材料的回收难题，也增 加了环保成本和环境负担。 有机硅合成的核心原料为金属硅与一氯甲烷，在工业界生产中，一氯甲烷包括外购与 自制，即氯化氢与甲醇反应生成一氯甲烷，硅粉与一氯甲烷在催化剂作用下进行气固 相催化反应，生成甲基氯硅烷混合单体，经连续精馏后得到不同沸点的单体。其中低 沸物、一甲和三甲进行歧化反应转化为以二甲为主的粗单体后，继续精馏以获得精单 体。将二甲单体进行水解反应，水解物经线环分离可获得线性体，裂解及精馏后获得 DMC、D4 等环体。进一步，PDMS 以碱金属氢氧化物作为催化剂，通过环状硅氧烷单体 （例如 DMC、D4）进行开环聚合反应生成。

有机硅领域的产品链较长、生产工序较多，在大型流化床反应器、高效节能精馏系统、 高沸和低沸物等综合利用、反应控制系统等领域具有较高的技术难度。同时，对于例 如氯化氢等副产物的综合利用能力也会影响有机硅生产链的经济效益，影响企业的 生产效率与产品成本。

TPU的生产方法按有无溶剂分成2种,即无溶剂的本体聚合法和有溶剂的溶液聚合法。 本体法聚合按是否进行预反应分类,又可分为预聚法（两步法）和一步法。前者预先 将大分子二醇与二异氰酸酯反应生成端异氰酸酯基预聚体,再与扩链剂反应生产 TPU； 后者将大分子二醇、扩链剂和二异氰酸酯同时混合,无规熔融聚合成 TPU。在工业生 产中，主要采用一步法进行 TPU 合成。TPU 的工艺技术关键在于聚合反应的控制技术 以及不同生产工艺下对于产品的性能调控，例如聚合反应过程中酸值、温度、催化剂 等反应条件的不同控制会对 TPU 产物的微观结构和宏观性能产生影响，软硬段比例 调控与动态交联稳定性也是工艺关键点之一，使得产品在力学性能、耐候性、成型性 等方面表现出差异。

2.3AI 助力有机化工材料生产端降本

当前多个较高成本人形机器人新材料在生产过程中除了面对生产工艺流程的突破瓶 颈外，还存在现有工艺生产精度较难控制导致产品良率较低，单吨生产成本较高问题， 伴随 AI 算法对合成环节的介入或有望提高生产过程中的精度控制，并增加 AI 对产 成品的关键性质乃至分子排列等检验措施或有望提高当前生产工艺下的产成品良率， 从而推动制造费用的下滑和原辅料的消耗减少，从而实现生产端的降本增效。 PEEK 合成原料氟酮与对苯二酚都属高附加值化学品、生产链长，单价较高。从成本 拆解来看，总生产成本/原料成本约为 133%，4,4'-二氟二苯甲酮（DFBP）约占 PEEK 成本的 57%，占据 PEEK 成本的主要项。生产 1 吨 PEEK 约需要 0.76 吨 DFBP，同时 DFBP 价格也较高。

PPS 的原料成本占比较高，其中对二氯苯作为主要原料，占总成本的 45%，五水硫化 钠和 N-甲基吡咯烷酮（NMP）分别占 14%和 6%。对二氯苯、苯、液氯等关键原料价格 较高且受市场波动影响较大；NMP 作为溶剂，价格昂贵且回收难度大，损耗较多；此 外，PPS 的生产还依赖甲烷和 GBL 等原料，进一步增加了成本。除了原料成本外，能 耗、制造费用和环保要求也推高了总成本，使得总成本/原料成本比例达到 154%。

碳纤维的原料主要就是聚丙烯腈原丝，占总成本的 50%，而聚丙烯腈原丝的合成又依 赖于丙烯腈、衣康酸和二甲基亚砜等原料。聚丙烯腈（PAN）作为碳纤维的主要前驱 体，价格昂贵且依赖石油化工产品，价格波动较大；丙烯腈等关键原料的市场价格受 石油化工行业影响，供应不稳定。碳纤维生产过程中受制于高能耗生产、合成工艺复 杂性以及良率影响导致总成本高企，产品总成本/原料成本比例达到 200%。

PC/ABS 合金的主要工艺流程为首先在押出机中将原料熔融共混，并引入抗氧剂或阻 燃剂等功能助剂，经模头挤出后进行水冷切粒，加工为最终制品。主要原辅料包括聚 碳酸酯（PC）、丙烯腈-丁二烯-苯乙烯共聚物（ABS）、双酚 A 对二苯磷酸酯（BDP）、 抗氧化剂等，常见的 PC/ABS 合金的比例有 70/30 和 50/50，以 50/50 为例，整体生 产成本中以原料成本为主，总成本/原料成本约为 111%，其中 PC 和 ABS 分别占总成 本的约 38%和 30%，而 PC/ABS 原料目前大多来源自炼化一体化大型装置，工艺优化 空间较为有限。

从有机硅中间体（环状硅氧烷单体）的成本来看，总成本/原料成本约为 141%，其中 金属硅成本占主要的 52%，甲醇和一氯甲烷成本分别占 10%和 9%左右，能耗、人工和 制造费用分别占 8%、4%和 17%左右。由于外购甲醇并不直接用于有机硅单体的生产， 需首先与生产过程中的副产品盐酸反应生成一氯甲烷，因此具体生产的成本结构可 能存在差异，对于副产品盐酸的综合利用能力也会影响厂商的经济效益与综合成本。 聚二甲基硅氧烷的主要原辅料为 DMC、封头剂、催化剂碱金属氢氧化物等，生产成本 来看，总成本/原料成本约为 111%，其中 DMC 为主要成本项，约占 86%。例如东岳硅 材等聚二甲基硅氧烷的生产厂商大多也具备原料环状硅氧烷单体的生产能力，可减 少或无须外购有机硅中间体，实际生产的原料成本或可得到进一步改善。

生产 TPU 的原料二异氰酸酯（如 MDI）、聚酯/聚醚多元醇及扩链剂等均属较高附加值 化学品，原料价格较高，进一步导致 TPU 的生产成本提升。采用一步法生产 TPU 的主 要原料为 MDI、聚酯多元醇和丁二醇等，TPU 的生产成本拆分来看，总成本/原料成本 约为 110%，其中聚酯多元醇和 MDI 占据主要，分别占 45%与 40%左右，能耗、人工与 制造费用分别占 3%、2%、4%左右，总成本目前以原料成本为主。

3. 应用篇：AI 重塑人形机器人设计端格局

展望未来，伴随 AI 对研发与生产端的深度介入，PEEK、碳纤维等高“白痴指数”材 料成本有望大幅下降。当成本不再是核心掣肘，人形机器人的大规模普及将取决于 材料性能能否与机械结构、电子系统、场景需求深度匹配，而传统单学科研发模式或 难以满足这一要求。 AI 的跨界协同能力、软硬件深度融合、创新设计有望重塑人形 机器人设计端的格局。 在跨学科知识图谱的推动下，AI 促进了不同领域技术的融合，加速了机器人设计与 优化的进程；在硬件与软件深度融合方面，AI 使机器人能够在硬件和控制算法的协 同作用下，实现更加高效和精准的运动与决策；与此同时，AI 还带来了创新的设计思路，通过数据驱动、智能化分析与个性化定制，极大拓展了机器人设计的边界。这 一系列的技术进步，不仅提高了人形机器人在复杂环境中的适应性与灵活性，也推动 了其在多个行业中的应用，为未来机器人技术的突破与普及奠定了坚实基础。

3.1跨学科知识图谱：优化人形机器人性能

在传统的人形机器人设计中，化工、机械、计算机等不同学科和行业的研究往往是相 互独立的，缺乏有效的沟通和协同。这种“各自为战”的研究模式导致了不同学科之 间的沟通障碍，信息共享不足，进而影响了人形机器人的整体设计优化。而 AI 可以 通过建立人形机器人产业知识图谱，将各个学科和行业的知识和数据进行整合和关 联，打破跨学科的壁垒。例如，AI 可以在设计人形机器人关节时，同时考虑化工材 料的强度与韧性、机械设计的力学要求以及计算机控制系统对关节动作的精确控制 要求。这种跨学科的优化设计不仅能够提升机器人的综合性能，还能减少开发过程 中可能出现的设计冲突和冗余，节省研发时间和成本。 2024 年 2 月，卡内基梅隆大学 Tairan He 等人通过跨学科知识图谱实现人形机器人 上的新突破。该团队通过强化学习（RL）框架，整合了计算机视觉（RGB 摄像头）、 机械设计（人形机器人关节控制）、运动学（人类动作重定向）等多学科知识，开发 出了一个人对人形机器人（Human to Humanoid，简称 H2H）的全身遥控系统。研究中的“Sim-To-Data”过程结合了模拟环境与真实机器人部署，优化了跨学科数据的 关联性，最终在 Unitree H1 机器人上实现了行走提速（3.3m/s）、踢球、后空翻等复 杂动作。 跨学科知识图谱为人形机器人设计与研发提供了一个全面、系统的知识框架，使得不 同学科的技术能够有效对接。未来 AI 跨学科知识图谱有望进一步推动各领域技术的 深度融合、加速创新技术的研发进程、帮助机器人研发团队更高效、更精准地解决技 术难题。

3.2硬件与软件深度融合：推动人形机器人技术的突破和应用

人形机器人本质是AI系统落地物理世界的最佳载体，算法是核心，需要与硬件匹配。 机器人的输出包含了虚拟与物理两种能力。虽然人形机器人从本体硬件上看，存在抗 压硬度与灵敏度不足的问题，但更核心问题在于是算法对运动能力的控制，包括本体 平衡、行走的步态、手部抓取等规划与控制。这需要成熟的感知系统基础、强大的算 法分解任务和规划动作、大模型不断仿真训练以及超强的算力支撑。

AI 在设计端可助力硬件和软件的深度融合。人形机器人的性能表现，不仅仅依赖于 其硬件的质量优劣和精度高低，软件所采用的算法以及控制策略同样起着至关重要 的作用。在过去，硬件设计和软件开发通常是两个相对独立的环节，容易导致硬件与 软件在实际运行过程中出现适配不佳的问题。而 AI 可以在设计初期就将硬件和软件 进行一体化设计。通过先进的模拟技术和严格的验证流程，确保硬件和软件之间能够 实现无缝对接，达到最佳的协同工作状态，进而显著提高人形机器人的整体性能和运 行效率。例如，机器人需要高精度的运动控制，AI 可以分析机器人硬件的动态响应 特性（如伺服电机、传感器等）并优化控制算法，确保硬件与软件的高效协作。

以波士顿动力的人形机器人为例，Atlas 机器人是多年软硬件协同设计的成果，在物 理能力（如可举起超过人类精英运动员能举起的物体重量、做出特殊动作）和软件（用 于编写全身行为的软件）方面具备优势。2024 年 10 月 16 日，波士顿动力公布与丰 田研究所（TRI）合作，将 TRI 的大型行为模型（LBM）这一复杂 AI 系统应用于 Atlas 机器人，通过软件层面的 AI 赋能，让机器人在硬件基础上能够理解和生成类似人类 的行为，实现人机自然互动等功能。 硬件与软件的深度融合对于 AI 设计端的作用不仅限于技术层面的提升，还能在开发 效率、性能优化、智能化、自适应能力等多个方面带来显著优势。AI 作为桥梁和纽 带，促进了硬件与软件的密切协作，从而推动人形机器人技术的突破和应用。

3.3创新设计：AI 打破传统范式，定义下一代机器人形态

AI 技术的引入还为人形机器人的设计带来了全新的思路和方法。由于大语言模型、 深度学习、强化学习等 AI 技术强大的文本处理、推理与提出解决方案的能力，人形 机器人的构建思路也将不再局限于传统的运动范畴，在情感交互、数据分析以及养老 保障、野外探险等细分领域上推出特定人形机器人产品成为可能。国内外相关研究团 队与科技企业正在积极探索其中可能，尝试使人形机器人在特定领域上的“精神”层 面更加拟人化与智能化。未来，AI 有望根据任务需求（如医疗陪护、工业搬运），自 动生成人形机器人模块化设计方案，包括材料选型+结构布局+驱动逻辑，例如输入 “家庭清洁人形机器人”需求，AI 在 1 小时内输出 3 套设计方案。 哥伦比亚大学的 Hod Lipson 团队就基于神经网络模型开发出了能够预测人类微笑并 作出回应的 Emo 机器人。该机器人利用高分辨率摄像头捕捉面对者的面部肌肉变化， 之后用预训练好的 AI 模型提前近 1 秒预测人类表情，并通过 23 个独立电机来尝试 模仿面对者的面部表情。这项技术为人机交互提供了更自然与新奇的体验，结合上文 本分析的语言模型将实现与用户更好的情感交互，未来可应用于医疗、教育等领域。 2024 年 8 月，1X Technologies 宣布正式推出一款专为家庭设计的双足人形机器人原型 NEO Beta，能够实现杂乱物品整理、餐饮协助与物品传递等日常家务操作。该 机器人通过接入大语言模型以实现自然语言指令的理解和执行，同时团队在研发强 化学习类模型使机器人能够主动适应各类场景并做出家务行为优化。

（本文仅供参考，不代表我们的任何投资建议。如需使用相关信息，请参阅报告原文。）