2025年AI系列深度报告：AI for Science应用端落地快速开启

一、AI for Science 成为未来研究升级的重要路径

1.1、AI4S 已经成为科学研发领域“新范式”，进入加速发展期

AI for Science（AI4S）是指将人工智能技术应用于科学研究之中，成为继实验、理论、 计算机科学、数据科学之后的“第五范式”。它利用深度学习等方法解决生命科学、材料 科学、化学反应等领域的核心难题。人工智能经历了 70 多年的发展，贯穿了符号主义、 连结主义和行为主义，进入到深度学习阶段，不仅能够对“已有”进行高效拆解、学习和 分析，也逐步能够对“未知”进行判断、模拟和自我修正，正因如此，人工智能开始在应 用端具备更进一步的落地价值，不仅仅作为现有状态的效率提升工具，更能够辅助制造行 业的创新、优化和预警。 DeepMind 团队在 2020 年用 AlphaFold 2 模型破解了蛋白质折叠难题，从而“显著加速了 结构生物学研究”。2024 年诺贝尔化学奖授予 AlphaFold 的发明者，化学奖再次凸显诺奖 委员会对 AI 的青睐。最新的 AlphaFold 3 模型甚至能预测蛋白质、DNA、RNA 及药物分子 的相互作用，时任谷歌 DeepMind 高级研究科学家的 John Jumper 认为其将显著加速生 物学研究速度 5%-10%。这些实例表明，AI4S 正在从原子/分子层面深化对化学反应机制的 理解，大大提高了研发效率和精度。

人工智能的研发已经持续了近 80 年，开始有向“智能体主导”发展的新趋势。参考历史 不同生产力阶段持续时间：①狩猎采集时期（公元前 38000 年-公元前 8000 年）共 3 万 年；②手工业农业时期（公元前 8000 年-1430 年）共 9400 年；③贸易工业时期（1430 年 -1955 年）共 525 年；④计算机科学时期（1955 年至今）已有 70 年，从线性推演来看， 由 AI 引爆的生产力革命已经开始并且会有极快的迭代速度。

①1940s–1990s：机器学习和神经网络起源。1943 年 McCulloch 与 Pitts 提出了数学神 经元模型，通常被视为机器学习的奠基；1958 年 Rosenblatt 提出感知器 （Perceptron），这是首个能“学习”数据的人工神经网络原型，被认为是现代神经网络 的基础。此后 Minsky 和 Papert 在 1969 年揭示了单层感知器无法解决异或问题的局限 性，引发了简单神经网络的“冰河”期。到了 1980 年代，研究者又提出了反向传播等多 层网络算法（Bryson 和 Ho 等），为后来的深度学习铺平了道路。 ②1990s–2010s：深度学习的兴起。进入 90 年代后，卷积神经网络、循环神经网络等取 得突破性进展，并应用于图像识别、语音识别等领域。2006 年之后，随着大数据和 GPU 算力的快速增长，深度学习逐渐爆发，如 2012 年 AlexNet 在 ImageNet 竞赛中胜出，标 志着深度神经网络进入主流。这一阶段可以看作是 AI 算法和算力双重优化、ML 算法成 熟的大融合期，为后续复杂科学任务提供了算法基础。 ③2018 年至今：OpenAI 推出 GPT，AI4Science 应用相继爆发。近几年 AI 技术开始面向 科学前沿领域落地，尤其是生物医药和材料科学等行业。2020 年 DeepMind 的 AlphaFold2 模型以接近实验精度预测了数以万计蛋白质结构，被《Science》评为 2021 年年度科学突破。2024 年 AlphaFold3 进一步扩展到蛋白质-蛋白质、蛋白质-DNA/RNA 复 合物等多分子相互作用。与此同时，大规模语言模型和生成式 AI 在科研工具层面成熟， 为 AI 辅助假设生成、文献分析等提供了强力支持。

下一阶段，AI4Science 有望进入“多模态大模型+自动化实验”时代。科研领域的基础 模型构想正在兴起：欧盟等机构已启动“科研领域基础模型”项目，培养可用于化学、 生物、物理等多学科的通用 AI 系统；NASA 也发布了针对地球科学的通用模型。同时 “自驱动实验室”（Self-DrivingLab）等多智能体协同平台正加速发展。未来，AI 将与 机器人实验密切配合，人机协同进行全流程闭环科学研究：AI 提出假设、机器人执行实 验、系统评估反馈，再迭代优化。长远来看，这意味着科学研究将从“以人类为主导” 逐渐过渡到“智能体主导”的新范式。

1.2、伴随 AI4S 发展持续深入，开始衍生出新的合作状态

当前的 AI4S 已经从学术层面跨入到商用层面并产生实际的经济效益，不过并没有形成较 为成熟的商业模式，业界普遍沿用两种极端或混合模式。一类是合同研究组织（CRO）的 服务模式：科技公司利用 AI 算法对客户（如制药或材料企业）提供定向服务，包括预测 靶点、筛选化合物、优化配方或仿真模拟等项目，一次性完成后收取服务费，不分享下游 成果的知识产权；另一类是内部研发模式：公司自建 AI 平台用于自主发现创新成果（药 物先导、材料配方等），并通过许可、合资或直接产业化获利。 当然目前相当多的企业自身的 AI 底层基础还尚未完善，因而有存在有公司通过参股、控 股等方式切入初创型 AI4S 科研平台，或者和领先的大学科研团队合作，来弥补原本积累 的底层数据、研究方向、技术人员等不足，加速实现 AI 的科研赋能。而企业主体更多承担产品的工程化生产以及产品应用和推广等和实体业务更为协同的环节。 现代合同研究模式 (CRO) 兴起于 20 世纪 80 年代，当时大型制药公司开始寻找外包工作 的方式，以降低成本并利用外部专业知识和能力。人工智能外包也不例外，因为人工智能 服务提供商的技能和专业知识可以在不同的时间和成本下应用于药物发现和开发项目。当 前市场中许多公司将自身打造为“AI 加速实验室”向制药厂提供虚拟筛选或有限实验设 计等服务，如 BenevolentAI、英矽智能、Reverie Labs、晶泰科技等。

内部研发模式下，AI 公司本质上像数字化的生物制药厂或材料厂，依靠所创造的候选成 果来融资或合作。例如，美国 Cyclica、Atomwise 等 AI 药物公司主要依靠开发自有药物管线，再以联合开发或上市等方式变现。大公司收购案例也较为典型，如 BioNTech 2023 年收购 BERG 全部资产，这种并购即是成熟公司直接买断 AI 能力和技术，反映出 AI4Science 公司可通过被收购退出。

合作研发模式通常可以快速启动并降低初期成本而自主研发模式前期投入巨大。当前各国 政府和机构都在非常积极推动 AI 科研合作，例如欧盟将 AI 视为加速解决气候、健康等重 大问题的关键工具 ；美国发布“FASST”计划，期望建立世界级的超算设施和国家实验室 网络，加速构建集成科学 AI 系统，可见 AI4S 极高的优先级和紧迫性。我们认为未来大型 机构将会以混合模式为主，比如大型企业或国家级实验室可能建立自己的 AI 研究平台（内 部自主开发），同时对外开放部分能力，与高校、初创企业共建创新网络。小型企业则倾 向于使用这些开放或商业化平台，采用合作研究模式。

1.3、国内 AI 发展进一步向 AI+应用落地，大型企业已经开始思索先期布局

在 AI 发展布局前期，我国的政策更多以大框架、大构想为主要的方向指引。我国 AI 政策 呈现体系化、自上而下的特点，通过国家层面的统一规划和专项部署，整合全国的算力、 数据和人才资源，以“集中力量办大事”的模式，在选定的关键领域实现快速突破。政策 执行力强，目标明确，出台政策后相关领域会有快速突破。

先期的国内政策带动了 AI 产业链上游和中游的崛起。在我国 AI 发展过程中，AI 的产业 链获得了极大发展，自上而下的推广，使得 AI 产业链的上游和中游作为软硬件发展基础 率先崛起。 在硬件环节，芯片、服务器、存储设备、网络设备行业预期大幅上调，行业产能快速扩充， 规划产能持续加码，部分产能释放瓶颈环节带来了历史级别的高度景气，同时也带来高端 产品加速研发突破国产化； 在软件环节，多阵营入场角逐，传统的移动运营商、专业的 IDC 服务商以及云服务商等多 个阵营持续进行数据中心投资，大规模的互联网大厂也在持续进行云计算服务等业务的布 局，包括到新型的创新性平台也在不断切入智能计算中心的布局，目前我国已经有超过 250 个智算中心，分布在不同的行业和区域，充分扩展 AI 的模型应用适配性和计算基础。

2025 年以来，政策开始加大对于应用端的推进和指导，AI 产业链的下游的发展环境进一 步优化，开始有利于创新企业、龙头企业牵头发展。2025 年 3 月，政府工作报告上提出， 2025 年将持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来， 支持大模型广泛应用，大力发展智能网联新能源汽车、人工智能手机和电脑、智能机器人 等新一代智能终端以及智能制造装备。7 月 31 日，国务院常务会议审议通过《关于深入 实施“人工智能+”行动的意见》，提出要深入实施“人工智能+”行动，大力推进人工智 能规模化商业化应用。 2024 年中国科学院主管、科学出版社主办的商业期刊《互联网周刊》（CIW）联合德本咨询 （DBC）、中国社会科学院信息化研究中心（CIS）发布了《2024 全国“人工智能+”行动创 新案例 100》，就已经开始着重指导 AI+的落地应用，以先期的案例推动应用层的进一步快 速发展。 在大环境下，中国大型化工集团纷纷成立专门的 AI/数智化事业部或研发机构，积极引进 行业顶尖人才。政府层面也鼓励企业“引凤筑巢”，通过多元化渠道招揽战略科学家和技 术领军人才。例如中国中化发布《中国中化科技人才培养工程实施方案》《中国中化关于 加强高层次人才引进工作的指导意见》，明确人才工作的目标。在智联招聘上，我们观察 到中国中化旗下的“中化学数智科技有限公司”发布“化工领域人工智能业务专家”岗位， 要求应聘者具有谷歌、微软、亚马逊、百度、腾讯等大型科技公司或行业公认企业的 AI 部 门工作经历，并担任过核心技术骨干。这一岗位还强调需精通深度学习、大模型等技术， 并具备完整的垂直领域 AI 技术研发经验充分体现企业倾向招聘具备国际背景或顶尖企业 经验的专家型人才。此外，诸如万华化学、中石油、中石化等龙头也纷纷发布高层次人才 需求。

二、AI 应用从行业痛点着手，部分赛道有望率先实现突破

在新的趋势兴起过程中，发展和兑现也是有先后顺序的，投入和产出的衡量将是是否进行 革新的关键决策因素。当然受到不同行业的运行重点、发展模式、成长因素、核心竞争因 素等不同，投入和产出的衡量会有明显不同，不同企业的规模、发展陆续、经营资金现状 等也会对决策产生明显影响，但往往投资回收期短，或者能够再来“可接受”周期内收益 的大幅提升，或者试错成本相对较低，有合理胜率、赔率比的应用往往能够刷新获得尝试 应用。 在 AI 发展过程中，能够率先解决行业痛点的应用方向有望获得率先落地。从 AI4S 现阶段 的应用情况看，先期的优势主要集中于几大方向：①高效的信息资料摄取，能够全面、实 时、快速的获取关联信息，为其他环节提供基础，比如原料市场监管，采购辅助决策；② 初级的人工替换或者辅助性的效率提升，能够直接兑现高效降本的经济回报；③借助细分 深度模型给与初级预判或者方案，并在使用过程中不断升级和改善，作为辅助工具进行底 层工作替代，放大现有生产力的创收能力。

2.1、AI4S 应用以高效为核心驱动，率先对症三大痛点

AI4S 目前已广泛应用于药物研发、生物技术、材料科学、能源与环保等领域。总结他们 的共性可以为化工行业的 AI 赋能提供有效参考。典型案例是 AlphaFold 模型预测蛋白质 三维结构：在过去几十年里，确定蛋白质的三维结构是一个耗时且昂贵的过程，常用实验 技术如核磁共振和冷冻电子显微镜虽然有效，但成本高昂并且解析速度慢，全世界仍然有 数以亿计的蛋白质尚未被解析，而 AlphaFold2 较为完美的解决了上述问题，在 2020 年的 14 届蛋白质结构预测挑战赛（CASP14）中 AlphaFold2 以绝对优势 81.07 分打败其他实验 室团队（第二名 31 分）。此外，还有 NLP 模型（GPT-4 等）解析海量生物医学文献提出 新假设、GNoME 模型预测无机晶体结构等。尽管应用场景各异，但其底层技术和方法论展 现出高度的共性。

AlphaFold2 工作原理分为四步：①训练用数据库：使用来自 UniRef90、BFD、Uniclust30 和 MGnify 的多序列比对数据，总计约 220 亿条蛋白质序列。②序列分析：分析所有相 似的氨基酸序列和可能相互作用的氨基酸，生成氨基酸在结构中的关系图。③AI 分析：使 用神经网络识别需要特别关注的重要元素。④生成结果：将所有的氨基酸组合并生成一个 假设的蛋白质结构并将假设的结构重复进行上述步骤通过多次循环后得到一个特定的结 构。 以 AlphaFold2 为例，我们总结出 AI4S 应用场景的 3 类特点。 1.长研发周期与高成本：这些领域的研发通常耗时长、耗资高，而 AI 能显著缩短周期。 例如深度学习能将蛋白质结构解析从年度缩短到分钟。 2.数据驱动与大规模计算：AI4S 应用的首要特征是其对海量数据的依赖和处理能力。科 学研究本身就是一个产生和利用数据的过程，无论是实验测量、模拟计算还是文献记录。 AI 模型，尤其是深度学习模型，擅长从多模态的复杂数据中（如图像、光谱、文本、序列 数据）提取深层模式和关联性。 3.高维度设计空间：这类问题通常具有大量组合可能，传统实验无法逐个验证。AI（尤其 是生成式模型和图神经网络）擅长在高维优化空间中搜索最优解。比如在材料设计中，AI 根据成分预测性能并“先验筛选”大量候选。

2.2、创新是现阶段 AI 在化工应用的主旋律，关注六个细分方向

（一）生物发酵行业菌株筛选和流程优化

在发酵行业中，菌种是生产反应的核心，生产原料、生产成本、生产效率、环保危废等系 列企业竞争中的核心因素都和菌种高度密切相关。无论是在传统生产中，进行菌种优化， 提高效率，降低成本；还是在创新领域，研发生物工艺路径，解决物理、化学工艺难以突 破的工艺难点，菌种都是核心关键问题。虽然合成生物获得了较快的发展，但是仍然以归 纳以往数据，预判多种可能，不断测试排除为重要路径，即使能够借助高通量工具实现效 率的大幅提升，成本的下降，但仍然有大量的环节存在优化效率或者人工智能模拟的空间， 比如菌种鉴定、培养基设置等。 传统菌种鉴定方法存在耗时长、准确性不足等问题。在过程控制方面，微生物数量动态调 控和风味物质检测仍依赖经验或复杂仪器如色谱联用技术，难以满足工业化生产对实时性 和精准性的需求。而机器学习模型如神经网络、随机森林可显著提升菌种鉴定准确率，并 通过多参数监测实现发酵过程的动态优化。 微生物发酵法具有来源丰富、条件温和、产品活性高等特点，许多化合物依靠其生产，但 传统发酵过程是一种非线性、非结构化的复杂系统，涉及多种影响因素，难以获得令人满 意的优化条件。目前，研究学者已经尝试将人工神经网络与遗传算法用于发酵培养基的优 化中，比如周勇等用人工神经网络与遗传算法优化脂溶性醌类化合物发酵培养基，使其化 合物产量提升了 63.33%。

（二）新型材料的应用和适配

目前新型材料研究热点集中在“高性能/多功能材料”与“绿色可持续材料”两大类，存 在三个共同挑战： ①搜索空间极其庞大，一个新聚合物或复合物可以有数以万计的单体/组分和制备工艺组 合，传统人工作业无法逐一试验； ②多目标优化难度高，新材料需同时满足强度、韧性、导电性、热稳定性等多重性能，且 往往存在相互矛盾，需要在结构-性能-工艺的高维空间权衡取舍； ③合成路线复杂，很多创新材料（如特殊纳米结构或金属有机框架）合成路径尚不清晰， 传统经验式优化既耗时又难以兼顾经济与环保要求。 而借助 AI 学习算法，构建材料性能预测模型，通过对海量材料数据（包括成分、结构、 制备工艺等）的学习，模型能够快速预测新材料的性能，如强度、导电性、耐腐蚀性等。 如，利用深度学习算法对材料晶体结构数据进行分析，预测材料在不同条件下的力学性能。 同时，结合遗传算法等优化技术，对材料成分和制备工艺进行智能优化。在新材料研发过 程中，通过模拟不同成分和工艺组合，快速筛选出最具潜力的方案，极大的缩短研发周期： ①大规模虚拟筛选与预测：机器学习模型可通过已有的材料数据库预测新化合物的性质， 将实验筛选转化为计算筛选。先进神经网络和图神经网络能够学习高维结构与性能的映射 关系，在短时间内评估数十万种候选物的物理化学性能，从而优先确定最有潜力的配方； ②生成式逆向设计：AI 可根据目标功能“反向设计”材料结构。生成模型被用来创建满 足设定性能指标的新分子或纳米结构。 比如在航空领域，研究高强度、轻量化材料；半导体领域，筛选适合的元素组合和生长条 件；新能源领域，筛选潜在的电池材料和组合等。

（三）农药创新药等药剂产品的开发

农药与医药的研发存在高度相似的逻辑框架，两者均涵盖仿制药与创新药（创制药）的开 发路径，核心流程涉及活性分子筛选、靶点识别、结构优化及安全性评价等关键技术环节。 虽然应用领域不同，但其底层研发逻辑和技术体系基本一致。基于此，农药行业可借鉴医 药行业从仿制向创新转型的成功经验，特别是在 AI 辅助分子设计和高通量筛选等领域， 通过引入先进理念和成熟机制，进一步提升农药研发的创新能力和效率。 具体来讲，医药与农药在作用靶点层面存在高度同源性，这是因为二者均干预生物体的基 本生命活动，如神经传导、细胞分裂与代谢调控等，从而许多分子靶点在结构和功能上具 有一致性。例如，鱼尼丁受体（RyR）是调控细胞钙离子通道的关键蛋白，医药领域通过 兰尼碱类药物作用于心肌细胞的 RyR 治疗心律失常，氟虫酰胺等农药则通过激活昆虫 RyR 诱导钙流失致死；乙酰胆碱受体（nAChR）是神经信号传导的重要靶点，加兰他敏通过调 节 nAChR 治疗阿尔茨海默病，吡虫啉等新烟碱类农药则靶向昆虫 nAChR 致其麻痹。靶标的 相似性推动了两行业研发策略的相似性。

（四）辅材催化剂、添加剂等的升级优化及后续产物分离

催化剂在化工行业中具有不可替代的重要作用，是现代化工生产的核心技术之一，在连续 运行的反应器中，催化剂是整个过程的“心脏”，其性能直接决定了反应的效率、选择性 和经济性。然而，催化剂在严苛的连续反应条件下会不可避免地发生失活，这是制约装置 长周期稳定运行的首要难题。首先，化学中毒是主要原因之一，例如，烟气脱硝（SCR） 催化剂中的碱金属会破坏其酸性位点，造成不可逆失活。其次，积炭或焦化是高温烃类反 应中普遍存在的失活途径，沉积的碳会覆盖活性位点，堵塞孔道。其他失活机制还包括水 热老化、高温导致的活性组分烧结、流体冲刷造成的机械磨损、活性物种的浸出和脱落等。 因此，研发人员需要综合考虑多维度数据才能有效解决失活难题，该特点符合 AI4S 应用 特点。 反应后的产物往往是包含目标产物、副产物、未反应原料和催化剂的复杂多组分混合物。 将其高效、低成本地分离提纯，是决定整个工艺链经济性的关键环节，其能耗通常占石化 工业总能耗的相当大部分，为了克服传统技术的弊端，以膜分离、吸附分离、先进结晶等 为代表的新兴分离技术应运而生。吸附剂/晶种的开发与规模化生产成本高昂，吸附/解吸 或结晶/溶解循环的能耗与效率，以及设备复杂、操作周期长等问题，限制了其在超大规 模石化生产中的广泛应用。而 AI 通过分析海量化学结构与性能数据，可预测新型吸附材 料效果和成本，将传统“试错法”研发周期从数年缩短至数月。

（五）材料的微观结构等升级、改造

由于材料组分和结构的巨大潜在组合，研究人员系统地探索材料空间面临成本的巨大挑战。 在目标材料数据有限的情况下，从其他材料的大型已知数据集中进行跨晶体结构的高效迁 移机器学习，成为智能材料设计中的重要实用策略。 来自上海大学材料基因组工程研究院的刘轶教授和冯凌燕教授团队，提出了一种基于大规 模尖晶石氧化物计算数据集的深度迁移学习方法，用于预测热力学稳定的钙钛矿氧化物。 他们用 5329 个尖晶石氧化物结构的形成能开发了基于结构信息“中心-环境”（CE）特征 的深度神经网络（DNN）源域模型，然后通过学习 855 个钙钛矿氧化物结构的小数据集对 模型参数进行微调，获得了在钙钛矿氧化物目标域中具有良好可迁移性的迁移学习模型。

（六）配方设计、升级和应用

电解液在锂金属电池中起着至关重要的作用，不仅促进锂离子的传导，还在正/负极界面 处分解形成成分和结构各异的固体电解质界面（SEI），这些界面最终影响电池的电压范围 和循环稳定性。然而，电解液配方与电池性能之间的相关性尚未明确，这给开发更高效的 电解液带来了挑战。传统的电解液开发通常是基于试错法，涉及电解液的制备、对电池进 行大量的电化学测试以表征其性能、重复这些步骤以优化配方，最终获得最优的电解液配 方。然而，这种方法成本高昂且效率低下，难以精确控制电解液成分，面临诸多挑战。利 用 AI，通过统计分析大量的数据（包括盐、溶剂、添加剂及其配方），可以指导新溶剂分 子、新添加剂、新配方和新溶剂化结构的预测，最终实现最优的电解液设计。

2.3、优化生产和资源调配也是 AI 将逐步兑现的领域，关注设备升级带来的长期变化

和其他制造业差异相对较大，化工作为材料生产环节，生产涉及的参数相对较多，生产的 安全性要求也明显较高，很多生产环节设计到高温、高压、有毒、易爆等危险环境，无论 是在材料储备、生产制造、质量检测、检查维修等多个环节都更倾向于对高度智能化替代。 相比于海外企业，国内化工企业的起步时间确实相对较晚，但由于早期的基础相对薄弱， 很多细分赛道的生产装置的建设周期横跨了多个阶段（技术引进、本土化改造、工艺升级、 规模化放大等），装置的新老程度明显不一，虽然部分大规模的产品经历了 2016 年的供给 改革，但老旧装置仍有存留，小规模赛道产品的淘汰相对较低。目前看很多 10 年以上的 装置的自动化程度仍然相对较低，虽然部分企业经过自身的技术改造，但仍然有进一步优 化升级的空间，有望带动相关的自动化工程设备的需求提升。

（一）重复环节人工替代或者关键、危险环节检测

大部分化工品类成熟度极高、改进难度大，当前更多的问题主要在于产能过剩和环境指标。 国家发改委指出，我国纯碱生产技术已达国际先进水平，多数企业单位能耗已优于先进指 标，节能降耗空间非常有限，且在更严环保要求下“领先企业的能耗可能会出现不降反增” 的窘境。因此，AI4S 赋能较为有限，未来应用的方向更加偏向于全流程监控和精细化调 控。比如，杭州电化集团研发的“AI+机器人”巡检系统在氯碱装置 50–60℃高温、有毒环 境下工作，“机器人狗”能精准检测约 5000 根 PTFE 管线是否断流，检测算法正确率达 99.99%，远超人工巡检效率；中控技术为湖北三宁化工的硫酸装置部署了 AI 系统，通过 大模型实时监测生产数据，实现关键指标的超前预警和自动调节建议。

（二）、生产过程的智能优化

由于多数大宗化工产品的生产同质化相对较高，产品难以形成销售溢价，因而各个生产环 节对于成本的影响都极为重要，是企业利润兑现的关键。从原材料配比消耗、生产过程的 能源利用、生产的连续和稳定性、生产装置的安全性、产品的转化率和副产物的利用、下 游产品的设计和匹配等，都对生产成本产生极大影响。 虽然在部分头部企业生产过程中，已经实现了一定的自动化控制和远程监控，但借助于 AI 的模型优化不仅可以实现实时监管，还能有智能化的参数调整，未来运行的提前预判等。 通过传感器实时采集材料生产过程中的数据，如温度、压力、流速等形成个体运行的数据 基础，通过数据分析和机器学习算法，构建生产过程模型，实现对生产过程的实时监测和 智能控制。如，基于神经网络算法的控制系统，根据实时生产数据调整设备参数，确保生 产过程稳定，产品质量一致。同时，运用预测性维护技术，通过对设备运行数据的分析， 提前预测设备故障，安排维护计划，避免生产中断。 同时在质量控制方面，通过实时监测和精准控制，AI 系统能够对生产过程中的每一个环 节进行精细化控制，确保产品质量的一致性，生产的连续稳定，能够避免因为频繁调整修 正带来的物料和能源损耗。

（三）、给予充分、实时市场信息进行的资源调配

虽然对于多数大宗产品具有同质化的属性，但仍然有相当多的领域具有特殊的行业运行模 式，比如原材料的渠道布局，产品的市场拓展和销售等。比如生物质能源的原材料和产成 本的市场对接。不同于化石能源，生物质能源具有区域、气候等区域差异，在进行原材料 储备过程中需要充分了解供给、空间、库存、竞争对手等多维度信息，在产成品销售过程 中，也需要有季节性、区域等产品定价差异，产品库存等压价差异，产品运输等排期差异。 在盈利空间并不算非常丰富的产品领域，能够充分结合多维度信息形成资源调配也将明显 赋能企业短期生产经营决策，以及未来长期规划避免过度竞争的发展规划。

三、AI4S 多行业有应用空间，但个体差异仍然明显

3.1、高质量数据及应用将大幅拉开头尾部化工企业的差距

伴随 AI 效率的持续提升，过去已经存在的公开数据已经有了充分的学习和利用，AI 的升 级利用进入到专业化领域。近年来 AI 的效率在持续提升，已经公开数据的学习已经基本 接近尾声，以现有 AI 模型的学习效率，实时的数据生产基本上可以实现实时消化，因而 大模型对于公开数据的学习更多体现于数据的高质量标注和有效的解读。可以说公开数据 的噪音过多，且不说高质量数据，单就真实数据的占比就相对较低，伴随时间的推演，能 够公开可获得的数据构建的模型差异并不会拉开过大，无非是通过时间进行进一步的优化。 高质量数据的价值在持续凸显。由于公开数据的真实性较难判断，如果没有持续对模型进 行修正，和多层逻辑设立，很容易产生 AI 幻觉。且进入更为专业的领域，大模型的适配 性就有所下降，专业的应用模型需要更为专业模型修正和更为详细的数据输入，公开可获 得性相对较低，很多数据的累积更是头部企业或者头部研究院所的核心竞争力，因而能够 积累、处理、使用高质量数据成为 AI 在专业应用领域的重要基础和差异点。根据《中国 数据交易市场研究分析报告》，2030 年，全球数据交易市场规模将达到 3000 亿美元，是 2022 年的 3.3 倍，中国数据交易市场规模将达到 5000 亿元以上，是 2022 年的 5.9 倍。

作为多数 AI 应用落地的底层基础，专业数据库成为重要的落地资源，我国虽然具有非常 强大制造能力，但受制于历史积淀和过程认知的不足，我国的数据积累仍有较大差距。2024 年全球数据库市场规模约为 1154 亿美元，其中中国规模约为 83.7 亿美元，约占全球的 7.3%。放在化工行业内，中国化工市场占全球市场的 40%以上，中国化工研发投入占全球 化工研发投入的 1/3，不到 10%的数据库规模占比明显凸显了我国数据储备的严重不足。

经过多年的野蛮生长，数据行业的发展更多向头部集中，质量的作用进一步凸显。而进入 2025 年，无论全球还是国内数据库企业数量都进入到明显的下行阶段，逆转了前期持续 上行的趋势，2025 年，我国数据库企业的数量由 2024 年的 167 家，下行至 103 家，数据 的简单堆积已经不能满足现阶段数据的要求，数据质量成为关注重点，因而高质量数据也 成为细分领域精细化模型的关键资源。

根据 IBM 数据，化工企业中，AI 领军者企业的 AI 投资回报率更高，平均达到 39%，而其 他企业仅为 25%，但这两组企业在 AI 方面的支出基本相同，领军者企业每 10 亿美元收入 中有 490 万美元用于 AI 投资，其他企业则为 440 万美元。与同行相比，AI 领军者企业已 经能够借助 AI 计划进一步增加收入、降低支出、维持人员配置以及减少资本开支。假设 同样是市值 50 亿美元、利润率 10%的企业，AI 领军者企业的利润平均要比同行高出 2 亿 美元。 AI 的价值取决于企业利用数据的能力。根据 IBM 数据，化工企业中，97%的 AI 领军者企 业建立了数据驱动型文化，相比之下，只有 59%的同行做到这一点。降低数据结构复杂度 成为是应用 AI 的先决条件。这意味着化工企业必须优先建立数据标准和企业数据治理框架。

在化工领域看，除高质量文献，专利信息，成熟工艺包外，赋能生产、研发的高质量信息 更多偏向私有化，且由于很多企业的成立时间过短，或者对数据重视不足，或者装置先进 向不够，企业自身积累的数据极为有限，能够进行自身赋能的相对较少。而能够加成研发 和优化的高质量数据一般来看具有几个获得来源： ①规范有效的数据积累（全面、充分标准、维度设立合理），而非柜子里堆叠的历史文件； ②外部和高校或者研究院所合作的数据基础； ③通过高效的实验装置进行的多维度数据积累； ④通过收并购实现管控权的全面承接，能够继承标的企业的数据资产。 因而从数据的角度看，历史管理相对规范的头部企业、有先期的战略规划能够有效外部合 作的细分龙头、能够结合“机器人”和“智算平台”的生产企业有望可以获得持续 AI 竞 争力。

3.2、AI 适配性发展和高效的执行力也将是企业 AI 升级的重心

大模型并不完美适配化工精细度高，场景专业化程度深的细分领域，需根据自身的应用场 景选择适配的专业模型。 化工不同于其他制造业赛道，产品生产种类明显较多，生产工艺流程有明显差异，大 模型在满足多领域、多产品的共同的情况下就会降低单一赛道的专业度和准确性。 且从应用和兑现情况看，产品研发还仅是第一步，能够生产工艺合理设计、规模化平 稳安全生产、成本优势和经济性兑现、产品应用推广和场景适配等需要传统企业的落 地和执行，因而及时有 AI4S 的赋能加持，化工企业也较难大规模横跨其他赛道，脱 离自身赛道和基础。而即使是化工的龙头企业基本也分属于不同赛道，除少数具有平 台性质的央企外，多数企业并不需要进行多链条适配。 从投资的角度看，专业模型的选择和训练的投入成本和时间周期和大模型远远不可 比，一般生产企业难以承当长周期的投资时间和高强度的资金要求，在模型落地后， 也难以通过合理的商业模式兑现收益。 AI4S 的应用会对部分职位及运行路径产生明显影响，推行起来不仅在资金、人才、资源等 方面具有要求，更是可能触及现有部分岗位和管理设置，没有办法一直贯彻下去的 AI 策 略反而不一定能够形成额外赋能，反而使前期的投入成本变成沉默成本。 化工流程涉及复杂的物理化学机理和严格的法规要求，普通的通用 AI 模型往往难以 适配。这些基于公共数据训练的模型难以理解化工过程的专业细节和特殊流程，如安全合规检查或复杂配方属性。MIT 研究发现，借助 AI 完成其能力之外的工作反而会 使工人绩效下降 19%。因此，若不使用针对化工设计的“垂直 AI”方案，模型很难准 确处理行业专有知识。缺乏行业上下文的通用 AI 平台往往无法捕捉化工装置的多变 量动态，而需要预置化工场景知识才能提高准确度。人工智能系统的性能取决于其所依赖的数据。化工行业依赖非结构化数据（分散在 PDF 文件、遗留系统和电子邮件中），一方面数据整理需要较长时间，且有大量不规 范、缺失、遗漏数据；另一方面，在数据整理过程中，仍然可能出现维度缺失，标注 失误等问题，可能导致工作重复繁杂；如果统计失误，数据质量低下或缺乏集中化可 能会导致“幻觉”，即人工智能生成看似合理但实际错误的输出。 引入人工智能系统不仅仅是技术上的转变，更是文化上的转变。员工的抵制，尤其是 在数据驱动型岗位上的抵制，可能会减缓其采用速度。如果没有适当的模型训练和使 用该工具的主题专家的支持，AI 工具可能无法无缝集成到现有的工作流程中。

3.3、AI 布局，企业仍然需要硬件同步跟进

高性能算力设施：AI 模型训练与推理需要大量计算资源。参考国外科技巨头为了应对大 规模模型训练和推理需求，购置的大量计算资源：Twitter 购买了约 10,000 个 GPU，微软 与 OpenAI 合作的 AI 超级计算机配备了 285,000 个 CPU 和 10,000 个 GPU。化工企业可能 需配置配备类似规模的计算资源，甚至采用 FPGA/ASIC 等专用 AI 芯片来提升运算能力。 数据存储与传输基础设施：AI 系统依赖海量数据，需高速采集与存储。企业通常要建设或 租用数据中心，配置高速存储阵列和大容量数据库服务器。同时必须有高速网络支持，包 括内部光纤网络、工业级以太网交换机以及 5G/工业物联网通信等，以保证从工艺控制系 统到算力中心的数据实时传输。

现场采集与感知设备：化工生产依赖大量现场数据。部署 AI 前置条件是布设智能传感器 和采集终端：如压力传感器、温度计、流量计、成分分析仪、PH/ORP 电极、湿度监测等各 类传感器，它们将过程参数实时数字化。部分场景甚至需要嵌入式 AI 芯片的边缘服务器 来预处理数据。此外，为了实现质量检测或安全监测等应用，还可能增配工业摄像头、红 外扫描仪或无人机等硬件，用于采集视觉或环境数据。 辅助设施与安全设计：AI 硬件上线还需相应的配套设施保障：如专门的设计用于 AI 算力 的机房架构，如带有严格温度湿度控制、冗余供电和防火防爆措施，以及网络安全硬件， 如工业防火墙、VPN 网关。遇化工特有环境，对设备本身也可能有额外要求，如防腐蚀外 壳、防燃料浓度防护等。

编辑：火腿肠