AI4S走出实验室：材料研发跨越中试鸿沟的产业化路径

过去几年，AI for Science的关注点大多集中在“发现”：发现新分子、筛选新材料、预测新配方。但对化工行业而言，找到一个理论上可行的候选方案只是漫长研发流程的起点。从实验室小试到中试放大，再到进入产线稳定生产，其间横亘着工艺、设备、安全、成本和质量控制等多重门槛。AI可以生成配方，但化工企业最终需要的是能够生产、能够复现，也能够算清经济账的工艺方案。

在2026上海国际化工展览会上，枫清科技展示了一套覆盖材料发现、数字中试与生产优化的AI4S技术体系，试图把此前相互割裂的科研数据、实验设计、工艺仿真和产线运行连接起来。化工材料研发首先面临数据问题：企业内部数据往往数量有限，且分散在论文、实验记录、Excel表格和不同业务系统中，不同来源的数据在计量单位、实验条件和表述方式上并不统一。枫清科技创始人兼CEO高雪峰举例称，在一个配方优化项目中，客户最初只有几十条配方数据，团队需要先从公开文献中抽取同领域配方和工艺信息，再由化工专家完成数据清洗、标准对齐与单位统一，才能形成模型可用的数据集。

化工过程受到物质守恒、能量守恒、反应动力学和设备条件约束，单纯依赖大模型进行概率生成，很难满足工业场景对准确性和稳定性的要求。因此，枫清科技采用机理模型与数据联合驱动、大小模型协同的技术路线：材料发现阶段用行业模型进行文献分析和候选配方高通量筛选；工艺环节则将设备运行数据与传统机理模型结合，并引入物理信息神经网络等方法模拟反应和生产过程。为降低模型幻觉风险，该公司采用图与向量融合的知识引擎，将企业内部数据作为约束模型推理的“基准事实”，同时把散落在Excel、国家标准和行业标准中的公式及系数封装为可调用的技能，具体计算仍由确定性工具完成并保留中间步骤。

材料研发中最难跨越的环节之一是中试。实验室中几克、几公斤规模能够成立的方案，扩大到吨级生产后，可能受到传热、传质、反应速率和设备结构变化的影响。数字中试的作用是先在虚拟环境中模拟工艺放大，过滤明显不可行的方案，再把范围缩小后的候选方案交给实体装置验证。据高雪峰介绍，枫清科技的数字中试方案正在分阶段实施，预计最早于2027年底进入实际应用。不过，从模型验证走向稳定生产仍需要长期积累，数字模型必须持续吸收真实装置数据，并在不同设备、原料批次和运行条件下校正。