AI应用的挑战与建议

[中国石化报 2026-02-24]

尽管AI技术在能源化工研发领域前景广阔，但在实际应用过程中仍面临诸多挑战。

挑战一：构建跨学科知识体系以培养AI材料研发的复合型人才

当前AI材料研发需要同时掌握材料科学、化学工程、计算机技术和人工智能等多领域知识。如何设计新型教育课程体系？企业应建立怎样的内部培训机制？学术界与产业界如何协同培养具备“材料+AI”双栖能力的研发人员？

建议：一是教育体系改革，高校应建立“材料智能计算”交叉学科，设置材料基因组学、AI化学等前沿课程，比如采用“3+1+X（3年基础学科+1年交叉学科+X年产业实践）”培养模式；二是企业培训机制改革，化工龙头企业可建立AI材料实验室，通过“师带徒”模式培养复合型人才；三是产学研协同，推广“双导师制”，由高校教授和企业专家联合指导培养复合型人才。

挑战二：在数据驱动与机理模型之间实现最优平衡

当机器学习模型出现与物理化学规律相悖的预测结果时，研发人员应如何取舍？如何开发既能利用海量实验数据又能融合先验知识的混合建模方法？不同材料类型（如聚合物/合金/催化剂）是否需要差异化的建模策略？

建议：将物理规律、化学原理等有效嵌入人工智能模型，使模型的预测结果具有科学依据且可解释。同时，加强对模型的验证与评估，确保其可靠性和准确性。人机融合智能中的数据和知识双驱动模式代表了人工智能发展的新范式，核心在于整合数据驱动与知识驱动两种范式的优势，形成更智能、可解释系统，比如将第一性原理计算与深度网络结合，构建深度势能，在保证量子化学精度的同时，实现计算速度数量级提升。

挑战三：人工智能研发成果的产业化落地

实验室成功的AI材料模型在放大生产时常出现性能衰减，如何建立更可靠的跨尺度预测方法？现有化工生产设备的数字化改造成本高昂，中小企业该如何破局？行业标准与监管体系应如何适应AI研发的新范式？

建议：一是开发跨尺度预测技术，耦合“微观-介观-宏观”尺度，以催化剂为例，从微观尺度上的催化剂筛选设计扩展到介观、宏观层面的时空尺度，覆盖催化材料的次级筛选与工业放大；二是采用“云平台+轻量化AI”模式，参与产业联盟共享算力资源，如中国石化打造“石化智云平台”，建立呼和浩特算力中心；三是制定AI材料研发的“数字身份证”标准，记录材料全生命周期数据，建立“算法透明度”评估机制。

行业案例

巴斯夫超级计算机Quriosity是目前世界上最大的用于工业化学研究的超级计算机。巴斯夫将人工智能融入分子与化合物模拟计算流程。在Quriosity的帮助下，巴斯夫能够在短短几个小时内计算模拟超过40万种相关复杂环境场景，而不是通过几年的时间来完成。这一举措大幅提升了计算效率，能快速筛选聚合物结构，加速新型分子和化合物的开发进程，而且还能挖掘出传统方法难以察觉的潜在关联性，为研发开辟新思路。

陶氏化学与微软达成合作，采用微软Azure机器学习平台进行研发，将其机器学习和人工智能技术整合到自身的预测分析系统中。陶氏化学能够将材料科学、反应动力学和流变学知识与人工智能进行有机结合，并通过历史数据、预测模型、自动化工作流程和扩展应用程序来预测产品趋势、配方特性，以及模拟客户制造流程。

万华化学利用人工智能技术加速化学反应条件的优化，相比传统正交实验方法，人工智能技术将研发周期缩短了3个月。在催化剂研发方面，面对14000多种备选方案，万华化学利用人工智能迅速筛选出156种具有潜力的选项，随后进一步优化至4种，精准推荐分子合成实验，让科研效率得到质的飞跃。

宁德时代搭建了电池材料智能化设计平台，拥有超1.8亿条分子数据和100万条晶体数据，还有正极、负极、电解液等专题研发数据库10余个，将材料机理、大数据分析与AI算法有机结合，可以在90天内完成材料筛选和闭环验证，从而加速电解液、正极、包覆等电池材料的开发。通过这种创新模式，不仅研发周期缩短了30%，研发成本也降低了30%，在提升产品性能的同时，有效提升了企业的经济效益。