12 月 26 日，智驱科研·赋能未来——AI4S 创新论坛在北京隆重召开。活动从垂域大模型到多 Agent 科研提效的全栈 AI for Science 平台，聚焦化工材料、生物医药核心科研需求，构建“领域模型+科研支撑”的智能化服务体系。北京市科学技术委员会、中关村科技园区管理委员会、石景山区政府及抖音集团、枫清科技等多家企业代表出席此次大会。
将 AI 直接嵌入到产业中能走得更远
会上，枫清科技创始人兼 CEO 高雪峰发表“AI4S：从技术赋能到生态共生，驱动科研新范式”主题演讲，分享了枫清科技如何通过科研垂域模型训练与蒸馏，通用科研智能体以及科研场景智能体的开发，实现 AI+科研实践落地。
高雪峰在演讲开场即指出，理解 AI for Science 以及产业智能化，首先需要回到全球人工智能发展的整体背景中进行审视。
在他看来，中西方人工智能发展路径存在显著差异：以美国为代表的西方国家，更多依托强大算力、海量数据和不断扩张的模型参数规模，试图通过技术堆叠不断逼近通用人工智能（AGI）；而中国的人工智能发展路线则更加务实，核心目标并非单一技术指标的领先，而是如何让人工智能真正进入实体经济，在制造、材料、能源、医药等关键行业中形成可规模化、可复制的生产力提升。这一方向，也与国家在“十五五”规划中提出的“人工智能与实体经济深度融合”的总体要求高度一致。
正是在这样的背景下，枫清科技自成立之初便选择将人工智能直接嵌入产业升级的复杂场景之中。高雪峰表示，公司长期与中国中化、中化数智等链主企业，以及多家行业龙头展开深度合作，其根本出发点并不在于展示技术能力本身，而是希望将 AI 技术落实到真实、复杂、长期存在的产业问题中，通过持续工程化实践验证技术路线的有效性。
在谈及科学技术研究领域时，高雪峰进一步将视角拉回到政策和国际趋势层面。他提到，今年 8 月 26 日，国家正式发布《AI+行动指导意见》，明确提出六大重点行动领域，其中“AI+科学技术研究”被置于首位。这一政策信号，被业内普遍视为中国希望通过人工智能手段，系统性重塑科研范式的重要标志。其核心目标，不仅在于提升单点科研效率，更在于通过行业模型、多学科协同智能体等新型工具，构建能够支撑长期基础研究与应用研究并行推进的智能化科研体系。
与此同时，国际上也在出现新的组织模式探索。高雪峰提到，美国能源部近期联合多家人工智能领域的科技企业，与其下属的 17 个国家重点实验室建立深度合作机制，形成一种产学研用高度融合的公共科研创新联合体。这种模式，在一定程度上突破了传统科研机构、企业与应用场景之间的边界，也为 AI for Science 提供了更具规模效应的实践土壤。
在这样的国内外背景下，枫清科技联合中国中化、中化数智、火山引擎以及吉林大学等科研机构，共同组建了“AI 赋能新材料联合实验室”。高雪峰表示，这一联合实验室并非简单的项目合作，而是希望通过制度化、平台化的方式，将产业需求、科研能力与人工智能技术长期绑定，探索适合中国国情的 AI for Science 创新联合体模式，并在实践中不断完善。
回到企业自身的技术路径，高雪峰强调，在多年产业实践中，公司逐渐形成一个明确判断：仅依赖大模型，或单纯基于概率统计的连接主义技术，难以解决产业升级和科学研究中对确定性、可解释性和长期稳定性的要求。尤其是在材料研发、生物医药等高风险、高投入领域，模型输出的可信度和推理过程的透明性，往往比“生成能力”本身更为关键。
基于这一判断，枫清科技选择将以“图技术”为代表的符号逻辑推理能力，与大模型的概率建模能力进行深度融合，构建以图为核心的多模态知识引擎，并在此基础上发展行业蒸馏模型技术。这一技术体系，能够帮助企业将分散在不同系统、不同格式中的数据，编织成结构化、可推理的知识体系，从而支撑企业构建覆盖多业务场景的智能体，并将原有工作流升级为智能化工作流。
与许多“在既有场景上叠加大模型”的做法不同，枫清科技在实践中始终强调“以企业数据为中心”。高雪峰指出，公司并非从单一应用切入，而是首先帮助企业完成数据与知识的系统化整理，在此基础上再构建各类智能化场景能力。
这种路径，使得不同业务系统之间能够共享底层知识体系，当企业在研发、生产、供应链、销售等不同环节提出智能协同需求时，智能体之间可以基于同一知识基础进行协作，从而显著降低跨系统、跨领域智能化的成本。
这一技术路线，已经在多家链主企业的 AI 平台建设中得到验证。高雪峰提到，过去一年内，枫清科技与多家行业头部企业建立了深度合作关系。
大模型短板并非无解，要在技术上做出取舍
针对当前 AI for Science 落地过程中普遍存在的数据标准不统一、大模型“幻觉”与可解释性不足等问题，高雪峰认为，这些并非无法解决的结构性难题，而是需要在技术路径上作出取舍。通过将图技术引入知识提取、模型蒸馏和后训练过程，枫清科技能够从海量文献和实验数据中抽取稳定的知识结构，并在模型推理过程中提供更强的逻辑约束，从而改善可信度与推理能力。这一技术路线，也已被应用于与中化数智联合打造的“天枢”大模型持续微调中，并被纳入北京市科委支持的中央引导地方战略性课题，成为国内少数将图技术系统性应用于模型后训练的实践案例。
围绕数据知识化和模型蒸馏能力，枫清科技已形成分层次的行业科研智能体解决方案：在基础层，聚焦论文、专利的精读与知识关联分析；在实验层，将智能体嵌入实验规划、执行与数据分析全流程；在更高层级，则与中化数智持续探索单体材料和聚合物等垂直领域的深度智能化能力。这些能力，已逐步部署至石景山区 AI for Science 平台之上。
在实际推进过程中，科研数据分散、共享意愿不足成为一个突出痛点。对此，枫清科技构建了“云—边—端”协同的智能平台架构，使科研人员可以在本地终端获得智能辅助，同时又能与云端模型和行业智能体实现知识与能力协同，从而在尊重科研习惯的前提下，逐步形成可共享、可沉淀的智能体系。
在演讲的最后，高雪峰也回到一个更具社会关切的问题：人工智能是否会在短期内对就业产生颠覆性冲击。回顾自 2023 年大模型广泛普及以来的现实情况，他认为，大规模失业并未出现，人工智能更像是一种连接器，将企业内部的不同系统、以及企业之间的不同主体连接起来，释放协同价值。
