过去几年，AI for Science（AI4S）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。
换句话说，AI 可以生成配方，但化工企业最终需要的不是“看起来正确”的答案，而是能够生产、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。相比单点使用大模型查文献、写报告，这一路径更值得关注的地方，在于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，让 AI 进入材料产业化的完整链条。
AI4S 的难点，不只是模型
化工材料研发首先面临数据问题。企业内部的数据往往数量有限，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也并不统一。未经处理的数据即使能够输入模型，也很难直接用于训练和预测。
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。项目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，才能形成模型可以使用的数据集。
这也说明，产业 AI 的门槛并不完全体现在参数规模上。真正消耗时间的，往往是把文献知识、实验数据和生产经验整理成机器能够理解、计算和复用的结构。
“数据不足不是项目的终点，而是介入的起点。”这句话背后的行业现实是：AI4S 首先是一项数据工程，其次才是模型工程。
从“语言生成”走向“机理与数据双驱动”
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，枫清科技采用了机理模型与数据联合驱动、大小模型协同的技术路线。
在材料发现阶段，行业模型可以用于文献分析和候选配方的高通量筛选；进入工艺环节后，则需要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（PINN）等方法，对反应和生产过程进行模拟。文献调研、分子设计、实验规划和工艺仿真等任务，再由不同专业智能体分工协作。
这种架构反映出产业大模型正在发生的一项变化：通用模型并不直接取代专业软件和机理计算，而是成为调用知识库、计算工具与仿真模型的调度层。
对于化工行业而言，大模型“知道得多”并不足够，更重要的是每一步计算使用了什么公式、哪些参数，以及结果能否被专业人员复核。
为降低模型幻觉带来的风险，枫清科技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。智能体负责理解需求和编排任务，具体计算仍由确定性工具完成，并保留中间步骤。
这条技术路线的核心不是让 AI 替代规则，而是让 AI 能够正确找到并执行规则。高雪峰将其概括为：“不只是给出一个答案，还要说清楚为什么另外 900 个候选配方行不通。”
数字中试，可能是 AI4S 真正的分水岭
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。大量候选材料并非没有实验价值，而是无法承担实体中试的成本与风险。
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。它不能完全取代真实中试，却可能减少无效试验，降低设备占用、原料和能源成本。
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。
这也决定了 AI4S 不会是一套软件装进工厂就立即生效。更现实的落地方式，是从边界清晰、收益可测的场景切入，再逐步连接 DCS、LIMS 等生产与实验系统。
枫清科技称，其为一家民营化工企业部署工艺配方优化智能体后，每年节省水、电、煤、气成本约 1000 万元。该数据仍需结合项目规模、投入成本和统计口径评估，但至少表明，化工企业衡量 AI 价值的标准正在从模型准确率转向生产指标。
AI4S 的下一阶段，不再只是证明 AI 能够提出新材料，而是证明这些材料能够走出实验室。真正的产业闭环，是一个候选配方既能被发现，也能通过中试、进入产线，并在持续运行中接受成本、安全和质量的共同检验。
材料发现决定 AI4S 能走多快，而中试与生产决定它最终能走多远。
