“AI+新材料研发”如何跑出加速度？ ——北京化工研究院副院长郭子芳一席谈

继“人工智能+”首次出现在2024年《政府工作报告》后，最近这一热词又以独立章节形式写入2025年《政府工作报告》。

除了近年大火的教育、医疗、制造业，人工智能（AI）还能“+”些什么？近日，北京化工研究院副院长郭子芳，针对自己所处的专业领域对“AI+新材料研发”进行了深度解码。

AI能做什么？“预测性设计”“精准创制”

AI在为传统行业带来突破性变革的同时，也正在重构科学研究的路径。在郭子芳看来，AI不是单纯的颠覆者，同时也是赋能者。

“2024年诺贝尔化学奖与物理学奖均花落AI相关研究项目。这一标志性事件不仅彰显了AI技术的成熟度，更预示着它正以革新之势重塑科学研究的固有范式。”郭子芳告诉《中国化工报》记者，当前在化工与材料研发领域，有不少企业已敏锐捕捉到这一技术变革的浪潮，纷纷借助AI技术赋能科研开发，力求推动行业从传统模式向“预测性设计”和“精准创制”的智能化方向迈进。

比如，巴斯夫引入高性能超级计算机Quriosity，将AI融入分子与化合物模拟计算流程。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。曾经需耗时一年的计算任务，如今仅需数天即可完成，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，将Azure AI和机器学习技术深度整合到聚氨酯等材料研发中。其构建的AI模型能在几秒内对数百万种配方组合进行分析筛选，并给出极具针对性的优化建议。原本需4～6个月的实验室探索工作，现在仅需30秒，大大缩短了新材料差异化解决方案的上市时间。

万华化学借助AI技术在催化剂筛选环节实现了重大突破。面对14000多种备选方案，AI算法迅速筛选出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。

宁德时代则另辟蹊径，将材料机理、大数据分析与AI算法有机结合，加速电解液、正极、包覆等电池材料的开发。这种创新模式使研发周期和研发成本均减少30%。

郭子芳认为，从上述案例可以看出，AI技术与多学科知识的深度融合，能在海量方案中快速筛选出可行选项并进一步优化，显著缩短实验和研发周期。同时，它还能更加精准地实现材料设计、性能预测和工艺优化，为研发决策提供科学可靠的依据，加速新材料的发现与应用，为创新发展注入强劲动力。

AI应用有哪些挑战？数据、算法和模型、人才

尽管AI技术在化工材料研发领域前景广阔，但在实际应用过程中仍面临诸多挑战。郭子芳表示，挑战主要集中在三个层面。

一是数据层面，主要面临数据稀缺、异构化、质量缺陷等困境。

“目前，大量有价值的有效数据分散存储于企业内部，且多以非结构化形式存在。这使得数据的流通与整合困难重重。尤其在新型材料研发方面，由于缺乏历史数据支撑，AI技术面临严重的‘冷启动’难题。”郭子芳说。

据了解，在新材料设计过程中，需融合多种不同类型数据，如分子结构（简化分子线性输入规范）、光谱数据（红外、拉曼）及工艺参数（温度、压力）等。同时，还需实现从微观数据到宏观性能的跨尺度数据关联，这对数据处理技术与整合方法提出了极高要求。然而，不同机构在材料成分标注（如质量分数与摩尔分数混用）、实验条件记录等方面缺乏统一规范，导致数据融合与模型训练效率低下。

此外，实验过程中不可避免会产生各种误差，如设备测量误差、批次误差等，但不同实验室对同一现象的定义存在较大差异，导致数据标注的一致性难以保障，让数据的可靠性与可用性大打折扣。质量缺陷还体现在数据的不均衡性上——在化工材料研发数据中，某些性能优良或特殊的材料数据占比极少，这使得模型在训练时难以充分学习少数类数据，从而影响对稀有但重要材料特性的预测和分析。

二是算法和模型层面，面临模型可解释性矛盾、多尺度建模时空鸿沟、小样本学习瓶颈等挑战。

深度神经网络在材料性能预测方面虽能达到较高的准确率，但其内部物化机制的解释度很低，形成了典型的“黑箱模型困境”。究其原因，现有AI模型多以数据驱动为主，缺乏对质量守恒、热力学定律等基础物理规律的有效嵌入，导致预测结果可能与科学常识相悖。因此，如何在保证模型复杂度的同时，提高其物理可解释性，成为亟待解决的关键难题。

材料研发需跨越从飞秒级分子动力学到年尺度老化实验的12个数量级的时间维度，同时关联量子计算与反应器级的空间特征。尽管目前有一些模型框架尝试通过多尺度理论建模来缩小这一鸿沟，但在实际应用中仍受到计算资源与算法效率的双重制约。

“在新材料研发场景中，可用数据量有限，通常小于100个样本数量，这使得传统模型的泛化误差较大。对于未经验证的体系，零样本探索的预测失效率更高。虽然迁移学习等技术为解决这一问题提供了思路，但数据噪声与领域差异仍显著影响着模型的迁移效果。”郭子芳说。

三是在人才层面，跨学科知识融合不足、人才培养体系不完善、人才吸引力和留存问题不容忽视。

化工材料研发涉及化学、物理等多学科知识，而AI技术则需要计算机科学、数学、统计学等领域的专业知识。“两种知识体系之间存在较大差异，导致既懂化工材料又精通AI技术的复合型人才极度稀缺。”郭子芳表示，AI算法专家与化工材料领域专家之间存在明显的知识壁垒，双方沟通协作困难，也阻碍了算法模型与化工材料研发的深度融合。

当前许多从事AI技术的人才缺乏化工材料研发的实际项目经验，对研发流程、需求和痛点了解不够深入。同时，化工材料AI研发领域的实践平台和项目刚起步，人才在实践中积累的经验、提升的能力还不够，也在一定程度上形成制约。

此外，AI领域高端人才竞争激烈，与互联网、金融等热门行业相比，化工材料行业因研发环境相对艰苦、待遇水平不高等因素，在吸引和留住人才方面也面临较大压力。

如何加速AI落地应用？从三个关键层面着手

针对上述三个关键层面的挑战，郭子芳提出，应多措并举，加速AI技术在化工材料研发中的落地应用。

首先，在数据层面，加强整合与共享、建立和完善数据标准化、提升数据质量、挖掘数据价值成为应对之策。

郭子芳建议，建立企业内部统一的数据管理平台，将分散的数据资源进行有效整合，打破数据孤岛，实现数据的集中存储与共享。同时，积极与外部科研机构、高校开展合作，建立数据共享机制，广泛获取更多维度的外部数据，丰富数据来源，为AI模型训练提供充足数据支持。

“为提升数据的可用性和价值，还应制定涵盖材料成分标注、实验条件记录等方面的统一数据标准和规范，确保不同来源的数据具有一致性和可比性，便于后续的数据融合与模型训练。还应构建全面的数据质量评估体系，对数据的准确性、完整性、一致性等进行严格评估与监控。此外，建议加强数据清洗和预处理工作，去除数据中的噪声和错误数据。同时，优化实验设计和操作流程，从源头上减少误差，保障数据质量。”郭子芳建议。

还可利用数据挖掘技术，从海量历史数据中挖掘潜在的规律和知识，为新材料研发提供有价值的参考。通过数据分析预测新的市场需求和研发方向，为企业的战略决策提供支撑，实现数据价值最大化。

其次，在算法和模型层面，应增强模型可解释性，多尺度优化建模，突破小样本学习技术。

“建议研发将物理规律、化学原理等有效嵌入其中的AI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。”郭子芳表示，还可开展多尺度建模技术研究，建立从微观到宏观的跨尺度模型，实现不同尺度数据的融合与分析。通过优化模型的算法和计算方法，可提高计算效率和精度，降低误差累积，提升模型在化工材料研发中的实用性和可靠性。

此外，可积极探索适合小样本数据的学习方法，如迁移学习、元学习等，提高模型在小样本数据下的泛化能力和预测性能。加强数据增强技术研究，扩充小样本数据集，提升模型训练效果，有效解决小样本数据带来的挑战。

再次，在人才层面，建设高效的人才培养体系、实现跨学科融合培养是重中之重。

在跨学科人才培养体系方面，要加强化工材料专业与计算机科学、数学、统计学等专业的交叉融合，培养既懂化工材料又精通AI的复合型人才；鼓励员工积极参与跨学科的学习和培训，提升综合素质和跨学科能力。此外，应当加强高校与企业的合作，建立实习基地和实践平台，为高校学生提供更多接触实际项目的机会，培养学生的实践能力和创新意识。同时，加强企业内部人才培养，通过培训、项目实践等方式，提升员工的AI技术水平和应用能力。

“当然，还要制定具有竞争力的人才政策，提高化工材料行业对人才的吸引力，激发人才创新活力，增强人才的归属感和忠诚度，打造一支稳定、高素质的人才队伍。”郭子芳总结说。