国金证券最新发布的AI系列深度报告（二）指出，AI for Science（AI4S）正从学术层面快速跨入商用层面，成为继实验、理论、计算科学、数据科学之后的"第五范式"。2024年诺贝尔化学奖授予AlphaFold发明者，标志着AI4S已获得科学界最高认可。在化工领域，AI4S将从创新研发和优化改进两个维度深度赋能行业，生物发酵菌株筛选、新型材料开发、农药创制、催化剂升级、微观结构改造及配方设计六大方向有望率先突破，高质量数据将成为拉大企业差距的关键因素。

AI for Science的发展经历了三个重要阶段。1940年代至1990年代为机器学习和神经网络起源期，1943年McCulloch与Pitts提出数学神经元模型，1958年Rosenblatt提出感知器（Perceptron），这是首个能"学习"数据的人工神经网络原型。1990年代至2010年代为深度学习兴起期，卷积神经网络、循环神经网络取得突破性进展，2012年AlexNet在ImageNet竞赛中胜出标志着深度神经网络进入主流。2018年至今为AI4Science应用爆发期，2020年DeepMind的AlphaFold2模型以接近实验精度预测了数以万计蛋白质结构，被《Science》评为2021年年度科学突破。2024年AlphaFold3进一步扩展到蛋白质-蛋白质、蛋白质-DNA/RNA复合物等多分子相互作用，DeepMind高级研究科学家JohnJumper认为其将显著加速生物学研究速度5%-10%。在应用层面，AI4S当前已从学术层面跨入商用层面并产生实际经济效益，不过尚未形成较为成熟的商业模式，业界普遍沿用合作研发模式、自主研发模式及混合模式。报告预计未来大型机构将以混合模式为主，建立自己的AI研究平台同时对外开放部分能力；小型企业则倾向于使用开放或商业化平台，采用合作研究模式。

国金证券研报从创新研发维度梳理出AI4S在化工行业的六大率先突破方向。第一大方向为生物发酵行业菌株筛选和流程优化，机器学习模型如神经网络、随机森林可显著提升菌种鉴定准确率，Eiseul等用神经网络识别必需食品发酵细菌准确率超过97%；周勇等用人工神经网络与遗传算法优化脂溶性醌类化合物发酵培养基，使产量提升63.33%。第二大方向为新型材料的应用和适配，借助AI学习算法可构建材料性能预测模型，通过对海量材料数据的分析快速预测新材料的强度、导电性、耐腐蚀性等性能。第三大方向为农药创新药等药剂产品的开发，农药与医药研发存在高度相似的逻辑框架，核心流程涉及活性分子筛选、靶点识别、结构优化及安全性评价，靶标相似性推动了两行业研发策略的相似性。第四大方向为辅材催化剂、添加剂升级优化及产物分离，催化剂失活是制约装置长周期稳定运行的首要难题，AI可综合分析中毒、积炭、水热老化等多维度失活数据。第五大方向为材料微观结构升级改造，研究人员可利用跨晶体结构的高效迁移机器学习进行智能材料设计。第六大方向为配方设计升级和应用，AI通过统计分析大量数据指导新溶剂分子、新添加剂、新配方的预测。

除创新研发外，AI4S在化工生产的优化改进维度同样具有广阔的应用空间。国金证券研报指出，化工作为材料生产环节涉及参数众多，安全性要求高，很多环节涉及高温、高压、有毒、易爆等危险环境，对高度智能化替代的需求迫切。杭州电化集团研发的"AI+机器人"巡检系统在氯碱装置50-60℃高温、有毒环境下工作，"机器人狗"能精准检测约5000根PTFE管线是否断流，检测算法正确率达99.99%，远超人工巡检效率。中控技术为湖北三宁化工的硫酸装置部署AI系统，通过大模型实时监测生产数据，实现关键指标的超前预警和自动调节建议。在生产过程优化方面，通过传感器实时采集材料生产过程中的温度、压力、流速等数据，AI系统可实现实时监测和智能控制，基于神经网络算法的控制系统可根据实时生产数据调整设备参数，确保生产过程稳定。在资源调配方面，对于生物质能源等具有区域差异的领域，AI可充分结合供给、空间、库存、竞争对手等多维度信息形成资源调配方案，赋能企业短期生产经营决策及长期发展规划。

AI系统的性能取决于其所依赖的数据质量，高质量数据将是拉开化工企业AI布局的关键因素。国金证券研报指出，伴随AI效率持续提升，已公开数据的学习已基本接近尾声，公开数据中的噪音过多，真实数据占比相对较低。进入更为专业的领域，大模型的适配性有所下降，专业的应用模型需要更为专业的模型修正和更为详细的数据输入。在化工领域，除高质量文献、专利信息、成熟工艺包外，赋能生产、研发的高质量信息更多偏向私有化。根据IBM调查数据，化工AI领军者企业已建立数据驱动型文化的比例达97%，而同行仅为59%，领军者AI投资回报率平均达39%，其他企业仅为25%。根据《中国数据交易市场研究分析报告》，2030年中国数据交易市场规模将达5000亿元以上，是2022年的5.9倍。能够积累、处理、使用高质量数据成为AI在专业应用领域的重要基础，历史管理规范的头部企业、有先期战略规划能有效外部合作的细分龙头、能结合"机器人"和"智算平台"的生产企业有望获得持续AI竞争力。

表：AI4S在化工行业六大率先突破方向及核心应用

突破方向	核心应用场景	典型成果/数据支撑	AI技术路径
生物发酵菌株筛选	菌种鉴定、培养基优化、发酵过程动态控制	周勇等用神经网络+遗传算法优化培养基，产量提升63.33%；Eiseul等识别发酵细菌准确率>97%	神经网络、随机森林、遗传算法
新型材料应用适配	高强度轻量化材料、半导体材料、新能源电池材料筛选	大规模虚拟筛选评估数十万种候选物性能，生成式逆向设计实现按需"反向设计"	深度学习、图神经网络、生成对抗网络
农药创新药开发	活性分子筛选、靶点识别、结构优化、安全性评价	农药与医药靶点同源（鱼尼丁受体、乙酰胆碱受体等），研发流程高度相似	AI辅助分子设计、高通量筛选
催化剂升级与分离	催化剂失活分析、新型吸附材料开发、分离提纯优化	AI分析化学中毒、积炭、水热老化等多维度失活数据，预测新型吸附材料效果	机器学习、多维度数据分析
微观结构升级改造	跨晶体结构材料预测、钙钛矿氧化物设计	5329个尖晶石氧化物数据训练DNN源域模型，迁移学习预测855个钙钛矿结构	深度迁移学习、结构信息特征提取
配方设计升级	电解液配方优化、新溶剂/添加剂预测	AI统计分析盐、溶剂、添加剂数据，指导最优电解液配方设计	统计分析、预测模型