化工尤其是大化工重资产行业，行业变更速度相对缓慢。经过 20 多年的发展，国内化工 行业已经经历了多个阶段的跨越发展，经过产品进口依赖——装置引进——技术内化—— 规模放大——改造升级等几个阶段，国内化工的装置基本停留在后期的阶段，装置成熟的 量产规模显著提升，多数化工产品已经实现了装置的规模化改造和升级。相比于别的行业， 化工的制造业属性很明显，无论是前端的资源开采提炼，还是中端的能源加工，行业的 整体的资本密集属性相对明显，其中规模化、一体化、协同布局的企业表现更明显，在 新的技术工具能够对行业形成影响和优化的过程中，化工企业要同时兼顾现有经营稳定、 综合考虑产出投入比，同时还需要有技术对接落地的可能，在前期 AI 推出后，化工行业 也有不同程度的关注和尝试，但大方向上尚未有明显启动。 Deepseek 的推出有望明显加速化工行业智能化，对接进一步形成应用市场。此前 AI 高算 力带来的高成本使得很多 AI 应用领域受困于高壁垒和高成本，无论是经济性还是落地对 接上在化工传统制造业领域的影响都要比较长时间。然而 Deepseek 的出现将有望明显降 低 AI 升级的经济门槛，能够有企业开始尝试进行升级优化，且能够在短期内有效提升投 入产出比，在周期行业位于相对底部的阶段，仍有能力形成推动和应用。

  经过环保、安全监管，国内化工行业的管控水平获得了较大程度的提升，部分企业或者赛 道具备先期实现智能升级的基础。我国自九十年代化工行业开始加速追赶以来，先期的化 工企业受限于当时的发展条件、技术水平和装置配置要求以及对于经济性的考量，生产装 置的人员依赖性相对较大，单套装置的配套人员数量相对较多，很多生产环节以员工的经 验为主要调节方式，流程管理、工艺优化、原料采购、库存管理等决策以人为核心主导。 自 2016 年以来，我国大面积进行了供给侧改革，对部分落后产能进行了淘汰，在环保等 方面进行了明显的优化改造，从目前的情况看，行业内部分新建装置已经具有较为先进的 自动化产线，人员数量有大幅缩小，机械化程度了有了大幅提升。部分企业实现了较好的 流程自动化管控系统，现有园区对接 AI 升级已经有了明显的进步。 从化工行业的所处赛道来看，不同的产品的生产和经营模式有明显区别，AI 形成的行业 影响也有快慢、维度之分。化工从大的赛道上看，具有大宗和精细的明显差别：

  精细化工：运行以产品市场为核心，通过技术、平台、研发、客户等维度兑现产品销 售市场，以高精度、新产品、新型号、定制化等维度保证产品竞争力，借助市场运行 兑现成产品盈利空间，具有高壁垒、稀缺性、不可替代、独特有竞争力的工艺等属性 能够具有更高的单品盈利空间；

  大宗化工：运行以产品生产为核心，以成本为核心考量竞争力，通过产业链、工艺、 规模、区域布局、管理、技术等维度强化成本优势，赚取行业盈利空间和竞争对手的 成本差，能够有较好的成本管控的企业能够长时间穿越周期，获得持续的盈利空间。 不同赛道的定位属性差异明显，在相同赛道内的企业也具有明显的个体属性，在形成 AI 赋能过程中也最终形成长久竞争力的差异。

  不同的赛道 AI 的赋能节奏也会有明显不同。从现阶段看，对化工行业 AI 的赋能主要集中 于几个维度： ① 对于有具体或者相似路径设定的重复性环节，形成优化或者加速进程，比如配方研发、 产品设计等 ② 在部分岗位替换人工检测和审查，形成精准、高效且节约成本，比如质量检测、库存 调控、生产监管等； ③ 通过智能模拟辅助产品研发和工艺优化，从而加速进行产品工程化开发或者对工艺流 程形成改善，比如新品的工程化设计、生产条件优化等； ④ 助力平台型公司加速形成自身材料、菌群、催化、反应路径等底层产品数据库，能够 加速形成材料产品库，缩短产品定制化时间，为新品拓展形成较好的基础； 从大致的路径看，AI 在化工行业应用更多向着拓品、降本两个维度发力。拓品可以通过 缩短研发时间，落地工艺设计、优化工程装置、提升产品差异度等或缩短时间，或优化结 果；而降本可以通过人工替代，精准对接，流程优化，模拟改造等维度支撑成本改善。

  方向一：影响越大的方向，落地速度越快，技术研发的变革或将是主“战场”。在 AI 的布 局方向中，降本和拓品都相当重要，但相比之下，拓品对接的企业窗口相对较少，对于全 公司的“数字化”要求不是太高，但在部分赛道领域却可以成为目前行业卡脖子问题的重 要解决路径之一，从方向上，产品研发对接 AI 智能化的基础和速度或将有明显提振，同 时对于现阶段公司的稳定运行冲突较小。 化工的 AI 拓品将有望带动材料行业和大宗的基础研究领域形成明显突破。目前从技术突 破的角度看，我国在传统化工产品领域已经形成了主流供应能力，但涉及下游材料端，仅 有主品的供应能力，但在材料差异化应用、高端领域、改性材料等产品上仍然有明显差距， AI 的接入，有望通过高效模拟提升研发效率，降低实验的试错时间和成本，提升路径测 试效率，有望加快进口依赖产品的技术突破速度；另一方面，基础研究领域，企业可以通 过 AI 的高效应用加速实验速度，匹配路径，布局获取多丰富的数据库，为新品创新提供 前期基础。

  加速材料领域的技术追赶，实现现有高端精细化工品的国产化突破。 通过终端的体系化布局，能够形成一揽子的供给能力，从而改善现有单品竞争力不足， 市场粘性不足等问题，获得后端一站式供应的附加值。 提升终端需求差异化服务，满足不同领域的定制化需求，缩短定制需要的时间，同时 降低定制产品需要的成本。 进一步完善行业的基础研究，为后续能够提供更多路径，加快新品创新提供充足数据 基础和底层逻辑。

  方向二：领军型企业有资金、有要求、有能力、有需求，有望成为 AI 智能化的先期参与 者，尤其是大型央国企。从目前行业发展方向看，领军型企业在新的方向和技术出现时一 般具有较高的敏锐度，能够更快的了解技术的应用层次，形成先期的技术对接。Deepseek 的出现给予国内企业 AI 内生态的较好保障，带来的影响和冲击相对较高，有望带动自上 而下针对央企、国企接轨 AI 智能化的指导意见的落实。 资金实力：行业内领军企业，长期穿越周期发展，具有更为雄厚的资金实力，能够率 先尝试不同程度上的改造和优化，形成有效对接口； 有先期基础：领军企业在研发配套、基础研究、应用数据等维度具有一定的研究基础， 对于人才的储备和设备的工程化理解有长期的历史积淀； 有促进动力：新的技术和工具的优化是提升竞争力的重要路径，AI 智能化的发展已 经在第三产业等形成了明显的效率提升，国家的重视程度明显较高，央企国企的智能 化改造将不仅仅是个体的主动优化，同时也将是自上而下的指导建议； 有需求：国内领军化工企业近十年内快速发展，部分企业已经形成了多业务、多基地、 多市场的综合布局，产品丰富繁杂，需要复杂的管理需求，人员配置也相对较多，在 公司治理，精准高效管控方面可以有明显的提升空间； 方向三：具有较高的行业敏感度，对接难度相对较小或者改造优势比较明显的意愿型企业 也将具有先期优势。化工行业赛道多、产品种类极其丰富，产品链涉及到有机、无机，加 工包括矿产加工、能源加工，方式包括化学合成、物理提纯还有生物发酵等等，其中部分 企业设备的自动化控制能力相对较强，能够较为容易形成数字化对接，也有望提升 AI 优 化的速度；部分行业可以通过较低成本的对接获得较大的问题改善，比如加快产品落地、 明显优化管理、提升设备利用效率、降低安全生产风险等，有比较明显改善的企业也有望 布局解决现阶段的核心问题。这类企业也需要具有一定的基础： ①执行落地效率和能力较强，否则难以获得明显改善；②研发和生产的现代化水平相对较 高，对接改善的投入成本不会过大，否则投入产出比短期并不明显；③具有一定的规模基 础或者平台基础，否则难以覆盖投入成本等。

  AI 智能化突破或将改变制造业生产要素的重要性排序。不同的发展阶段、运营环境，以及细分赛道上，生产要素的排序都有其特定的重要性排序，国产替代阶段，资本和技术起 到了决定作用，规模放大阶段，产业链、市场或将给与高度赋能，而此次的 AI 低成本高 效的工具推出，对生产要素的排序或将产生明显影响，或将促使我国化工行业尤其是材料 行业的竞争力发生明显的改善。 从近几年的发展来看，我国的竞争优势从前期低人力成本、政策驱动的资本投入向产业链 配套和综合型市场进行升级。在 90 年代开始，我国化工行业从技术引进到规模放大，借 助前期化工制造的资本密集和劳动力密集性的特点，形成了初期的相对优势，挖掘需求市 场的潜力，奠定了初期的发展优势。而经过了 20 多年的时间，我国在大多数产品领域基 本实现了有效的产品供给，能够满足自身需求的基础上进一步海外供给，更为关键的是形 成了紧密交错的产业链网络，能够为各类产品布局运营提供工艺设计、生产设备、安装建 造、原材料、催化辅材等，形成了较多的市场网络，上下游互为赋能。

  在 AI 智能化逐步改写行业竞争模式的过程中，我国的竞争优势有望持续保持。传统认知 上，我国一直是低成本制造的典型代表，而低成本从哪里获取的？过去一直有延续的认知 是低廉的人工成本，政府积极的招商引资政策，然而实际的情况是，国内的发展主力军已 经早就更换至国内企业，现阶段的化工生产设备的自动化程度已经明显提升，百亿投资规 模的大化工生产装置需要的人员也就是千人左右，行业的机械化程度已经有了明显提升， 且在国内不断进行成本优化的过程中，已经在多领域形成了连续化生产能力，员工的配置 已经更多由动手生产向机械监控进行过度，可以说我国化工制造现阶段的优势已经形成了 区域绑定。 借助 AI 工具，我国有望弥补多年历史积淀带来的材料研发差距。经过 21 世纪最开始的 10 年，我国基本已经实现了大宗化工产品的平台布局，已经成为全球最大的化工市场； 而后续中国需要面临的“量”向“质”进行升级，而对应的产品高新技术正是海外企业保 持竞争力的核心护城河，是海外化工材料企业专业化发展的多年积淀。近 10 年来我国持 续进行研发投入，专利布局也获得了较好的突破，自 2019 年以来，我国的专利申请量已 经位居全球第一位，但多年累积的技术和专利差距依然较为明显；另一方面，我国在材料 应用端仍然未形成体系化优势，相较于海外多年累积的应用数据仍然有明显差异，海外企 业在材料的精细度、定制化、高端应用上的优势相对明显，是多年来应用端常年的合作和 产品技术研发的投入累积的。 多数领域受至于技术和设备封锁，我国必须依靠自身的研究形成突破，差距短时间内难以 扭转，然而 AI 的升级优化有望率先在技术研发、产品体系、差别化应用等领域形成加速， 先期能够明显降低路径或方向确定的重复工作的时间和成本，进一步扩展至丰富品类和提 升产品差异化属性，进一步缩小和海外龙头企业在终端产品体系、平台体系，以及基础研 究的数据体系的差距。

  国内系统化的竞争力有望延续，进一步提升国内企业长期优势。不同于单纯依靠低成本劳 动力形成的优势，我国制造业尤其是化工行业更多是系统化的综合赋能：①人力成本已经 有明显提升，依靠的是人工效率兑现；②投资拉动并非单纯的装置复制，已经形成产业链、 赛道、区域协同；③装置、辅材自主化程度明显提升，有充足供给且改造优化的能力；④ 工程师的人才培养，经过三十多年锻炼出的实战型人才，有工程化落地能力等等。而这些 优势在 AI 智能化的过程中，仍然具有延续性优势，在机械化程度已经有大幅提升的状态 下，国内的人工低成本依赖已经有了明显降低。 国内外的竞争变化：国内成本竞争力进一步提升，软实力差距或将缩小。相较于国内大面 积布局的化工装置的时间阶段，海外企业的装置布局时间相对更早，无论装置的规模，运 行的稳定性相较于国内企业是有差距的，在未来生产环节的成本优化方面，无论是进行改 造的成本规模，还是投入产出回报上难以形成根本性差别。近几年来，海外大宗产品的装 置已经开始有陆续的产能关停，国内在大宗领域的竞争优势有望持续。

  化工的 AI 智能化应用能够形成成本优化和新品扩展，但仍具有切入成本的，如果结合研 发和降本的双向要求，行业内的两极分化或将进一步拉大：

  老旧产能的成本差距有望进一步拉大：我国的化工行业发展经历的时间相对较长，产 能建设期跨越了较长的周期，部分行业的品种的供给延续了较久，虽然期间陆续 有供给侧去产能，有环保装置改造，但行业内仍然存续着老旧装置，后续伴随着化工 AI 智能化的升级，老旧装置的改造可能性明显较低，有望在新一轮的工具革新的状 态下，形成供给端的产能出清；

  材料整合的浪潮或再度引起重视：从目前的情况，国内材料供应型的优质企业大体分 为三大类：①单系列深耕，特点是产品种类不多，但部分产品能够满足市场中端或者 少量高端需求；②产品平台型，开始在部分赛道构建出平台雏形，能够在部分领域把 握新的需求趋势，形成应用或关联产品的衍生；③大化工布局，借助大化工的前段原 料形成产业链基础，延伸至多种有机材料，以希望构建交叉平台。此次 AI 的智能化 升级对现有研发速度和周期形成一定程度的改善，在未来发展方向上，更寄希望于能 够形成多产品的一揽子销售体系，借助定制化开发，产品改性优化，产品配方设定等 加大平台的赋能效果。短期以速度和效率的提升为主要结果，长期如果能够实现材料 个性化的发展加速，材料种类的扩建将是企业扩展发展空间的重要方向，材料行业整 合或将再度风起。

  碳排、能耗的管控落地可能性提升：自 2021 年开始，国内制造行业就开始持续对能 耗、碳排的领域进行关注，但化工行业产品种类多，差异大，在管控制定前，行业数 据的收集、标准的制定、方案的测试等都需要大量的数据基础和繁杂的程序，但如果 AI 智能化逐步在行业进行推行，先期的数据收集和整合的难度和时间就会有明显的 改善，对于行业未来的能耗、碳排的管控就能形成先期基础，行业格局、生产路径、 考核方向等也将会有潜在影响。

  自从 2025 年 1 月 20 日 Deepseek-R1 模型发布以来，国内多家龙头企业便积极接入，例如 中石油、中石化、中海油等便纷纷宣布接入 Deepseek 开源大模型。2 月 5 日中石化完成 Deepseek 在国产化算力环境上的部署，并接入长城大模型应用系统，在企业内部分批推 广使用；2 月 8 日中石油昆仑大模型正式完成 Deepseek 大模型私有化部署，为昆仑大模 型优化应用效果、缩短研发周期、构建健康生态提供了新引擎；2 月 14 日中海油“海能” 人工智能模型平台正式接入 Deepseek 系列模型，通过私有化部署方式面向全集团提供开 放服务，在“海能”平台网页端及海油移动云“海能智问”同步上线。 众多大型国有企业纷纷接入 Deepseek 大模型，已经充分体现了新兴 AI 算力模型将会在未 来给众多实体行业注入全新动力，为企业全方面赋能。以“三桶油”为例，在接入 Deepseek 的同时，为验证 Deepseek-R1 在石油化工行业的适配性，中石化对模型进行了 全面深度测试，结果显示 Deepseek-R1 对石油化工行业回答准确度较高，大模型在识别石 油化工行业的数学公式、化学结构式、专业图表等专业内容时准确的较高，能够有效支撑 行业数据集建设和行业模型训练。此外，Deepseek 大模型的高质量编程能力，可以帮助 “三桶油”提升地震资料处理、油藏开发优化、化工产品研制、客户服务等专业模型的开 发效率，进一步推动石油化工行业向智能化、数字化转型。那么接下来我们具体以中石化 为例，较为深入详细地研究 Deepseek 大模型对中石化未来可能优化的方向以及企业潜在 的赋能空间做一些前瞻性的分析。

  从中石化的业务板块来看，油气勘探及开发业务是一个需要大量前期投入的业务，从油气 开采前的地质结构信息、埋藏条件、储量信息等勘探工作，到探明储量地区的开采商业价 值评估等一系列活动，都需要较多的资本开支，一定程度上资本性开支（CAPEX）的多少 会较多地影响到企业未来长期的油气储量以及产量，从而间接影响到中石化的业绩情况。 因此从数据可以看到，2001 年以来中石化为了不断提高自身的竞争实力，各项业务的 CAPEX 均有所提升，其中勘探开发的资本支出最为明显，最高达到近 900 亿元。但是对于 企业而言，当年的 CAPEX 并不能为企业带来业绩上的收入，反而是一项较为庞大的支出和 负担，因此也可以看到，在业务板块业绩表现较差的时候，企业不得不被迫降低自身的资 本性开支，不利于企业长期竞争实力的提升。

  但是在接入 Deepseek 大模型后，借助 AI 强大的算力支持，提升地震资料处理、地质条件 勘探、油藏开发优化、化工产品研发等专业模型的开发效率，推进油气勘探开发技术攻关， 推动油气资源增储上产，或将帮助中石化提高自身各个业务板块的勘探、研发效率，从而 在同等条件下降低企业所需的资本化开支提高企业净利润，或是在同等资本支出条件下提 高未来业绩的潜在回报，提升企业未来的业绩数据。另一方面，研发效率的提高也可以降 低费用化支出在研究开发支出中的占比，从而间接降低企业费用支出。对于炼油和化工业 务，AI 大模型或将可以加快研发进程、加速产品从小试到中试到工业化规模生产的进程。

  3.2 借助 Deepseek 大模型数据库分析，提高企业各环节生产效率

  在生产的各个环节，Deepseek 大模型对于提高各环节的生产效率也能起到十分重要的作 用。例如，利用模型对于大数据的学习及处理能力，在炼油业务板块，可以统筹优化原油 采购，降低采购成本；优化原油加工量、装置负荷和产品结构，提升盈利水平；优化出口 产品的结构和节奏；产销协同，全面提升产业链运转效能。在化工业务板块，可以密切跟 踪化工市场变化；动态优化装置负荷，保持装置高负荷运行。在营销分销板块，可以完善 市场监测体系，动态优化量价策略等。 不仅仅是在企业工厂生产端可以获得 Deepseek 大模型赋能，即使在零售端也可以享受到 AI 模型带来的应用提升。例如 2025 年 1 月 21 日，中石化正式推出首位 AI 数字员工，并 在广西南宁新阳站等全国 40 余座加油站同步试点上岗，是国务院推动的“AI+”决策部署的最新实践。最新的 AI 数字员工可以做到与客户顺畅语音交流，为客户解答疑问，推荐 个性化营销活动，精准高效解决客户诉求，显著提高服务效率。对于企业整体而言，AI 数字员工的推广，可以显著降低中石化的运营维护成本，提高企业的综合竞争实力。

  底盘细胞的构建是合成生物领域的关键，成本和效率是两大关键影响变量。简单来说，合 成生物学相关技术可对微生物细胞进行遗传及代谢途径改造，为构建具有优良性状的底盘 细胞提供可能，进一步为提高工业微生物的生产性能提供一个理想的平台。合成生物学制 造的整个生产链可概括为原料选择、底盘细胞的构建优化以及产品生产三个部分，其中底 盘细胞的构建优化是合成生物学的核心，能够选育出具有“节能、降耗、抗逆”等优良特 性的底盘细胞是合成生物产业控制成本和提升效率的关键。

  行业受到投入成本和政策推动的影响相对较大。由于底盘细胞的构建需要不断的路径测试， 无论是工具选择，还是数据库搭建，以及工程化测试都需要有较大的资本投入，同时在最 终产品量产阶段，能否同化学合成路径形成较大的成本优势或者接近的成本空间都是影响 行业发展的关键。另一方面，生物合成的政策敏感度也相对较高，碳排的未来趋势也将对 生物合成的定位空间形成进一步的影响。

  AI 的应用或将对底盘细胞的构建效率和成本上形成明显优化，从而能够加速行业产品兑 现节奏和成本控制。通过人工智能技术，研究者能够进行大数据分析、机器学习等操作， 从而更好地挖掘生物体内的关联性信息，为生物合成目标的优化提供理论依据，同时辅助 实验设计，提高实验效率，降低实验成本。 非天然核酸领域：通过深度学习、分子动力学模拟等方法，能够预测非天然核酸的空 间结构，以便合理的分子设计；能够加速合成大量非天然核酸分子，还用于预测修饰 基团的位置和效应，从而优化非天然核酸的修饰策略；可以快速筛选具有特定生物活 性的非天然核酸分子，并用于预测非天然核酸在生物体内的代谢途径和毒性； 新型蛋白设计：人工智能的运用可以对酶结构、新型结构蛋白的开发等提供支持，通 过引入非天然氨基酸，可以对蛋白质进行功能扩展和结构优化； 底盘细胞设计：定向进化技术在人工智能的辅助下，能够针对性地对底盘细胞进行改 造，以满足不同应用场景的需求，为底盘细胞构建提供更为精确的指导，使其在保持 原有功能的基础上更具适应性和稳定性。

  农药研发流程较长，涉及多个筛选与评价环节。根据《我国创制农药生物测定概述与展望》 相关数据和信息，农药创制是一项高投入、高风险、高回报的长期项目，新农药品种必须 同时满足“高效、安全、经济”的要求。从农药创制的流程角度而言，需要经过普筛、初 筛、复筛、田间筛选等多个筛选环节以及毒性测定、环境影响、生产评估等一系列动态评 价过程，最终才能实现农药的工业化生产与上市。

  农药研发难度与成本呈上行趋势，商业化周期不断延长。根据 Agbiolnvestor 以及农药资 讯相关数据，在美国和欧盟上市 1 个新农药活性成分的成本从 2014 年的 2.86 亿美元（2.15 亿欧元）增加到 2019 年的 3.01 亿美元（2.61 亿欧元），涨幅约为 5.7%。从成本增长的结 构性角度而言，从 2010—2014 年到 2014—2019 年，新活性成分筛选开发阶段中投入到产 品化学（化学合成和制剂配方）的平均成本上升了 31.6%，达到 6400 万美元，这也是研 发一种新型农用化学品的最大单笔成本。与此同时，根据 Agbiolnvestor 数据，一种新的 农药活性物质从首次合成到最终商业推广上市的平均间隔时间在 1995 年大约为 8.3 年， 到 2014-2019 年间已经增加至 12.3 年。因此从研发成本和难度的角度而言，通过 Deepseek 赋能农药创制领域，或将能够在活性成分筛选等环节显著提升效率并实现降本，从而最终 缩短农药创制药的商业化周期。根据中国农药工业协会相关报道，使用人工智能技术可以 使得需要真正合成筛选的化合物数量大幅度减少，不仅提高了工作效率，而且降低了研发 成本。更重要的是，利用人工智能技术可以帮助科研人员对农药分子的性能进行全方位优 化，不仅提高对病虫害的生物活性，而且降低对人畜及环境生态的影响。

  AI 赋能农药创制仍处应用初期阶段，Deepseek 或将加速商业化应用进程。从实际应用角 度而言，将人工智能应用于农药创制过程已经处于产业化初期的尝试阶段，根据世界农化 网相关信息和数据，拜耳、科迪华和先正达等公司正在利用 AI 系统，以加速新化学物质 从发现到商业化的过程。先正达估计，AI 技术能将这一过程的平均时间从 15 年缩短至 10 年，并可能减少 30%的实验室和田间测试。未来随着 Deepseek 应用的迅速推广与落地， 对于 AI 具备较早布局且具备相应研发能力的农药创制药企业有望充分受益。

  根据世界农化网相关信息，拜耳正在使用其内部开发的 AI 系统“CropKey”，该方法 突破了传统模式，可通过 CropKey 有效施展虚拟筛选和计算建模技术，设计出与目标 蛋白质完全吻合的新分子，以满足农户的农艺需求以及对人员、环境安全的期望。目 前，拜耳正运用 CropKey 方法完善研发管线中的全部应用领域，所拥有的新作用机理 数量已突破十年前的三倍，持续为作物保护领域带来突破性创新。利用 CropKey 系统， 拜耳成功开发了一种名为 Icafolin（异噁呋酰草胺）的新除草化学分子，预计将于 2028 年在巴西推出，这将是其 30 多年来的首款新型除草剂。

  根据中国农药工业协会 24 年 7 月相关报道，华中师范大学与武汉人工智能计算中心 签署了《绿色农药创制与人工智能联合创新实验室》协议，展示了″绿色农药分子设 计平台 PDAI4 及全栈国产化农药分子设计神农一体机″，该产品由华中师范大学绿色 农药全国重点实验室与武汉人工智能计算中心、华为技术有限公司联合自主研发，为 全球首创。一体机基于 Atlas 800I A2 人工智能推理服务器以及武汉人工智能计算中 心训练资源，为打造″开箱即用″体验，该中心成立适配小组，为校方提供自主可控 算力，共同研发的软硬件方案，不仅停留在实验室，已可面向全国农药企业、科研院 所进行推广。

  根据世界农化网 24 年 11 月相关报道，利民股份控股研发平台——德彦智创引入 AI 应用。借助 AI 应用，科研人员可以快速进行新分子的预测与测试，将试错成本降到 最低，最大程度地提升农药的创制速度。目前，AI 技术在德彦智创平台中的应用包 括计算-实验交互设计、基于大数据的模型优化和依托国内外前沿科技进展构建系统 流程。现阶段，德彦智创智能农药活性分子设计平台已借助 AI 工具，布局了算力平 台、数据平台、靶标数据库及靶标资源平台，这三个平台有助于全面提高创制化合物 开发效率。当前，德彦智创对于 AI 的应用处于工具及模型阶段。

  政策层面明确提升关键新材料供给能力，鼓励人工智能赋能新材料研发。化工新材料指通 过化学合成手段生产的新材料，以及部分以化工新材料为基础经过二次加工得到的复合材 料。

  21 年 12 月由工信部等三部门发布的《“十四五”原材料工业发展规划》明确提出“围 绕大飞机、航空发动机、集成电路、信息通信、生物产业和能源产业等重点应用领域， 攻克高温合金、航空轻合金材料、超高纯稀土金属及化合物、高性能特种钢、可降解 生物材料、特种涂层、光刻胶、靶材、抛光液、工业气体、仿生合成橡胶、人工晶体、 高性能功能玻璃、先进陶瓷材料、特种分离膜以及高性能稀土磁性、催化、光功能、 储氢材料等一批关键材料”。

  24 年 7 月，由工信部、发改委、财政部等部门发布的《精细化工产业创新发展实施 方案（2024—2027 年）》提出“提升高端聚烯烃、合成树脂与工程塑料、聚氨酯、氟 硅材料及制品、特种橡胶、高性能纤维、高性能膜材料、电子化学品、高效低毒低残 留农药、高端染颜料、特种涂料、特种胶黏剂、专用助剂和油剂、新型催化剂、高端 试剂等领域关键产品供给能力。”

  由于新材料往往具备优异的性能或某些特定功能，通常而言新材料具备较高的技术壁垒和 研发难度，在前期开发的过程中需要投入大量的研发费用并经历漫长的研发周期，因此利 用数字化与智能化技术提升新材料研发效率也是近年来政策层面鼓励的发展方向之一。

  《“十四五”原材料工业发展规划》指出“鼓励企业开发应用基于数据驱动、机理模 型、经验模型、仿真模型的先进工艺控制系统，优化生产作业设备运行参数。建立面 向原料进料、反应过程、冶炼过程、质量控制、污染物排放、能源消耗等重点环节的 实时监控、异常工况预警、全流程动态调度、智能处置。构建面向主要生产场景、工 艺流程、关键核心设备的数字孪生模型”。

  25 年 1 月，北京市科学技术委员会、中关村科技园区管理委员会发布《北京市加快 推动“人工智能+新材料”创新发展行动计划（2025-2027 年）》，明确提出若干目标： 到 2027 年，北京“人工智能+新材料”创新能力显著增强，新材料研发服务业态培育 取得积极进展，形成国际领先的新材料创新策源与人工智能应用高地。 ——创新能力位居全球前列。产生一批重大原创性成果，突破一批产业亟需关键核心 技术，发布新一代物质科学大原子模型，研发 10 个（套）以上垂类模型和自主核心 软件，形成 15 个人工智能赋能的标杆性新材料产品，实现应用示范。 ——支撑体系基本成型。建成新材料大数据中心主平台服务门户、数据资源节点集群， 建立新材料数据标准规范体系，建成一批新材料智能实验室和公共服务平台，打造 1 个“人工智能+新材料”融合创新示范基地。 ——新模式新业态加快涌现。探索培育新材料研发外包服务业态，培育 5-8 家独角兽 企业和潜在独角兽企业、100 家创新型企业。

  生成式 AI 技术赋能新材料研发各阶段，有望大幅降低新材料研发过程中的试错成本。根 据《生成式人工智能与未来材料科学》中的相关数据与信息，生成式 AI 善于学习和模拟 复杂的数据分布，在材料科学中意味着可以从已知的材料数据中学习，再生成全新的、尚 未存在的材料结构。这不仅提高了材料设计的效率，同时增强了研究人员探索未知空间的 能力。生成式 AI 可以帮助研究人员预测材料的特定性能，并据此优化材料的化学组成。 此外，生成式 AI 还能够提供关于如何合成这些新材料的建议，从而指导实验室的合成工 作。传统的材料发现方法依赖于逐个测试不同组合，过程既费时又费力。生成式 AI 通过 智能算法预测可行方案，为实验提供明确的方向，从而加速新材料的发现过程，大幅度降 低了试错次数和实验成本。此外，根据中国化工信息周刊相关信息，人工智能可以在生产 调度、质量控制、设备维护等方面实现化工智能制造，进而提升生产效率。

  4.4、Deepseek 赋能化工智能化与自动化生产，或将带动相关设备需求

  对于大化工行业而言，大多数产品的生产流程的工艺环节都较为复杂，且对于反应温度、 反应时间、原料添加比例等关键参数均有较为严格的要求，因此化工行业的智能化和自动 化生产是行业整体发展的大趋势。而在具体的生产实践中，现阶段控制系统主要有可编程 序逻辑控制器（PLC）和 DCS 两种，DCS 可以完成比较复杂的逻辑运算，特别是对一些温 度、压力、流量等模拟量信号的采集和处理全部实现自动化和模块化，可以满足部分系统 比较复杂、环境恶劣，且工艺流程繁琐的企业自动化控制需要，提升自动化控制系统运行 效率同时，保证系统运行安全、稳定。 基于 AI 对于数据和相关信息处理的高效性和准确性，根据《浅谈人工智能技术在化工生 产自动化控制系统中的应用》相关信息，将人工智能技术与 DCS 系统有效结合主要具备以 下优势：

  提升自动化控制精准性：化工生产自动化控制系统中通过融合 AI 技术，可以有效提 升自动化控制精准性，通过计算机程序自动命令、操作进行，对于操作过程会同步记 录数据，做好数据备份，在下一次命令下达之行时，自动跟踪和监测。通过收集的数 据智能化分析与控制，对于改善化工自动化控制系统运行效率，降低失误几率具有积 极作用。因此，在软硬件设施并无偏差前提下，通过 AI 技术的融合应用，可以大大 提升自动化控制系统的精度、稳定性，促进工业生产活动高效有序进行。

  减少人力资源投入：通过 AI 技术的有效应用，可以建筑降低化工生产的人力资源成 本，相较于传统自动化控制系统而言，基于 AI 技术只需要 3 到 5 名技术人员负责日 常操控和排查即可，不仅解放了大量生产力，还可以规避人为因素的干扰影响，将更 多优质人力资源投入到统筹和决策方面，而不是机械化的化工生产中。

  规避 DCS 系统失控：在以往的化工生产自动化控制系统中，无论是 PLC 系统还是 DCS 系统，系统运行中均需要人工操控支持，因此会浪费一定的人力资源，并且会受到人 为主观判断偏差和操作过程失误等因素影响到工业生产活动正常展开，甚至带来一系列不可估量的意外事故。但是 AI 技术融合应用后，可以实现 AI 接管 DCS 系统，不需 要人为把控即可正常运行系统，凭借 AI 技术强大的数据分析和计算能力，规避不必 要的人为因素干扰，精简控制流程，实现化工生产自动化控制系统便捷、高效、安全 运行，规避系统失控情况出现。

  从功能性的角度而言，AI 与 DCS 系统的深度融合不仅可以对于生产过程中的数据进 行有效收集和检测，更重要的是有望形成专家控制系统，或将能够最终靠大模型的训练 与大量生产数据的积累形成每个企业独有的“知识库”，甚至针对不同的产品与工艺 流程形成专有的控制系统。在上述假设能够实现的情况下，通过 AI 形成的“知识库” 可以实现生产工艺的持续优化，对于化工企业的降本增效与故障检测具有至关重要的 作用。在此影响下，DCS 系统的作用将被 AI 技术放大，部分不具备相关配套与设备 的企业或将加速设备投资与相关资本开支，进而拉动数据采集等相关工业生产与监测 设备的需求。

  《基础化工-基础化工行业研究：AI系列深度（一）：“Deepseek”即将带来的化工变革-国金证券[陈屹,杨翼荥]-20250218【22页】》