AI热榜 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。
🔗 原始来源
如果你要核对细节，可以再看原文： InfoQ AI原文链接