行业调研|AI for Science(AI4S)交流纪要AI for Science的应用端落地情况 国家在大的方向政策上已经出台了人工智能+的相关政策，推动了整个政策从原本的基础设施建设端、以及基础的硬件软件布局，向应用端进行延伸。这个维度跟以往略有不同。我们基本上在前期可以看到，国家是大比例地投入了相关硬件建设，在基建端投资了相对比较多的资金去做建设。从政策的变化情况来看，我们认为整个AI端的应用端，到现在为止已经开始形成比较好的政策环境。从2024年开始，我们国家也在陆续出台优秀的AI应用范例，也出台了百模千态的鼓励政策。这一块是给到各行各业的不同企业去做参考。 那么，AI到底是怎么能够赋能现有的生产、消费、运营等各个维度呢？从这个划分来看，其实我们一直在通过系列深度报告来切入分析：AI对于行业有怎样的演变方式？对于整个上游材料端有怎样的影响和需求带动？我们这次汇报，其实更多是聚焦于AI对于化工行业，到底会产生哪些模式的升级和带动，哪些生产企业未来会迎来更好的市场发展空间。 从这个落地端来看，我们认为主要关注三个方向。 第一点，在新的模式上面，我们认为整个AI for Science未来会步入到“多模态大模型加自动化实验”的状态。通过这样的组合，能够实现的是对现有研发端的不断加速和迭代。现有的这种平台式构建会进一步放大其优势。相较于一般的各自为政，或者各个研究院所做细分赛道的深入研究，这种模式有一个明显的加速和未来可落地的应用空间，并且会逐步实现商业化的应用模式。 第二，我们在整个化工行业里筛选了不同的细分赛道。到底哪些赛道能够优先获得启动，能够优先获得产品的落地？ 筛选下来，我们认为对于AI来说，它的赋能可能更多维持在三个维度。第一个是高效率，它可以明显缩短时间、降低成本。第二个是它的数据处理能力非常强，可以面对海量数据进行高速处理。第三个是它能够涉及到一些相对微观的排列组合，包括结构、元素等。这一块可以做很多的应用匹配，包括并行开发。从这三个维度看，我们认为率先进行落地的是从驱动端开始，而驱动端更多是在研发端。在这个应用方向上，我们筛选出了五个具体应用方向。 第一个方向是我们现阶段在具体应用的，比如：生物菌种的优化和筛选、新型材料的应用、农药的创造研发、包括一些辅料催化剂添加剂的升级，以及一些内部结构驱动的材料升级。这些方向更多是：第一，需要有不断的试错和落地实验的过程；第二，需要有大量的模拟过程，通过设想模拟再去重新验证。这样的过程其实非常适合AI的学习路径。我们认为在这个过程中，AI其实可以筛选出黑马产品，一旦出来之后，它的落地影响也会相对比较快。 第二个应用端，我们认为是在应用层。应用层的话，对化工来说，我们传统印象是觉得化工就是上游材料，它的整体供给可能就是以满足产品需求、满足性能要求就可以了。但是我们仍然有非常多的产品，其实具有非常强的定制化属性，尤其涉及到终端应用、贴近客户更强的这样一些赛道。比如说像一些专用化学品，这一类产品需要根据客户的应用场景、应用路径，以及不同的产品定制化要求，去做不同的产品系数设计，同时会有不同的研发方案。 这一块，现阶段的传统做法是依赖于高经验、具有非常好经验的技术研发人员去做一对一的定制开发。这一块第一方面人员有限，第二个培养人员的时间相对比较长，其实也会面临着很多的成长壁垒和限制。如果说能够借助AI，它可以节约掉很多在定制化人才上的基础布局时间。它可以通过基础的数据库、以往方案的底层布局，去实现初步方案的设立，然后再由相关的实验反馈数据之后做修正，最后由有经验的人员去做把关。这样可以大幅度提升现有企业的运营效率，在不增加进一步人员成本的情况下，可以覆盖更多的客户，布局更多的领域，提升现有生产要素能够获取的营收以及盈利的天花板。这是第二个应用层。 第三个，我们认为在生产端其实也会有一定程度的赋能。这一块跟大部分行业一样，在整个人工过程中，它会实现一些重复环节的人工替代。但对化工它有一定特殊点，化工经常会出现一些易燃、易爆、危险、有毒，以及相关要求比较高的细分环节。这些环节如果能够实现机器人对人的替代，第一方面可以明显降低人工成本，同时也大幅降低安全隐患，并且可以给到现有的生产企业更好的成本控制能力。 所以从这个维度，我们认为在化工应用端来说，无论是创新研发、应用交付还是生产过程，其实都是一个不断落地的过程。而且从现状来看，其实已经有企业走在前端。 第三点，我们认为现阶段看整个AI的应用端落地，也并不是所有企业都能做。其实它对于整个产品体系研发迭代、公司自身的要求是很高的，它涉及到公司的文化、落实的力度、人员配套等一系列问题。当然其中一个非常重要的问题——数据，我们后面会重点说。 这是我们认为后端，AI在应用端可能会出现的一些变化，以及我们认为到底哪些要素是相对比较重要的。 首先，在整个AI发展过程中，其实前期多数是以人工为主导，基本上是以人作为核心主导，然后借助机器学习。但是发展到现在这个阶段，我们认为下一阶段它更多的会以一个“智能体主导”的模式去展开。一方面，它通过模型来控制所需要的定向方向，再借助自动化的实验来落实相关方向的可行解决方案。在这种解决方案过程中，再不断地通过实验数据反馈解决方案的效果，进一步反馈到模型，在自学习过程中再去修正它的指引方向。这个过程不仅高效，而且持续时间可以很长。它可以明显打破人类的认知局限，同时可以比较明显地节约成本。在一些相对来说成本比较高、周期比较长的领域，见效会非常快。 在现阶段来看，AI其实已经出现了一定程度的模式演绎。在现有过程中，基本上集中在两种方式。一种是合作研发的方式。借助外部平台，能够获得一些平台化的数据，再加上一些平台化构建的模型，来实现平台化的搭建。搭设完之后，这个平台一方面可以给关联性的企业提供服务，同时也可以给下游客户去做订单式的落地。这样的话，它的整体受众面就相对来说更广，切入的点可以更深，能够对应的市场空间相对比较大。 另外一种模式主要集中在自身内部研发，相对来说对应的主要是大集团和大公司。在进行自身优化产品过程中，就自身构建一个相关的模型，无论是大模型还是专业化模型，以满足自身对于模型的诉求和应用场景的要求。这个过程中，他是不断地去进行相关的投资和大比例的产品迭代。这一块我们认为现阶段其实更多的情况是以合作研发去做相关的订单落地。 因为自身的内部研发或者说自身内部平台搭建，一方面需要相关的人员配套。我们都知道化工的相关人员，其实对于AI的了解程度并不算特别高。企业自身的人员配套不足，是需要做相关的人员建设和培养的。第二个，对于企业来说，如果以自身为主体，它需要有的是：第一，高质量数据；第二，有非常深化的研发基础；第三，有模型。解决问题需要先解决自身的痛点。但是自身的痛点解决完之后，你这个单一模型兑现的利润空间，其实就没有像一个模型对应多场景的利润空间那么大。所以在兑现过程中，它的整体投入回报相对来说要求不能那么高，所以能够做得起的企业相对比较少。 所以我们认为在整个发展过程中，未来一定会出现内部的研发模式，但是现阶段还是以合作研发的平台性搭建为主。我们从化工行业来看，其实也已经能看到，一些大型头部集团，包括像两桶油、万华等，其实都已经开始进行大规模的人才招募和相关技术储备。这一块对应化工企业来说，优秀的龙头企业已经开始迈出了这一步。 对于未来发展过程，我们认为能够借助好这样一个工具提升效率的企业会走得更好。在整个发展过程中，效率的应用差异会明显拉大头部企业和尾部企业之间的差距。这是第一个。 第二个，在应用端来说，到底什么样的赛道能够率先突围呢？我们认为化工这个AI for Science的应用，它的优势更多可以归纳为三种场景。 第一种，就是我们刚刚说到的，时间越长、投入研发成本越高的这类研发或数据处理，它的效益是更为明显的。为什么这么说呢？因为一般来说这类投资本身就比较大，AI的投资对于它整体的投资来说，并不算是一个非常强的负担。第二，对于长周期的研发过程来说，基本上在短时间的实验过程中，你就能够明显对应到效率的提升。短时间的效率提升就已经可以明显实现产品的阶段性进展。这样，可以用现有的AI for Science的落地实验效果，去跟原有的模式对比，它的投资回报率就可以明显大幅提升。 第二类就是，AI相比于人来说，它有一个非常好的点，就是它对于整个数据的赋能能力非常强，而且效率非常高。对于遇到一些数据驱动及大规模计算的维度来说，它可以有非常好的优势。 第三类就是一些高维度的设计。这一块其实会落实到一些微观的结构、不同元素的组合、多模态、多路径等。这一块会有不断的匹配、多组合匹配，再加上需要多种路径实现。这种会有成乘积数的情况下向外扩散，这种对于AI的适应模式也相对来说比较友好。 结合这三个维度，我们对化工行业进行了整体的梳理。梳理下来，我们认为它主流是集中在应用创新端的五个维度，加上交付端一个维度，加上生产成本端一个维度。 应用创新端来说，主要还是我们认为：第一，它本身是需要非常常规地去借助一些创新性的思维和路径，或者说现没有的产品或载体去作为一个研发驱动的核心点。其实这一块就会对标到AI的自学习、整理路径、创建方向、落实实验结果、最终反馈优化学习的这样一个循环。 我们首先筛选出来的第一个，就是现阶段对AI工具应用成熟度最高的一个新赛道——生物化工行业。这一块涉及到一些菌种的优化、培养条件的优化等，这一块会有比较大程度的提升。 第二个是新型材料的匹配。这块包括不同的材料组合、不同的元素组合、不同的生产路径、不同的生产环境等。这一块可以通过进一步庞大的数字空间去进行趋势判断，再进行产品的落地。在这一块其实可以研发出很多新的品种，品种会有更好的产品性能适应性。 第三个是创新农药/医药板块。这一块基本上跟医药端比较接近。医药其实现阶段已经在很多赛道上都借助了AI模型做深度细分领域的应用。在农药端，虽然说它的研发占比相比医药来说并不是特别突出，但是整体的思路和运营模式是完全一致的。所以我们认为农药的创新药研发也是非常适用于AI的。 第四个就是一些催化剂、辅料、添加剂等的升级。这一块其实也会涉及到不同的材料、不同的环境、不同的模式去做不同路径的搭配组合。这样能够使得在整体的运营环境大方向上面，能够获得效率更高的一些细分产品。 第五个就是一些微观结构设计。比如我们前期看到的一些像新能源材料，不同的材料、不同的微观结构，它对于整个材料端的性能是有要求的。这一块借助整个AI的模拟化实验，其实都可以做有效的提升。 这是创新端的五个方向。 在应用端来说，就会涉及到一些配方的升级应用。我们刚刚也强调到，它可以有效地解放出具有经验的高质量人才，把他们放在更核心的岗位，避免现有的这些基础化工作占用更多的人力和人效，实现在现有生产要素不变的情况下，提升现阶段人力对应到的营收以及盈利的天花板。 后面我们说，其实化工行业设备端的升级，它是一个循序渐进的过程。这一方面也有技术工艺的优化和迭代，同时也有整个装置的智能化，或者说更有序的改善。在这一块，我们认为它是一个细水长流的过程。一方面，老旧的设备在设计替换过程中，新建装置的效率水平一定是大幅提升。但同时，还有一些现有的生产企业，它需要不断对现有的生产工艺或生产流程去做技改、技术改造。 每年技术改造的过程中，其实都会伴随着一些新环节的优化和添加，比如在一些巡检、关键的检测环节添加智能手臂、添加机器人等。这些是可以带动相关的整体设备水平大幅提升的。我认为在设备端，能够提供智能化的整体应用改造方案，包括智能化设备、一些传感器的生产企业，其实都会长期受益于整个AI应用端的落地。 第三点，其实我们之前有提到过，我们说不是所有的企业都有能力建设这个AI平台。那我们认为什么样的企业或者说什么样的要素能够拉开企业差距呢？其实包括很多方向，比如企业文化（是否适配创新应用）、企业的经营效率、人才储备、公司的规模大小等。中间还有一个非常重要的要素，我们认为它是可以拉大不同企业之间差距的，就是关键的高质量数据。 其实这一块不仅是我们国家的头部和尾部企业之间有差距，我们国家整体跟海外也有非常明显的差距。在化工行业，数据的可获得性并不像一般的消费类行业那么高。一方面来说，无论是生产端还是研发端，它的整体数据很大程度上都关联着企业的核心秘密，也涉及到企业核心竞争力。在相同赛道的企业，其实很难获得竞争对手的相关数据。 对于一些公开可获得的数据，从中国的数据质量来说，第一个相比于海外是有差距的，另外可获得性相对比较有限，无非是一些文献加一些专利。在这个维度，其实很难对现有的模型进行很好的优化和处理。但是，这样就可以看到不同企业之间对数据的积累、对数据的应用以及对数据的处理，其实都会形成比较明显的差距。 我们认为，首先第一个，对于数据端的可获得性基本上集中在几个维度。第一个就是自己没有的数据，需要通过从外部获取。能够做外部获取的数据，一般来说是需要通过收并购的。基本上在收并购的过程中，如果你想要获取数据，基本上要先对公司的管理层做有效管控，再由管理层落实到基层。但是我们知道国内的很多企业，去做海外收购并购的话，其实是很难切入到管理层的，或者说都要经过相当长的时间才能有效切入。那这样的话，他其实很难获得作为海外企业核心机密的经营数据、高质量数据。所以，第一个自身的数据，以及从外部获得或者说并购的数据，其实维度比较难。 第二个就是自身的数据，那在数据这一块就会形成比较明显差异。有些企业天然的存在时间不够长，它是没有办法获得、需要去积累的。假设有企业生存时间够长，但是我们知道其实我国的企业对于历史的数据并不是有非常强的意识。那在这个过程中，他其实是很难把现有或者说文件柜里的文件转化成为标准化数据的。在这个过程中，这个数据的差距其实就会非常大。在这种应用的落地过程中，其实就没有办法对应到产品数据的有效升级。 第三点就是对于自身没有的数据，我就要借助一些科研院所的研究。在这个过程中，你就需要能够先期在细分赛道上获得比较好的深入研发能力、有效的资金支持，然后在这个过程中才有可能跟高校和研究所去进行合作。 所以实际上在这个维度，我们认为我们前期说到的这种“智能化人工智能平台+智能化机器人”的方式，它的可落地性更强。一方面，它们在自身的研发基础之外，也可以通过跟研究院所进行一些数据的申请绑定；另一方面，在每个细分赛道可以落实专业化的模型来做优化，再通过智能机器人的实验来获得更高质量数据，去完善现有的数据体系。所以在这个模式过程中，我们其实可以看到就已经衍生了第四种数据可获得方式，就是通过智能机器人的辅助。在这种情况下，我们认为它一方面可以接纳的数据空间会更长更广泛，另外一方面它可以持续性地高质量获得数据。这样对于它们整体的平台是能够形成正向循环的。这是我们认为数据在未来会是一个拉开差距的非常重要的因素。 从这个投资方向来说，其实我们说了这么多，我们能够看到的点就是： 第一个，从产品的研发端来看，其实它的整体模式，我们认为是大平台加自动化实验机器人的方式，能够有效地促进平台获取更多的关联性产品和关联性订单。它的整个发展空间是相对来说比较大的，有很大想象空间。同时现阶段已经有企业近期落地，比如晶奇科技。 第二类，就是在整个生产制造端去进行不断的智能化改造过程中，它必然带动相关的资本投资，带动了整个相关的设备升级。一些专注于自动化流程控制的龙头企业，尤其是一些设备供应商，它其实是有比较好的发展空间。这一块我们认为伴随这样的应用端持续落地，它是属于一个细水长流、带动业绩不断增长的过程。我们关注的是中控技术。 还有一类是企业端，其实可以借助这样的平台，一方面享受这样的平台红利，另外一方面可以借助这样的平台去做自身的产品推广。这样可以一方面是打造自身的投资收益，另外一方面是可以培育第二或第三成长曲线。在这个维度关注志特新材。
