当前，化工行业正处于产能升级、绿色转型、技术突破的关键窗口期，人工智能（AI）、AI for Science技术深度赋能产业，成为化工产业培育新质生产力、突破研发瓶颈、实现降本增效的核心抓手。2026中国国际化工展期间，北京枫清科技有限公司（以下简称“枫清科技”）是为数不多将AI深度落地大型化工产业的企业。怎样看待AI在化工新材料、能源化工赛道未来几年的发展趋势？如何解决AI应用中模型幻觉等痛点？枫清科技创始人兼CEO高雪峰接受了本刊记者的采访。

　　【CCN】作为深耕化工垂直领域的AI智能体服务商，本次展会，枫清科技带来哪些重点展品与技术成果？

　　【高雪峰】本次我们共推出四款重磅AI智能化核心产品。

　　第一款是AI4S科研平台，平台覆盖“产学研用”环节：上接科研任务规划、分子设计和基于知识图谱的配方优化，中间做数字中试，下接产线工艺优化，目标是把材料发现、中试到生产这几段串起来——过去它们往往是断开的，材料在实验室做出来，中试没人接，也就到不了量产。

　　另外三款分别是：企业级Agent平台，负责智能体从构建、部署到治理、审计的全生命周期；虚拟工厂大脑，把生产排程、质量控制、设备诊断和三维数字孪生接到一起；智能经营分析平台，用自然语言对话做指标诊断和原因追溯。但我们内部的重心确实放在AI4S上，这也是化工客户最关注的部分。

　　【CCN】枫清科技采用“知识引擎+大模型”双轮驱动的技术路线，区别于通用大模型。这套架构如何解决AI应用中模型幻觉、专业知识不准、结果不可解释等痛点？

　　【高雪峰】化工生产线对错误的容忍度很低，大模型“一本正经地胡说八道”是行不通的。我们的办法是用自研的图与向量融合知识引擎，把企业的公开和私有数据建成统一语义层，用企业自己的数据约束模型，而不是让它凭空生成。比如工程速算智能体把国标行标里的公式、系数固化下来，按步骤计算、过程留痕，结果和老工程师手算一致；1000 个候选配方筛到 100 个，另外 900 个为什么不选，也讲得清依据。过程看得见、结果能复核，客户才敢用。

　　【CCN】很多化工企业在引入大模型时，面临专业数据缺乏、业务系统难打通、落地成本高等问题。枫清科技如何帮助企业平稳落地AI，完成试点到规模化推广？

　　【高雪峰】我们采用FDE工程师工作模式，不直接交付标准化产品。而是先评估企业AI诉求、实施难度、现有数据成熟度和业务痛点，对高价值场景排序，分步落地智能化项目。

　　数据冷启动尤为关键。针对企业自有产业数据不足，一方面复用链主客户沉淀的行业数据；另一方面从海量公开论文、专利提取领域专业数据，帮助客户完成AI场景冷启动，循序渐进由试点迈向规模化落地。

　　【CCN】随着“人工智能+”战略推进，AI智能体重塑化工研发生产模式。您如何看待AI在化工新材料、能源化工赛道未来几年的发展趋势？

　　【高雪峰】化工行业是我国体量庞大的支柱产业，当前正面临产业重塑、产能出清压力，AI为培育新质生产力创造了条件。

　　大量化工企业正从传统炼化向新材料方向转型，而AI应用深度与广度，直接影响企业在产能出清环境下的竞争力。我们倡导AI扎根细分业务场景，从节电这类微小生产优化入手，沉淀生产数据，反向提升材料发现效率，帮助企业在行业调整周期保持竞争优势。

　　【CCN】枫清科技后续有哪些技术迭代、场景拓展计划？除新材料研发，是否向生产、供应链延伸AI智能体应用？

　　【高雪峰】我们会持续赋能企业，在研、产、供、销、服里先把“研”和“产”做透，供销服顺着业务延伸，切实帮助化工企业降本增效。

　　技术上主要是三块：一是混合建模，把反应动力学等机理模型和数据驱动的 AI 结合，用 PINN 这类方法各取所长，这是通用大模型替代不了的；二是新材料发现，让 AI4S 平台自主规划实验、对接高通量实验并闭环迭代；三是沿“研发—中试—生产”补垂域模型，进行中试放大、设备节能、预测性维护等，数字中试产品预计最早 2027 年底投入使用。同时，我们在建新材料自主实验室，也和产业客户、985 高校共建联合实验室。

　　落地层面，我们和链主企业共建了科研联合实验室；成立合资公司枫桦智能，把 AI4S 平台放进化工园区，已经在东营港落地。供应链也会顺势而为，比如配方优化之后，客户自然会要求建配方知识图谱、找成本更低的替代原料 —— 这本来就是研发决策的一部分，这也将是我们未来工作的一部分。