中國化工報：王委員您好！在2025年全國石油和化工行業科技創新大會上，您提到AI快速發展，正在推動工業范式變革。能否結合AI發展趨勢談談這一判斷的依據？
王江平：當前，全球人工智能產業顯現出三大趨勢。一是AI正進入普惠時代，得益于技術快速進步，大模型使用成本、算力成本等迅速下降，空間理解模型的發展推動具身智能使用合成數據訓練成為可能。這些因素，正在推動人工智能從少數機構的專屬工具逐漸轉變為普惠性基礎設施。二是開源成為最大公約數，以DeepSeek為代表的開源模式推動全球AI生態的協作與創新，正在重塑AI競爭格局。三是通用人工智能(AGI)與垂域模型兩條技術路線加速發展，預計5年內有限度的通用人工智能率先發展，不斷逼近與人、環境交互協同的通用智能。受此趨勢影響，AI正在加速產業化落地應用，并從三個維度深刻推動工業范式變革。
首先，在 “虛擬和現實” 層面，AI打破兩者邊界，引發技術創新范式變革。傳統制造業依賴物理空間試驗驗證，周期長、成本高、風險大；而AI連通物理與數字空間，使設計、仿真、驗證等環節可在數字空間高效完成，以零邊際成本、靈活構架等優勢，大幅降低物理試驗成本，推動技術創新從經驗試錯向數據驅動轉變，提升效率與準確性。
其次，從 “時間和空間” 維度看，AI突破時空限制，推動生產制造范式變革。時間上，實現歷史數據利用、生產運營優化、預測性維護的 “無閾化”；空間上，達成多工廠聯動、區域產能互補、產業鏈協同、技術能力共享及遠程運維服務的 “無界化”，重塑生產制造模式。
最后，針對 “供給和需求”，AI打通供需隔閡，促使組織管理范式變革。不同于傳統供給導向的批量生產、庫存積壓、層級經銷、被動消費模式，在AI驅動的新型供需協同模式下，需求方可主動表達個性化需求、參與產品設計并反饋體驗，供給方通過智能中樞進行數據分析、資源調配、智能決策，完成供應鏈協同和柔性智能制造，實現供需精準匹配與協同創新。
中國化工報：當前石化化工行業面臨哪些機遇與挑戰？
王江平：概括起來，我認為石化化工行業面臨“三大機遇”與“三大挑戰”。
從機遇看：一是新賽道創造化工新需求。新能源、低空產業、機器人、生物制造等新興領域將保持高速增長，高端聚烯烴、特種工程塑料、電子化學品、生物基材料等高端產品需求將更加旺盛。二是化工新工藝新產品密集涌現。AI正在推動新化學品合成，同時分子煉油、高選擇性催化氧化等先進工藝技術以及反應精餾一體化、先進膜分離等過程強化技術逐步落地，綠電綠氫規模化耦合應用、非糧生物質糖化氣化、二氧化碳捕集封存和利用等技術不斷成熟，生物基材料等新產品將迎來重大契機。三是全球石化化工行業布局大調整。西歐、日韓等地區基礎型、通用型化工產品競爭力逐漸降低，東南亞、南亞、非洲等地區經濟快速發展帶動這些地區的石化產業布局，催生石化化工產品需求加快增長。
從挑戰看：一是全球產能加速擴張與加速釋放疊加。在供給側，亞太和中東地區一大批煉化新增產能快速釋放。在需求側，全球經濟復蘇步伐緩慢，我國房地產、紡織服裝等下游需求增速逐步放緩。二是污染治理與減碳壓力疊加。《水俁公約》《斯德哥爾摩公約》《蒙特利爾議定書》等約束增強，行業面臨傳統污染物與新污染物治理雙重壓力。受限于“富煤、缺油、少氣”的資源稟賦，行業存在“達峰難”“峰值高”等問題。三是技術封鎖與供應鏈安全疊加。關鍵核心技術國際競爭日趨激烈，原有的引進、消化、吸收、再創新的模式難以為繼。國內部分高端化工產品不能自給，產業鏈供應鏈安全面臨挑戰。
中國化工報：您認為石化化工行業應當如何把握機遇、應對挑戰，從而實現高質量發展？
王江平：總體上看，石化化工行業要把握全球產業發展趨勢，做好“三大轉變”。一是從通用化學品向高端化精細化差異化轉變。結構性矛盾倒逼產業升級，從以通用型產品為主，轉向以創新為驅動力，加快發展服務型制造，產品結構將向高端化、精細化、差異化躍升。二是從增量擴張向存量優化轉變。競爭加劇倒逼存量優化，從以新項目建設為主，轉向以存量提質升級為著力點，加速綠色化、安全化、數字化轉型。三是從“內卷式”競爭向構筑比較優勢轉變。需求增速放緩倒逼重塑全球競爭力，從以國內“內卷式”競爭為主，轉向以提升比較優勢為核心，充分利用國內國際兩個市場、兩種資源，提升產業鏈國際競爭力。
中國化工報：在推動石化化工行業高質量發展過程中，AI能夠發揮什么作用？
王江平：AI能夠推動解決新工藝開發、現有工藝優化等工藝技術革新問題，這恰恰是石化化工行業高質量發展的關鍵核心所在。
石化化工行業是典型的流程工業，其生產工藝本質遵循“三傳一反”理論，生產過程具有氣—液—固多相混合、高溫高壓等反應條件苛刻、物質連續轉化過程復雜等特點，內部機理機制不透明，生產過程普遍呈現“半黑箱”或“黑箱”狀態。目前，新技術開發、現有工藝優化等工藝革新大量使用穩態假設、需要反復實驗驗證，導致模型難以適應復雜工況且應用驗證周期偏長，影響工藝革新進程。
而AI大模型本質上是基于Transformer架構多層神經網絡堆疊構建數據驅動的非線性運算，在參數規模(超萬倍)、多類型數據整合、關聯推理等方面具有顯著優勢，可基于其推理能力擬合輸入(工藝參數、反應物配比等)到輸出(產品收率、能效、新化合物等)的長距離和多模態數據間的映射關系，實現對復雜化工系統的可計算化，在石化化工行業工藝革新領域顯示出廣闊應用前景，有望在新產品新技術研發、生產制造優化、產品質量控制監測、設備故障預測維護、安全環保監測等多場景實現應用。與傳統方式相比，AI將重構原材料工藝革新的底層邏輯生態，助力構建安全化、綠色化、高效化的產業體系。
中國化工報：您談到AI助力新產品新技術研發，能否舉例說明AI如何賦能創新？
王江平：一是加速新化學品發現。數年前，AI開始應用于生物和制藥領域，各大藥廠利用AI在原子尺度篩選目標藥物分子。AI在材料科學中的應用與制藥有著相同的底層邏輯，即通過AI找到原子間相互作用的求解器和模擬器。例如谷歌公司開發的用于預測無機晶體結構的GNoME模型，在短時間內發現超220萬個新結構，其中38萬種有望通過實驗合成，超過人類過去800年的材料發現總量。北京科技大學開發的SteelBERT模型，可預測屈服強度、極限抗拉強度和總延伸率等力學性能，目前已成功預測18個不同鋼種和工藝條件下的力學性能，并制備出性能優異的奧氏體不銹鋼。松山湖實驗室聯合多家單位開發的材料科學領域智能問答助手MatChat AI Agent模型，可根據用戶所詢問的材料，推理出相應的制備工藝和配方。
二是推動新工藝迭代。由于化工生產工藝的復雜性，傳統的新工藝開發范式是逐級開展小試、中試、工業化試驗，導致新工藝研發是一個長周期、高投入、高風險的過程，尋求突破逐級放大瓶頸的新工藝開發路徑是全世界化學工程師的夢想。而利用AI技術可實現知識智能檢索與流程自主進化，大語言模型構建的化工專業數據庫可實現跨專利文獻、實驗報告的多模態知識秒級檢索，虛擬化工流程模擬器可實現反應器配置、操作條件與成本/安全指標的全局最優權衡，極大縮短化工工藝流程的研發周期。例如中國科學院大連化學物理研究所研發的智能化工大模型，通過解析海量文獻數據自動提取反應機理，構建反應規則庫，快速生成反應動力學模型，將動力學模型開發周期從年量級壓縮至月量級，已經實際應用于化工項目之中。
三是推動現有工藝優化。石化化工企業傳統的過程控制方式依靠人工進行，存在調節不及時、調節幅度不匹配、難以克服系統波動和外界干擾等問題，導致工藝指標波動大、運行不平穩、轉化率低、能耗物耗高、產品質量不穩定等。利用AI技術，可依托實時數據庫與機理-數據模型，構建“感知-認知-決策-控制”的智能閉環，實現工藝參數“卡邊”操作和全過程精細化管理，推動生產裝置操作模式從“人工經驗守界”向“智能算法攻界”轉變，實現工藝穩定性提升、資源消耗下降、生產效能突破、產品質量提升的協同優化。例如中控科技的TPT大模型，在氯堿生產環節通過對2000多個工藝變量進行隱性規律的深度挖掘實現工藝優化，較傳統自動化解決方案廢液處理效率提升80%、噸堿電耗降低4%。
中國化工報：在生產制造過程中，AI能夠發揮哪些作用？
王江平：一是精準預防性維修。石化化工屬于典型的重資產行業，裝備運維是企業安全穩定運行的核心。傳統裝備運維以“定期檢維修+故障后修復”為主，依賴人工巡檢、單點閾值報警等，存在狀態感知滯后、故障診斷精度低、預測性維護能力弱、備件庫存冗余等痛點，導致故障誤報率高、維護成本高、非計劃停機頻發，嚴重影響生產連續性和資產利用效率。利用AI技術，可實現設備機理與數據融合建模，提前開展面向高溫高壓環境的工況適配性驗證，驅動裝備運維從“被動搶修”向“預測性維護”轉變，實現故障率、維修成本與資源浪費的同步削減。例如博華科技的設備運維大模型，結合2萬余個實際案例建立基于故障機理研究透平機組、往復壓縮機等關鍵設備特定故障的特征值集合，實現動設備故障預測準確率大于90%，有效降低設備非計劃停車時長30%以上。
二是優化質量控制與監測。石化化工產品質量是決定企業競爭力的關鍵，質量控制水平是企業的生命線。傳統質量控制和監測以“人工采樣+實驗室分析”為主，耗時長、抽檢覆蓋率低且無法對催化劑活性衰減等漸變式異常進行預警、追溯。利用AI技術，可對產品外觀進行快速而細致的檢測，并基于投料配比、反應時長等生產參數預測組分、黏度等關鍵指標，針對生產過程追溯質量問題的根源，實現精準預測和實時監控產品的安全性、合格率等關鍵指標，幫助企業能在問題發生前采取預防措施，從而提升整體的生產質量和效率。
三是促進安全生產。安全風險判別方面，石化化工生產過程風險源較多，傳統的危險與可操作性分析(HAZOP)通過專家對工藝流程圖的多維度分析識別生產過程中的潛在危險和操作性問題，分析周期長、勞動強度大、風險覆蓋率偏低。利用AI技術，可以將專家系統、知識圖譜、HAZOP分析等結合，全面提升風險判別的系統性和效率。例如清華大學將人工智能引入HAZOP分析后，分析效率提升50%，風險覆蓋率從傳統方法的80%提升至95%以上，漏檢率顯著降低。安全生產監測方面，傳統的“人工巡檢+固定傳感器監測”方式勞動強度大、監測不全面且無法監測管壁腐蝕等漸變式風險。利用AI技術，可聚焦“人、機、料、法、環、管”等核心環節，實現安全生產關鍵參數的實時監測、風險評估和預測、自動化應急響應、故障分析、實時決策，增強安全生產的快速感知、實時監測、超前預警、應急處置和系統評估等能力，加速安全生產管理從靜態分析向動態感知、事后應急向事前預防、單點防控向全局聯防的模式轉變。
中國化工報：在 “雙碳” 背景下，AI如何助力石化化工行業綠色轉型？
王江平：一是推動能源系統優化。能源優化可降低石化化工企業能源成本、減少污染物排放，是企業一項重要的綜合管理內容。傳統的“孤立式節能技術改造+人工工藝參數調控”方式無法應對多變量耦合場景、缺乏全局熱量匹配優化。利用AI技術，可基于用能設備歷史運行參數預測未來12小時能源需求，開展自適應節能控制，降低蒸汽管網壓力，提升全鏈條能效躍升。
二是推動碳排放監測與預測。碳排放監測與預測是石化化工企業落實“雙碳”戰略的核心杠桿，更是安全效益與經濟效益的雙重防線。傳統的“離散點位采樣+臺賬式統計”方式核算數據滯后且無法追蹤工藝異常波動。利用AI技術，可基于碳排放監測點數據開展裝置級、設備級精準溯源與在線核算，預測指導碳資產配額申購，自動生成符合MRV(碳排放監測報告核查)標準的報告，提高核查合規性，減少人工核查時間。
中國化工報：您對于加速推動AI在石化化工行業落地應用，有哪些意見建議？
王江平：推動AI在石化化工行業落地應用是一項系統工程，應當落實《關于推動人工智能賦能新型工業化的實施意見》《原材料工業數字化轉型工作方案》及石化化工行業數字化轉型實施指南，充分發揮石化化工行業數據基礎好、場景豐富優勢，統籌布局，體系化推動。
一是以DCMM貫標為基礎，全面推行行業數據治理。石化化工行業自上世紀80年代便開始了DCS系統的應用，生產運行數據積累豐富，但由于行業生產流程長、數據管理標準缺失，導致行業數據管理不規范、治理難度大。相關研究顯示，化工行業中73%的企業內部數據孤島林立，數據管理不規范。我國2018年發布國家標準《數據管理能力成熟度評估模型》(GB/T-36073-2018)，工業和信息化部正在組織有關標委會編制《石化化工行業生產運行數據管理要求》行業標準，以提升企業數據管理能力，優化數據資源利用，加快企業數字化轉型。建議企業以DCMM貫標為基礎，提升現有數據的規范化管理水平。
二是高標準建設石化化工細分行業數據集。數據、算法、算力是人工智能發展的三大核心要素，大規模、高質量、多樣化的數據集是大模型性能突破、落地應用的關鍵。近年來，國家圍繞高質量數據集建設開展了一系列工作部署，國家數據局等17部門聯合印發《“數據要素x”三年行動計劃(2024-2026年)》，強化場景需求牽引，帶動數據要素高質量供給、合規高效流通。建議建設包含行業公共數據、私有數據、通識數據、專門數據、結構性數據、非結構性數據等的石化化工細分行業數據集，培育行業數據標準產業，對行業數據進行嚴格篩選、標注和管理，能夠為行業提供豐富且專業的數據支撐，保證訓練數據的質量和正確的價值取向，充分釋放人工智能在各垂直行業的應用潛力，形成“數據-模型-數據”的良性循環，推動產業升級和創新發展。
三是建設行業可信數據空間。行業高質量數據集必須把隱私保護放在突出位置，可信數據空間是基于共識規則，通過高性能智能合約、多鏈組網架構、異構跨鏈交互、鏈上鏈下交互等關鍵技術，聯接多方主體，實現數據資源價值共創、資源交互、可信管控的一種數據流通利用基礎設施。建議龍頭企業和行業組織牽頭建設更多細分行業可信數據空間，尤其是在化工物性庫領域建設可信數據空間，為人工智能預測優化提供大量化學物質的物理、化學性質數據(如密度、黏度、熱導率等)，提高人工智能大模型預測優化的準確性。
四是建設行業模型/模塊化場景模型。化工行業生產過程是化工單元操作的集合，各個企業的差異在于配比、工況、物性等。建議既要立足當前急需，基于通用大模型建設蒸餾、萃取、傳質、分離等行業共性化工單元操作的模塊化場景模型，形成“點上”賦能示范效應，通過標準化、可復用的知識內核，用預制化工單元操作場景模型搭建自身實際工藝鏈，實現“搭積木”式的模型調用，打造“一次開發、萬企復用”的生態模式，打破行業“重復造輪子”困境，推動行業全要素生產率數量級提升；又要著眼長遠發展，以高質量行業語料庫訓練建設支撐全行業共性需求的石化化工行業大模型，夯實“面上”垂直領域應用基礎。
五是建設原材料工業AI模型檢測評估生態體系。目前，相比于資金支持，行業大模型建設更需要的是認可和推廣，專業、權威且具有公信力的評估評測對于增強企業使用信心至關重要。建議在行業大模型達到一定數量時，啟動行業大模型檢測評估工作，明確評估標準，開發自動化評測工具鏈，構建可實踐、可度量、可擴展的評測方法，定期發布行業/企業大模型質量排行榜。
六是開展行業AI素養培訓。人才是所有工作的核心，人工智能也不例外，目前清華化工已經設置了智慧化工專業。建議高校增設“人工智能+原材料”交叉學科，支持企業與高校聯合培養人工智能工程碩/博士。行業數字化轉型推進中心開展人工智能分層級、精準化培訓，針對大型企業組織協同成本高、數據孤島嚴重等困擾，向其開展先進案例分享、技術變革趨勢研判、全流程工程化實訓培訓；針對中小企業落地效果存疑等困擾，對其開展知識普及、基本應用技能、熱門模型使用等教學。
從實驗室分子模擬到工廠智能控制，從碳排放精準核算到產業鏈協同優化，AI與石化化工行業深度融合將不斷推動產業形態革新、生產效率變革。AI賦能石化化工行業高質量發展前景廣闊，未來可期。
轉自：中國化工報
