业化，平均研发周期长达 10 - 15 年，研发投入高达数亿元。 实验数据分散于各类科研机构 、高校以及企业内部， 缺乏统 一的整合与共享机制， 导致大量重复实验， 严重浪费了宝 贵 的科研资源，降低了研发效率。以某新型合金材料研发为 例， 由于不同团队之间数据无法有效共享， 重复进行了超 过 30% 的相似实验， 使得研发周期延长了 2 - 3 年 。模拟计 算数据方面， 由于缺乏统一标准， 由于缺乏统一标准， 不同计算方法和软件得 出 的结果差异较大， 数据的准确性和可靠性难以保障， 无 法为 实验提供精准的理论指导。 在产业应用层面 ，新材料从实验室走向市场的转化之路困 难 重重 。科研机构与企业之间信息沟通不畅， 科研成果往 往未 能充分考虑市场实际需求， 导致大量具有潜在价值的 新材料 成果被束之高阁， 无法实现产业化 。相关研究表 明， 我国新 材料领域的科研成果转化率仅为 产需求脱节， 影响了电 池的生产进度和质量。 1.2 可信数据空间对新材料产业的重要意义 可信数据空间为破解新材料产业发展困境提供了创新性的 解决方案， 具有不可估量的重要价值 。它能够对实验数 据、 模拟计算数据 、产业应用数据等各类数据进行全面整合， 通 过制定统一的数据标准和规范， 打破数据孤岛， 实现数 据的 无障碍流通与高效共享 。这为新材料研发提供了丰富 、全面

与机器人技术融合后，从分子模拟到材料基因组学的全链条效率将被重新定义， 既能降低传统材料成本，又能缩短新材料研发周期。面对化工新材料研发的“多尺度复杂性” 与“实验验证滞后”痛点，AI 通过跨尺度建模、分子动力学加速等方案实现突破。在生产流 程中，AI 结合高通量机器人实验优化生产，降低损耗与故障率。但 AI 也在瓦解传统技术壁 垒，“白痴指数”高的材料受冲击大。化工企业需加强 AI 研发、引进人才、推动数字化转型， 05 2、《石油石化：2025：大化工大有可为—— 大化工行业 2025 年度投资策略》2024.12.18 扫码查看更多 ➢ AI+机器人重构化工研发范式：从实验室到工业化的效率革命 我们认为 AI+机器人大概率将带来化工行业的效率革命，尤其是类似 Deepseek 这样的顶尖 AI 工具的广泛应用，或驱动化工行业的研发和生产流程发生数量级层面的跃迁，在不久的将 合，化工研发大概率将经历一场范式革命——从分子模拟到高通量实验，再到材料基因组学， 全链条效率被重新定义，不但可能大幅降低传统材料的生产成本，也很可能使得新材料研发 周期大幅缩短。化工企业应当充分认识到：当前的产品壁垒已经不是壁垒，当前的产品利润 随时面临挑战。 ➢ 新材料预测的挑战与 AI 的破局方案：数据+算法的双重赋能 我们认为：化工新材料研发面临“多尺度复杂性”与“实验验证滞后”两大痛点。类似 Deepseek

可提高研发效率，对实验数据建模，并使用该模型对反应条件进行优化和筛选催化剂等，加速研发进程；还可用于分子设计，并在 分子性能预测的基础上，提前筛选出合适的化学物质。 尤其是在合成生物学领域， AI 已在元件工程、基因线路、代谢工程、基因组工程中广泛应用，大幅提升合成生物学的各环节效率。基于 AI 的研发 平 台，可预测蛋白质结构，进而构造具有目标功能的物质。另一方面， AI 也促进了实验室自动化 也促进了实验室自动化，对传统劳动密集型实验室进行技术革命。其中 微流 控技术，具有高灵敏度、高集成、高通量、高效率等多种优势，对合成生物学的研发和应用起到了巨大作用，加速合成生物学行业发展。 u AI 优化化工设计和建设 AI 使工业领域落地周期逐步缩短。管道设计软件及流体力学仿真软件是设计研究和生产部门强有力的辅助工具，有效提高设计生产效率；一体化工 程设计软件推动卓越运营和智能制造，助力化工企业实现 开发 投入 市场 制造 发现 系统设 计集成 热力学法则 实验 7 4 3 5 6 1 2 人工智能指导 材料研发过程 人工智能有助于开发高性能材料、 识别关键点并获得新的科学规律 ，促进化学信息学的发展。 化学信息学可用来对反应条 件进 行优化和筛选催化剂等 ，这主要是通过对实验数据进行建模 ，然后使用该预测模型实现对实验工作的指导； 可用于分子模拟 和 分子设计 ， 并在分子性能预测的基础上

亿个分子进行筛选，缩小实际需要合成和筛选的分子数量范围，在2-3年内仅需合成及测试数百个分子；可以定制生成数百个苗头分子，探 索未知分子，提高药物研发的创新性；能够通过计算机模拟的方式减少需要实验室验证的分子数量，节约验证和测试时间。 ◼ AI研发的药物逐步进入临床阶段，且药物类型多样。尽管当前暂时没有利用AI制药技术研发的药物成功获批上市，但通过公开的数据库检索， 2015年-2023 图：全球人工智能解决方案市场规模 图：人工智能三要素 资料来源：晶泰控股招股书，国信证券经济研究所整理 资料来源：药智局，国信证券经济研究所整理 人工智能三要素 算力 算法 数据 CPU 机器学习 实验数据 GPU 深度学习 开源数据 FPGA 自然语言 处理 生成数据 ...... 其他 公开信息 数据 请务必阅读正文之后的免责声明及其项下所有内容 医疗保健板块是人工智能应用最大的领域 2-3年内仅需合成及测试数百个分子。 ② 传统筛选方式仅针对有限的分子库对特定的靶点进 行分子筛选，而AI制药可以定制生成数百个苗头分子， 探索未知分子，提高药物研发的创新性。 ③ 传统人工方法需要在实验室通过反复实验进行验证 和优化，AI制药能够通过计算机模拟的方式减少需要实 验室验证的分子数量，节约验证和测试时间。 请务必阅读正文之后的免责声明及其项下所有内容 图：AI制药开发药物的类型 数据来源：Kp

085 1.1 天文学与天体物理学领域 Top 10 热点前沿发展态势 085 1.2 重点热点前沿⸺“基于超新星光变曲线数据约束宇宙学参数” 086 1.3 重点热点前沿⸺“通过直接探测实验寻找低质量暗物质候选粒子” 089 数学 1. 热点前沿及重点热点前沿解读 095 1.1 数学领域 Top 10 热点前沿发展态势 095 1.2 重点热点前沿⸺“现代机器学习中的双降曲线与泛化现象研究” 其工作具有重大的意义。 为此，科睿唯安发布了“研究前沿”（Research Fronts）数据和报告。定义一个被称作研究前沿的专 业领域的方法，源自于科学研究之间存在的某种特定 的共性。这种共性可能来自于实验数据，也可能来自 于研究方法，或者概念和假设，并反映在研究人员在 论文中引用其他同行的工作这一学术行为之中。 通过持续跟踪全球最重要的科研学术论文，研究 分析论文被引用的模式和聚类，特别是成簇的高被引 布拉干萨理工大学 葡萄牙 2 7.7% 7 伊朗 1 3.8% 8 波尔图大学 葡萄牙 2 7.7% 8 庆熙大学 韩国 2 7.7% 8 伊斯坦布尔科技大学 土耳其 2 7.7% 8 阿贡国家实验室 美国 2 7.7% 8 芝加哥大学 美国 2 7.7% 8 内布拉斯加大学林肯分校 美国 2 7.7% 从核心论文产出国家和机构来看（表 10），中国 是核心论文的最大贡献国，共有 19

慧体育角、智慧体育空间、智慧体育家庭、数字云平台矩阵、AI 新体考。3）AI+ 理化生：理化生实验 AI 解决方案包含信息化系统建设模式、实验室基装建设模式、 实验室吊装建设模式以及实验仪器模式 4 种模式，覆盖理化生实验考试、教学、 场地等各个方面。目前，在大庆市 2024 年中考理化生实验操作中，2 所试点学校 1280 余名考生在数字化实验室中完成了理化生实验操作考试。 图15：佳发教育的 AI+英语听说 图16：佳发教育

DeepSeek的本地化部署与AI通识教育之未来 陈建海 博导/副教授 浙江大学通识人工智能（A）（理工农医）课程团队负责人 浙江大学计算机科学与技术学院 基础教学中心副主任/支部书记 浙江大学智能计算与系统实验室 负责人 浙江大学人工智能教育教学研究中心 2 提纲 vDeepSeek AI的新时代背景 vDeepSeek的本地化部署实践 vDeepSeek与AI通识教育之未来 v总结 3 Specialized Courses 39 改革计算机大类通识课程培养方案 类别 课程号 课程名称 学分 周学时 建议学期 课程说明 程序语言类课程 （三选一） CS1001G C程序设计基础及实验 4 3.0-2.0 秋冬 建议工科类(信息)专业设置 CS1002G C程序设计基础 3 2.0-2.0 秋冬/春夏 CS1006G Python程序设计 3 2.0-2.0 秋冬/春夏 计算机和人工智 5%，出勤率、课堂互动、随堂测试（>=5次）、答疑等 • 理论作业： 10%，学在浙大上的理论练习题 • 阶段测试：20%，随堂小测>=4次抵（4%）+阶段测试2次（6%）+期中测试1次（10%） • 实验作业：25%，实验报告小作业7次（15%，个人完成）+综合大作业1次（3人组团队合作，10%） 四统一课程与成绩评定 请阅读《人工智能基础A》教学大纲 45 教学大纲-学习目标 16个实例 46

段，许多省市已经启动了人工智能教育的实验性建设。在高等 教育阶段，已有数百所本科院校和高职院校开设了人工智能相 关专业，并建立起一大批人工智能实验室供师生开展人工智能 学习和实训。 图 2-1-1 K12 阶段的人工智能教育目标 在人工智能教育的不同阶段，对教学目标和教学环节的设置 也有所不同。在K12阶段，如图2-1-1所示，人工智能教学主 要是通过一系列基于场景实验的感性引导和动手实验，让中 小学 人工智能教育实训环境 如图 2-1-3 所示，这个过程可以分解为： • 从感知到认知：通过场景实验帮助学生感性地了解人工智 能在生活生产中的应用，触发学生的思考，揭开人工智能 的神秘面纱，了解人工智能背后的基础理论，进而引导学 生用多元的视角感知人工智能世界。 • 从认知到应用：通过动手实验体验人工智能实现过程，让 学生习得的知识得到实践，从而体会人工智能技术带来的 成就感，激发其探究和应用技术的热情。 件开设人工智能推理加速等实用性非常强的课程，使现有学习 内容与未来工作实操对接，让人工智能教育更具实践意义。 在人工智能实训阶段，从零起步的中小学、高校等教育机构往 往缺乏适用于人工智能教育的实训环境，相关的实训实验室通 常是在原有的电教室、微机室基础上改造而成，在应对大规模 学生进行人工智能实操时，往往存在以下问题： • 缺乏规模化人工智能训练、推理所需的算力储备，传统 PC 在执行人工智能训练、推理时效率低下，而要大规模采购

孵化创新科技，构建运动健康行业影响力 华为运动健康科学实验室在全球多研发中心（中国东莞、中国西安、芬兰赫尔辛基）布局。其中东莞实验室主要搭建 运动健康产品研究、标准研发、检测认证与产业孵化的平台；西安实验室以运动健康方案的测试验证为主，负责运动 健康特性的测试交付、数据采集验证；赫尔辛基实验室聚焦在全球范围内，洞察运动健康前沿技术和创新应用趋势。 华为运动健康科学实验室不断构建专业的测试研究环境、孵化技术研 究成果、进行资源合作与拓建，围绕运动健康技 术研究、标准研发、合作生态，打造国际一流的运动健康产业全球化科技创新平台。 华为东莞运动健康科学实验室 可持续发展寄语 可持续发展管理 数字包容 科技至善 绿色环保 企业责任 附录 32 全球冰川加速消融的背景下，2025“国际冰川保护年”迎来一项重要科考行动--由中国科学院西北生态环境资源研 究院、中国科学探险协会联合主办的“青藏高原 冰穹探 件产品交付给消费者之前，我们均会进行严格的可靠性测试； 同时我们为消费者提供持续的系统更新以及便捷可负担的维修服务，从而延长产品使用寿命，促进资源的利用效率最 大化。 华为在全球拥有多个可靠性实验室，我们严格按照国际标准，结合日常生活中人们实际使用情况设定了跌落测试、高 低温环境测试、耐磨测试等全面的可靠性测试，使产品能够从容应对使用过程中的跌落撞击、酷暑严寒、干湿变换等 各种场景。 手机产品耐用性实践

在制药领域的应用 ■ ■ ■ ■ 高 二 二 二 二 低 3 1 商业化 研发 在研发环节， AI 可以在多个领域增加价值，如计算机模拟研究、医学洞察和湿实验室支持。 AI 已经能够通过生成更好、更有效的候选药物，加速从药物发现到临床前候选阶段的进程， 帮 助药物发现环节变革。 AI 如何助力研发 在整个产品开发过程中提升创新力和效率 高效流程 • 正在推动从药物发现到临床前候选阶段的全面变 革 已经证实收益 AI 对药物发现时间和成本减少的潜在影 响 到临床前候选药物 (PCC) 的成本 ( 百万美 元 ) 1 临床前候选药物 (PCC) 是指在早期实验室研究和动物模型中显示出良好效果、但尚未在人体临床试验中进行测试的化合物或候选药 物 到临床前候选药物 (PCC) 的时间 ( 年 ) 基线 AI 赋能流程 基线 AI 赋能流程 基线