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

塑造未来18个月人工智能驱动转型的战略重点 人工智能正从概念验证阶段发展到企业级部署 3. 人工智能从测试和试点转向各行业的战略性、生产就绪型应用 组织正从广泛实验转向具体、高价值 2. 用例 从炒作转向专注：经过验证、可衡量的应用取代了漫无目的的实验 5. 语义建模、对话智能和治理正成为关键的不同点 定义可扩展性、信任和负责任的人工智能采用的隐藏促进因素 结论：基础决定未来 前方的三条道路以及为什么坚实的基础决定了你选择哪一条 的数据是孤立的、难 以修改、难以访问、 管理方式成为瓶颈， 并且局限于狭隘的应 用场景，那么就很难 取得进展。” 1 2026年人工智能的成功将是由数据基础设施驱 动，而非新模型 如果2025年是人工智能实验之年，那么2026年将是基础核算之年。目前最 高投资回报率的技术投资是数据基础设施，而不是最新的AI模型。构建合 适的管道、建立清晰的公司级数据管理方法，并使数据高度可用且尽可能 接近实时，代表着最佳的回报率举措 t等工具 ，但缺乏适当的访问权限和治理，导致员工之间意外共享敏感信息。这并 非真正的人工智能问题，而是数据权限和治理的失败。在准备人工智能时 ，强大的治理框架需要成为优先事项。 2 组织正从广泛的实验转向具体的高价值用例 该模式在各行业重复出现。航空公司需要数据共享平台，以实现与第三方实 体的合作。在媒体和娱乐行业，投资将人工智能与强大的数据管理相结合， 能够带来切实的成果，包括超个性化的客户体验、内容与受众趋势的先进分

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

交互性 智能化 网络化 虚拟化 未来教室 案例：南方科技大学附属实验学校 信息化应用环境建设 自带设备学习 （ BYOD ） 新技术全学科运用 我们以云计算为基础，在语文、数学、英语、音乐、美术、科学等 学科中开展基于移动终端的云学习，并借助无线互联网和智能移动 终端，进行教学创新，以期探索出具有南方科技大学实验学校特质 的信息化教与学模式。 配备 PAD 移动终端（板书、分 享、评价、展示） STEAM 学习实验室 STEM 学习实验室2 充分激活学生潜能与创意，促进数字技术和 个人制造的有效融合，让学生有更多的实践动手 的机会，我们高标准建设“ STEM 创新学习实验 室” ，让学生在实践操作中开展创客式学习，培 养学生创新能力。  S 学习实验室 （ 科学 Science ）  T 学习实验室 （ 技术 Technology ）  E 学习实验室 （工程 Engineering Engineering ）  A 学习实验室 （艺术 Arts ）  M 学习实验室（ 数学 Mathematics ） 正在建设中…… + Learning Laboratory Learning environment 变换学习 组织形式 （桌椅文化） 根据教学内容和学生学习需求，适时调整变换教学 组织形式，提升学习效率。如，扇形、马蹄形、半圆 形、圆形等座位排序，便于学生讨论交流，缩短师生、

.................................................................................. 16 图 14 晶型预测与实验研究时间流程对比 .......................................................................... 16 图 15 逆向合成流程概述 。平均而 言，药物开发需要 2 亿美元的投资，需要 10-15 年才能完成开发创新药物的整个过程， 从研发到营销。AI 制药是以医药大数据为基础，通过运用机器学习、深度学习等 AI 技术 替代大量实验，对药物结构、功效等进行快速分析，以优化药物研发环节的技术手段。 从初期计算机辅助药物设计，发展到如今的人工智能药物研发，AI 几乎参与了从药物靶 点发现到临床试验的全流程。 AI 制药技术发展历史： 员会等 9 部门 《“十四五"医 药工业发展规 划》  探索人工智能、云计算、大数据等技术在研发领域的应用，通过对生 物学数据挖掘分析、模拟计算，提升新靶点和新药物的发现效率。  在实验动物模型构建、药物设计、药理药效研究、临床试验、数据分 析等环节加强信息技术应用,缩短研发周期,降低研发成本。 2022.05 国家发展改革委 《“十四五"生 物经济发展规 划》 

拓扑量子计算(Topological Quantum Computing）：基于 任意子（Anyons） 等拓扑准 粒子的非阿贝尔统计特性，理论上具有 天然抗干扰能力 ；理论上容错性好、抗噪声； 尚未实验中观测到稳定任意子、技术存在挑战 量子计算浪潮下的全球竞速 7 代表企业 硬件技术路线 • Google：2019 年，推出53 比特的超导量子处理器 “Sycamore” 在约 200 阿里巴巴达摩院 ：早期投入 超导量子比特算法及其应用； 2018年推出“太章”量子电 路模拟器，率先成功模拟81 比特谷歌随机量子电路。 2023年宣布撤裁量子实验室， 将设备捐赠给浙江大学 • 腾讯 ：于 2018 年成立 量子 实验室（Tencent Quantum Lab）布局量子算法、量子 人工智能（Quantum AI）、 量子安全与密码学、量子云 计算与平台整合等，与本源 量子等国内企业合作开发超 正式发布了基于“天衍504” 超导量子计算机的芯片系统 • 百度：通过量子机器学习、 量子 AI 探索应用层机会， 尚未涉足硬件；2024年百度 将量子实验仪器设备将捐赠 予北京量子信息科学研究院 *猫量子比特技术：这种以薛定谔著名思想实验命名的量子比特，利用量子谐振器的相干态作为逻辑状态，对环境中的某些类型错误具有天然的抵抗力 目录 03 02 量子计算对金融业的挑战与应对 04

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

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