本篇文章是 AI 系列深度报告第二篇，着重从 AI for Science 的演变，化工落地角度，应用切入口等进行分析，AI4S从效率工具升级成为智能辅助，在 AI 传统关注的硬件、软件之上，更多聚焦化工的应用层研究。我们从几个维度进行了方向性梳理：①AI4S 发展演进，开始逐步形成了专业服务和内生研究两大方向；②AI4S 先期落地解决行业痛点着重关注三个维度；③创新应用中梳理出六大方向或赛道，优化改进能够有三个维度的赋能；④高质量数据的积累和获取成为拉大企业差距的重要方向。
投资逻辑：
当前 AI 赛道正在快速迭代发展，我们认为 AI for science（AI4S）将对化工行业未来的竞争格局产生重大影响，本篇报告主要介绍了当前 AI4S 当前发展阶段，分析化工行业哪些赛道有望率先实现突破，论述化工企业应用 AI 中短期主要痛点和突破点，主要得出以下结论：
1、 科学研究迎来“智能体主导”的新范式，已从学术层面跨入到商用层面
AI4Science 正在步入“多模态大模型+自动化实验”时代，“自驱动实验室”（Self-DrivingLab）等多智能体协同平台正加速发展。未来，AI 将与机器人实验密切配合，人机协同进行全流程闭环科学研究。当前 AI4S 已经从学术层面跨入到商用层面并产生实际的经济效益，不过并没有形成较为成熟的商业模式，业界普遍沿用合作研发模式、自主研发模式及混合模式。我们认为未来大型机构将会以混合模式为主，比如大型企业或国家级实验室可能建立自己的 AI研究平台（内部自主开发），同时对外开放部分能力，与高校、初创企业共建创新网络。小型企业则倾向于使用这些开放或商业化平台，采用合作研究模式。
2、创新应用中梳理出六大方向，实现智算平台的产品兑现；优化改进能够有三个维度的赋能，带动中长期的设备升级投资
以 AlphaFold2 为例，我们总结出 AI4S 应用场景的 3 类特点：①长研发周期与高成本。②数据驱动与大规模计算。③高维度设计空间。在创新研发维度，生物发酵行业菌株筛选和流程优化，新型材料的应用和适配，农药创新药等药剂产品的开发，辅材催化剂、添加剂等的升级优化及后续产物分离，微观结构带来的材料升级，配方设计、升级和应用6 大方向将率先实现突破；而在优化改进方向，重复环节人工替代或者关键、危险环节检测，生产过程的智能优化，给予充分、实时市场信息进行的资源调配 3 个维度可以进行优化，从而带动局部的设备投资。
3、AI 布局进程将逐步拉大化工企业头尾部企业的差距，其中高质量数据是决定性因素
人工智能系统的性能取决于其所依赖的数据，高质量数据将是拉开化工企业 AI 布局的关键。在化工领域看，高质量数据更多偏向私有化，多数企业自身积累的数据极为有限，能够进行自身赋能的相对较少。因而从数据的角度看，历史管理相对规范的头部企业、有先期的战略规划能够有效外部合作的细分龙头、能够结合“机器人”和“智算平台”的生产企业有望可以获得持续 AI 竞争力。
投资建议：
AI 垂类应用正加速向化工全链条渗透：设备端聚焦“AI+机器人”高危巡检；研发端看好“AI+自动化实验”驱动的分子发现及工艺优化；产品端关注 AI 辅助配方升级与新材料迭代。
风险提示：
技术快速迭代导致前期投入沉没成本风险；化工新材料验证周期长，若性能不达预期可能导致商业化验证风险；数据合规风险；高端人才争夺风险；当前 AI4S 标的交易拥挤度较高，存在估值回调风险
微信扫一扫-立即使用
