工信部定调：研发的“指挥权”交给AI4S！“先建系统，后上AI”的时代结束了

关注

原创最新推荐文章于 2026-11-13 17:46:27 发布 381 阅读 AI 写同款· GEO 优化 ›

数字化转型进入深水区的今天，制造业与高精尖领域的企业正面临一场前所未有的战略抉择。当AI for Science（AI4S）从科研前沿走向产业腹地，科学与工程的底层逻辑正在被重新定义。

在十四届全国人大四次会议的首场“部长通道”上，工业和信息化部部长李乐成明确指出，“人工智能+制造”已不再是一项可选的“选择题”，而是一道关乎企业生存与发展的“必答题”。对于生命科学与材料科学领域的企业而言，这道题的解法，正隐藏在AI4S所驱动的研发范式根本性转变之中。

过去三十年，企业数字化的焦点在于“信息化”，即通过IT系统固化业务流程以提升运作效率。但在AI时代，旧有的线性逻辑已被彻底颠覆。传统的电子实验记录本（ELN）、实验室信息管理系统（LIMS）等系统，其终极使命已转变为为AI4S模型提供高质量、结构化、可追溯的科学数据底座。真正的“人工智能+”，要求企业不再满足于工具层面的迭代，而是走向以科学智能（AI4S）为核心驱动力的全栈式重构——让数据不仅被“记录”，更能被“理解”；让模型不仅会“计算”，更能懂“机理”。

分子原子尺度下的AI4S与“干湿闭环”

随着科学研究深入到分子和原子这一微观水平，传统的实验试错模式正在遭遇效率与成本的极限瓶颈。人工智能驱动的科学研究（AI4S）因此应运而生。

在这一微观探索中，双模型协同成为了核心计算逻辑：

物理模型（机理与精度的基石）：基于量子力学（QM）或分子力学（MM）提供极高精度的属性预测，尽管在处理大尺度体系时计算速度受限。
AI模型（效率与泛化的加速器）：通过学习历史积累的实验数据和物理模拟产生的高精度模拟数据，AI能在保持接近量子物理精度的同时，将计算速度提升数个量级。

科研范式的演进随之催生了“干湿结合”的深度联动模式：

干实验室（Dry Lab）：利用物理与AI双模型协同，在虚拟空间内进行超大规模的筛选、预测与生成式设计。
湿实验室（Wet Lab）：由自动化实验室或研发人员验证“干实验”的预测，并将包含正负样本的反馈数据回传，形成“数据生成与推断飞轮”。

战略重构：让AI从“辅助插件”进化为“决策大脑”

在这场变革中，企业决策者必须打破“先建系统、后上AI”的传统线性思维。在顶层设计中，AI不再是处于数字化末端的“插件”，而是研发全生命周期的“指挥官”。

1.预测先行，实验验证：AI不再被动等待信息化系统喂养数据，而是在研发起点即使用AI模型设计目标分子或界定实验空间。这种架构将新药或新材料的研发周期从传统的4-5年压缩至12个月内。

2.设计即结构化：系统建设之初便以“机器可读”为最高准则。实验参数与谱图在产生瞬间即被转化为AI可理解的张量（Tensor）数据，消除数据治理的“滞后性”。

3.全感知采集与跨系统互操作：信息化底座如同AI的触角，打破ELN、LIMS、LES之间的壁垒，形成统一的科学数据湖。每一次原始数据采集都具备完整的上下文和严密的审计追踪，为AI的鲁棒性提供保障。

破局之道：创腾科技的三大AI原生平台

为了实现“人工智能+”的顶层战略，创腾科技构建了由MaXFlow、SDH和iLabPower协同构成的技术架构。这是一套“决策（Core）-治理（Hub）-感知（Edge）”的闭环体系：

MaXFlow（智能化创新的“总指挥部”）：作为驱动整个体系运转的“决策大脑”，它从传统的“实验发现结果”转变为“模型预测方向”。通过智能体（Agent）驱动，复杂的算法被封装为科研人员触手可及的助手。
SDH（科学数据基因组平台）：它是连接决策中心与实验现场的“神经中枢”，专门解决获取“AI-Ready”数据的痛点。SDH将零散数据转化为具有深层上下文的结构化资产，并融合公共数据库建立支撑AI决策的“科学知识图谱”。
iLabPower（数字化研发感知底座）：作为整个架构的“触角与手脚”，它实现了源头即结构化的高保真记录。它是MaXFlow“决策大脑”的执行终端，在满足严苛合规要求的同时为AI模型提供坚实底座。

企业数字化战略的新路径：AI领航的顶层重构

在AI时代，数字化转型必须遵循“AI目标定义->科学数据资产化->高保真数据采集”的顶层驱动路径，而创腾科技AI原生的三大平台为这一新路径提供了坚实的路基：

第一阶段：

AI驱动的顶层设计与能力定义（以MaXFlow为核心）

战略设计的起点不再是上线ELN，而是定义AI智能体（Agent）的作战目标。决策者首先确定核心AI应用场景并建立初始预测框架（场景发现与建模）。通过确立“模型预测方向，实验验证结论”的新常态，标杆企业实践表明，这种模式能显著降低30%-40%的实验重复率。

第二阶段：

科学数据资产化与语义融合（以SDH为桥梁）

为了支撑AI目标的实现，需要将碎片化数据转化为可训练的资产。利用SDH平台打破部门界限构建“数据基因组”，将合成、制剂、分析测试的数据进行跨域关联。同时通过自动化的数据清洗、索引与资产化建立过滤器与模型库，确保训练数据的准确性与可追溯性。

第三阶段：

高保真感知与结构化执行（以iLabPower为底座）

当AI目标和数据架构明确后，通过信息化底座实现高频次的“高质量数据回补”。通过iLabPower不仅记录成功的实验，更强制捕获失败的“负样本”，这对于提升AI模型的鲁棒性至关重要。结合RegMS等工具一站式管理研发成果，并建立严密的审计追踪，确保每一条喂给AI的数据都具备科学真实性与法律效力。

行业标杆：鼎材科技的“干湿闭环”实证

北京鼎材科技在光电材料领域展示了以AI为核心的完整业务闭环：在设计初期，利用MaXFlow智能体在数百万量级的空间内预测OLED材料的性能分布，锁定高潜结构；方案下发后，通过iLabPower体系进行高保真实验记录并在量产基地执行数字化生产记录，验证预测精度并确保工艺确定性；最终，通过SDH平台跨域对比实测数据与AI预测模型，精准识别影响性能的关键工艺因素，优化下一代产品的AI设计模型，实现持续迭代。