不是所有工业AI都需要大模型：小模型如何进入研发闭环

创腾科技 ·「AI 进入研发现场」系列 · 第三篇

从性能预测、实验优化到研发闭环，工程化价值不取决于参数规模

面向对象：材料化工 · 制药 · 新能源 · 电子材料研发团队

当大模型成为 AI 的主叙事，一个看似"反潮流"的问题反而更值得工业研发团队认真讨论：模型是不是越大越好？

在开放问答、知识理解和文本生成中，规模往往带来更强的通用能力。但在配方性能预测、工艺参数优化、分析方法开发、质量风险识别等任务中，企业真正需要的通常不是一个"什么都能聊"的模型，而是一个在特定产品族、特定变量范围和特定评价方法下，能够给出数值、误差与适用边界的专用模型。

核心判断　工业研发中的"小模型"不是技术降级，也不只是把大模型压缩后放到边缘端。它更常指面向具体任务构建的机器学习模型、代理模型或物理—数据融合模型。其价值不在于参数少，而在于问题边界清楚、结果可以验证、模型能够迭代，并能嵌入现有研发流程。

一、先把概念说清：小模型不是"小号大模型"

在创腾科技服务材料、化工和制药研发团队的实践中，"小模型"至少包含三类能力。

• 第一类是性能预测模型。

  输入配方组成、原料属性和工艺参数，输出硬度、黏度、附着力、收率、纯度或稳定性等指标。常见方法包括随机森林、梯度提升、支持向量机、高斯过程以及面向分子和材料结构的图神经网络。它回答的是："给定这个候选，可能得到什么结果？"

• 第二类是实验代理与优化模型。

  当一次实验昂贵、周期长、搜索空间又无法穷举时，模型根据已有实验拟合目标函数，并结合不确定度推荐下一轮最值得做的实验。贝叶斯优化属于这一类。它回答的是："在有限实验预算下，下一步做什么最有信息量？"

• 第三类是现场判别模型。

  模型接收仪器谱图、图像或传感器信号，完成缺陷识别、异常检测和状态判断。此类模型可以部署在企业服务器、私有云，也可以在需要低时延或数据不出现场时部署到仪器侧和边缘端。

三者的共同点不是"体积小"，而是任务边界明确：输入字段是什么，输出指标如何定义，误差怎样计算，超出哪些范围后结果不再可信。工业研发真正需要的，正是这种可以写进验证方案和操作流程的确定性。

图：小模型的三类能力——性能预测、实验代理与优化、现场判别

二、为什么工业研发更需要专用模型

工业研发中的工程化价值，可以从四个角度判断一个模型是否真正"可用"。

• 算得准。

  针对同一产品族训练的模型，不需要处理开放世界的所有问题，只需要学习"组成—工艺—性能"或"条件—结果"之间的定量关系。它可以输出预测值、置信区间和变量贡献，而不是只给出语言上合理的解释。

• 验得了。

  研发团队可以用留出批次、重复实验和外部验证集检验模型，并明确允许误差、失效条件和回退策略。模型是否可用，不取决于回答听起来是否专业，而取决于它在未参与训练的数据上是否仍然稳定。

• 接得上。

  一个模型只有接入实验计划、样品、仪器结果和审核流程，才能从演示变成生产力。部署在本地或私有环境，也有利于控制数据权限、版本、计算资源与响应时间。

• 改得动。

  原料批次、设备、配方平台和测试方法都会变化。专用模型可以随新增实验进行版本化重训，并通过漂移监测判断何时失效。小模型的工程化优势，本质上是迭代半径更小：问题变了，更新相应模型，不必重建整个智能系统。

三、公开案例：真正有效的模型，都在闭环里工作

案例一｜电解液配方优化　2022 年发表在 Nature Communications 的研究将机器人实验平台 Clio 与基于贝叶斯优化的实验规划器结合，在单盐、三溶剂的电解液空间中，通过 42 次实验、2 个工作日找到 6 种快充电解液候选；论文报告，相比同一自动化平台上的随机搜索，时间加速约 6 倍。[1]

这不是一个通用大模型"直接生成配方"，而是一个典型的小模型闭环：模型只负责在定义好的变量空间中学习"配方—电导率"关系，并根据不确定度选择下一实验点；机器人负责执行，实测结果再返回模型。

案例二｜电池快充协议　2020 年 Nature 论文针对 224 个候选快充协议，将早期寿命预测模型与贝叶斯优化结合，用前若干循环预测最终循环寿命，再由优化算法选择下一批协议。研究在 16 天内识别出高寿命协议；若不使用早期预测、按穷举方式完成同等搜索，论文估算需要 500 天以上。[2]

这个案例的启示在于：小模型不一定直接寻找最终答案。它也可以先替研发团队缩短一次实验的反馈周期，再让另一层优化模型减少实验数量。

案例三｜液相色谱方法开发　Analytical Chemistry 发表的 AutoLC 工作把峰识别、保留模型和贝叶斯优化连接到液相色谱系统。算法根据上一轮原始数据更新模型，并自动设置下一组梯度参数；在论文测试的两种策略中，目标函数在 4—10 轮参数迭代内达到最优。[3]

这类场景与药物分析方法开发非常接近：模型的任务不是替代分析人员做合规判断，而是快速提出候选条件，让专家把时间集中在方法稳健性、适用性和风险评估上。

边界说明　以上论文案例都在特定设备、样品、变量空间和目标函数下完成，不能把"42 次""16 天"或"4—10 轮"直接承诺给其他产品线。可复用的是方法：定义边界、建立代理模型、选择下一实验、回流实测结果，而不是照搬案例数字。

四、从创腾科技的视角：模型只是闭环的一段

很多 AI 项目止步于演示，并不是算法不够先进，而是模型之前没有可训练的数据，模型之后没有可执行、可回流的实验流程。创腾科技把工业研发小模型的落地拆成三层。

• iLabPower 解决"数据从哪里来"。

  通过项目、ELN、DOE、样品、物料与仪器连接等模块，记录配方版本、原料批次、操作条件、测试方法、结果和审核状态，让一次实验的上下文完整、可追溯。

• SDH 解决"数据能不能用"。

  它将分散在业务系统、仪器文件和历史文档中的数据抽取、清洗、对齐和关联，统一物料、指标、单位与实验关系，形成面向产品族的数据集。没有这一步，模型很容易把命名差异、漏项和批次变化当成规律。

• MaXFlow 解决"数据如何转化为决策"。

  平台支持数据探索、特征处理、机器学习与深度学习建模、模型评估和性能预测，也可通过 EDBO（Experimental Design based on Bayesian Optimization）在多目标约束下推荐下一轮实验。已有实验数据可用于更新代理模型，新结果继续进入后续迭代。[4]

一条完整链路　iLabPower 记录与执行 → SDH 治理与融合 → MaXFlow 建模、预测与 EDBO 推荐 → 实验验证 → 结果回流。

图：iLabPower、SDH、MaXFlow 三平台协同的研发闭环

五、两个创腾客户案例：先把数据链打通，再让模型进入项目

水性涂料研发｜廊坊金汇利　根据创腾科技公开案例，金汇利围绕水性树脂和水性漆研发引入 MaXFlow、iLabPower 与 SDH：MaXFlow 用于分子模拟、AI 建模和 EDBO 配方优化；iLabPower 承接项目与实验记录；SDH 汇聚和治理研发数据。公开材料显示，EDBO 已进入多个水性涂料配方项目的实际验证阶段。这里值得关注的不是未经跨项目验证的效率数字，而是企业把资深工程师经验、历史记录和新实验放进同一条可迭代链路。[5]

OLED 与光刻胶材料｜北京鼎材科技　创腾科技公开案例显示，鼎材科技在原有项目管理与 ELN 基础上，进一步部署物料、化合物、仪器连接、SDH 与 MaXFlow，面向 OLED 和光刻胶材料形成从实验记录、配方工艺数据汇总到 AI 实验设计的平台组合。[6]

这两个案例说明，工业研发的小模型通常不是独立采购、独立运行的"算法盒子"。模型是否能长期产生价值，取决于数据是否持续进入、结果是否经过审核、版本是否可追踪，以及建议能否回到真实项目中被验证。

六、大小模型不是二选一，而是分工

强调小模型，并不意味着否定大模型。两者解决的是不同问题。

• 大模型更适合知识与交互层：

  理解自然语言需求，检索历史项目和文献，调用工具，生成实验方案草案，解释结果并整理报告。它擅长把复杂问题组织起来。

• 小模型更适合计算与决策层：

  预测数值、判断类别、估计不确定度、搜索候选空间、优化多目标。它擅长在明确边界内把一个问题算清楚。

• 研发流程负责验证层：

  专家定义目标与约束，系统安排实验与样品，仪器产生实测数据，审核后的结果决定模型建议是否成立。

更稳妥的工业智能架构　大模型负责"理解和编排"，小模型负责"预测和优化"，业务系统负责"执行和留痕"，专家负责"边界和责任"。任何一层都不能单独替代其余三层。

七、企业怎样选择第一个小模型场景

从"上什么算法"出发，往往会把项目拖入数据准备不足的困境。先把"做什么问题"和"怎样验收"想清楚，再选算法和工具，路径才走得通。

1. 第一步，从"解决哪个高频、昂贵、可量化的问题"开始。

   一个产品族、一个性能指标、一个稳定测试方法，往往比覆盖全公司的宏大目标更容易成功。

2. 第二步，确认训练与验证数据是否同口径。

   配方、原料批次、工艺、样品制备、测试条件和失败记录缺一不可。数据量有限可以做窄场景模型，但数据口径混乱不能靠算法弥补。

3. 第三步，把验收标准写在建模之前。

   至少应包括留出批次误差、不确定度是否可信、重复实验一致性、适用域、模型版本和人工回退机制。训练集上的高拟合度不能作为上线依据。

4. 第四步，先影子运行，再进入决策链。

   让模型在一段时间内并行给出预测或实验推荐，由研发人员对照真实结果评估；只有当效果、边界和责任都清楚后，才逐步扩大使用范围。

结语：工业 AI 的竞争，最终是"把一个问题持续算准"

工业研发并不缺可以展示能力的模型，缺的是能进入项目、经受验证、持续更新的模型。

小模型的工程化价值，不在于与大模型比较参数规模，而在于把企业的配方、工艺、分析和质量问题转化为可计算的任务；把一次次实验转化为可复用的数据；再把模型建议放回真实研发流程中验证。

当 iLabPower、SDH 与 MaXFlow 把数据采集、治理、建模、实验设计和结果回流连接起来，小模型就不再是一份离线报告，而会逐步成为企业研发知识可以运行、可以评估、可以迭代的一种形式。

参考资料

[1]　Dave 等，Autonomous optimization of non-aqueous Li-ion battery electrolytes via robotic experimentation and machine learning coupling，Nature Communications，2022。

[2]　Attia 等，Closed-loop optimization of fast-charging protocols for batteries with machine learning，Nature，2020。

[3]　Bos 等，Chemometric Strategies for Fully Automated Interpretive Method Development in Liquid Chromatography，Analytical Chemistry，2022。

[4]　创腾科技，MaXFlow 3.10 EDBO 多目标贝叶斯优化功能说明。

[5]　创腾科技，廊坊金汇利"数据+模型"水性涂料智能研发案例。

[6]　创腾科技，鼎材科技 OLED 与光刻胶材料研发数字化、智能化案例。

说明：论文案例用于说明专用模型与闭环实验的方法，不代表创腾产品在其他体系中必然取得相同结果；创腾客户案例信息来自公司公开材料，具体成效应以项目范围、验收口径和客户确认结果为准。

欢迎交流: 想判断您的研发场景是否适合从小模型开始？欢迎联系我们，创腾科技可结合一个具体产品族、现有数据量、实验周期与验收指标，协助梳理从数据准备到 MaXFlow 建模或 EDBO 优化的试点路径。