Deepseek+机器人，化工的时代大考

微信扫码，打开到小程序

请务必阅读报告末页的重要声明 glzqdatemark1 证券研究报告 行业研究|行业深度研究|石油石化 Deepseek+机器人：化工的时代大考 2025年02月14日 |报告要点 |分析师及联系人 证券研究报告 请务必阅读报告末页的重要声明 1 / 29 AI+机器人正深刻变革化工行业，有望带来效率革命。传统化工研发依赖“试错法”，周期长、 成本高，而 AI 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， 以应对挑战，把握发展机遇。 许隽逸 张玮航 陈律楼 黄楷 SAC：S0590524060003 SAC：S0590524090003 SAC：S0590524080002 SAC：S0590522090001 陈康迪 请务必阅读报告末页的重要声明 2 / 29 行业研究|行业深度研究 glzqdatemark2 石油石化 Deepseek+机器人：化工的时代大考 投资建议： 强于大市（维持） 上次建议： 强于大市 相对大盘走势 相关报告 1、《石油石化：对美关税反制如何影响能 化？ 》2025.02.05 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 来，很可能呈现“AI 驱动者胜出，迟疑者淘汰出局”的两极分化格局。传统化工研发依赖“试 错法”，周期长、成本高。如果以第一性原理为基础，一旦将人工智能（AI）和机器人技术融 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 等顶尖 AI 工具有望通过以下方案突破瓶颈： 1.跨尺度建模误差控制：微观层面，从每个原子之间相互作用力的计算误差；到介观层面， 微小的孔洞结构或者材料密度变化对材料强度带来影响；再到宏观层面，在实验室小试成功， 但是规模化生产却完全失败，此类风险与跨尺度误差累积紧密相关。目前的最新研究显示， 类似 Deepseek 这类 AI 工具可以在粗糙尺度、中间尺度以及全原子尺度建模，在耗时和精准 性上相较于传统方法显示出显著优势。 2.分子动力学加速：分子动力学需要模拟分子在不同条件下的行为，比如温度、压力下的动 态变化，AI 可以通过不仅限于机器学习力场（MLFFs）、增强采样方法、粗粒化模型等手段大 幅加速分子动力学的研究。例如 AI 2BMD 系统在精度相同的情况下，实现了超过 100 万倍的 模拟加速，并将误差减少了 10 倍以上。 3.小样本强化学习：在有限的实验次数、原材料等条件下，AI 通过机器强化学习以及推理， 使得能够在少量实验数据的基础上，快速学习到如何调整配方和条件以提高反应效率。比如 Wen 等在 Al-Co-Cr-Cu-Fe-Ni 系统中搜索高硬度的 HEAs 时，仅用 155 个初始样本，经 7 轮 主动学习迭代，就获得了硬度提升显著的合金。 4.高通量机器人验证：传统化工材料的研发，科学家需要从成千上万种化合物的效果进行筛 选，可能需要研究人员手动对每个化合物进行测试，这不仅耗时耗力，而且可能会因为人为 因素出现遗漏或错误。而高通量筛选技术可以在短时间内对大量化合物进行自动测试，例如 阿姆斯特丹大学开发了一种集成人工智能机器学习单元的机器人 RoboChem，一周内， RoboChem 可以优化大约 10 到 20 个分子的合成，而对于研究人员手动来说，这通常需要几 个月的时间。 5.产业知识图谱构建： AI 可以自动从互联网、企业数据库等多个数据源中抓取相关的化工 数据。接下来通过机器学习，可以对收集到的数据进行清洗和修复。通过建立数据模型，算 法可以识别出数据中的错误、重复和异常值，并进行自动纠正，找出可能存在错误的记录， 甚至通过推理发现数据之间的逻辑关系，补充缺失的数据。比如潘锋教授团队构建了锂离子 电池正极材料知识图谱，并预测出潜在的正极材料 Li₂TiMn₃O₈。 ➢ 高通量机器人+AI 驱动的生产流程革命：成本与精度双突破 AI 可以对生产流程进行全方位的“管理”和优化。比如原材料的成分、用量，生产设备的运 行参数，环境温度、湿度等，进而通过机器强化学习结合高通量机器人实验，相比“人工试 错法”，找到生产过程中的最优解，精确地控制生产过程中的各个参数的能力或呈指数级提 升，生产过程的损耗也有望大幅降低的同时产品合格率也有望得到大幅提升。AI 还可以实 时监测设备的状态，提前发现潜在的故障隐患显著降低化工设备的故障率和企业的事故率。 例如 LG CNS 利用 AutoML Vision Edge 创建制造智能解决方案，可检测装配线上从 LCD 屏幕和光学薄膜到汽车面料等所有物品的缺陷。AutoML Vision Edge 将缺陷检测准确率提 高了 6%，并将设计和训练 ML 模型的时间从七天缩短到几个小时。 ➢ AI 驱动的材料创新正在打破传统技术壁垒 我们认为，在 AI+机器人时代，“白痴指数”越高的化工材料面临 AI+机器人的冲击或越严峻。 产品的成本相比制造该产品的原材料成本的比例即为马斯克提出的“白痴指数”，在 AI+机器 人时代，高“白痴指数”意味着其生产过程有很大的优化空间，AI 技术更容易在这些材料的 研发和生产中发挥作用，找到低成本的替代品。而对于一些白痴指数较低的化工材料，如部 分成熟化工产品或者已近处于严重过剩的化工品，其生产工艺已经相对成熟，生产过程简单 高效，受到 AI 冲击或相对较轻。例如谷歌 DeepMind 利用材料探索图形网络(GNoME)，使得 稳定晶体发现数较过往提升一个数量级；美国加州大学伯克利分校团队利用自动实验室系 统，在 17 天内成功合成 41 种目标材料，成功率超 7 成。 ➢ 化工企业的时代大考： 如何应对 AI+机器人大时代？ 我们认为：AI+机器人大时代给传统化工企业带来了巨大的生存挑战，但同时也蕴含着无限 的发展机遇。只有通过加强 AI 技术的应用与研发投入、培养和引进 AI 人才、推动企业数字 化转型以及关注行业动态等措施，化工企业才能够在这场时代大考中实现转型升级，实现可 持续发展。在未来的化工行业竞争中，只有积极拥抱变革，勇于创新的企业才能立于不败之 地。 ➢ 投资建议：捕捉 AI+机器人时代的化工投资机遇 我们认为 AI+机器人大概率将带来化工行业的效率革命，化工行业在不久的将来，很可能呈 现“AI 驱动者胜出，迟疑者淘汰出局” 的两极分化格局。建议重点关注两类企业：一是积 极搭建 AI 研发团队、投入大量资源探索 AI 与化工融合路径的企业；二是已经将 AI+机器人 应用于生产，实现成本显著降低、产能明显提升的企业。 风险提示：技术发展不及预期；数据风险共享偏差；市场竞争加剧；政策不确定性。 -10% 3% 17% 30% 2024/2 2024/6 2024/10 2025/2 石油石化 沪深300 2025年02月14日 请务必阅读报告末页的重要声明 3 / 29 行业研究|行业深度研究 正文目录 1. 新材料预测的挑战与 AI 的破局方案：数据+算法的双重赋能 ............... 5 1.1 跨尺度建模误差控制 .......................................... 6 1.2 分子动力学加速 ............................................. 10 1.3 小样本强化学习 ............................................. 11 1.4 高通量机器人验证：大幅提升新产品的研发速度 .................. 14 1.5 产业知识图谱构建 ........................................... 16 2. 高通量机器人+AI 驱动的生产流程革命：成本与精度双突破 .............. 19 2.1 AI 优化生产流程，降低成本与损耗............................. 19 2.2 AI 赋能制造环节，提升精度与效率............................. 19 3. AI 驱动的材料创新正在打破传统技术壁垒 ............................. 20 3.1 通过深度学习发现新材料 ..................................... 21 3.2 根据应用需求直接生成新材料 ................................. 23 3.3 AI+机器人结合开发自动实验室系统............................. 25 3.4 AI 驱动的材料创新正在打破传统技术壁垒 ....................... 26 4. 投资建议：捕捉 AI+机器人时代的化工投资机遇 ........................ 27 5. 风险提示 ......................................................... 28 图表目录 图表 1： AI+机器人效率革命示意图 ....................................... 6 图表 2： AI+机器人效率革命示意图 ....................................... 6 图表 3： 基于机器学习的跨尺度技术：分子动力学与有限元（FEM）的耦合 ..... 7 图表 4： 有限元结构和分子动力学上的初始原子构型示意图 .................. 8 图表 5： 石墨烯薄片分析动力学仿真的研究示意图 .......................... 9 图表 6： 跨尺度建模系统 MuMMI 示意图 ................................... 9 图表 7： ML-AIMD 方法流程示意图 ....................................... 10 图表 8： AI 2BMD 系统流程示意图 ........................................ 11 图表 9： 材料科学中机器学习的发展趋势和小数据集 ....................... 12 图表 10： 小样本学习方法及相关案例 .................................... 13 图表 11： 基于 RL 的拓扑优化可以根据特定应用需求预测改进的超材料设计 ... 14 图表 12： 近距离展示了单个光反应器小瓶从机器人底座转移到光反应器块的过程 ..................................................................... 15 图表 13： 近距离展示了 NMR 样品架从 Chemspeed 转移到台式 NMR 的过程 ... 15 图表 14： RoboChem 试验流程 ........................................... 16 图表 15： 材料知识图谱的架构 .......................................... 17 图表 16： 材料知识图谱在锂电池材料预测中的应用（以 LiFePO4的发展里程碑为例） ..................................................................... 18 图表 17： 材料知识图谱用于锂电池正极材料的发现 ........................ 18 图表 18： 人工智能在制造生产过程中的运用 .............................. 19 图表 19： AI 在工业中的各类运用 ....................................... 20 图表 20： 科学方法的进展 .............................................. 21 请务必阅读报告末页的重要声明 4 / 29 行业研究|行业深度研究 图表 21： GNoME 利用图形网络进行材料探索 .............................. 22 图表 22： GNoME 使材料发现实现数量级突破 .............................. 22 图表 23： 材料设计筛选方法和生成方法示意图 ............................ 23 图表 24： MatterGen 可根据不同设计要求对模型进行微调 .................. 24 图表 25： MatterGen 明显优于传统筛选方法 .............................. 25 图表 26： AI 指导机器人制造新材料 ..................................... 25 图表 27： A-Lab 合成成功率可超 7 成 .................................... 26 图表 28： 技术驱动加速发现周期 ........................................ 27 请务必阅读报告末页的重要声明 5 / 29 行业研究|行业深度研究 1. 新材料预测的挑战与 AI 的破局方案：数据+算 法的双重赋能 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： 多尺度复杂性：材料的特性往往源于跨多个尺度的相互作用——从电子在量子层面 的行为到我们在宏观层面观察到的性质（例如强度、电导率）。准确建模这些相互作 用在计算上十分困难。材料在宏观层面所表现出的特性（如在应力下的弯曲程度）是 其微观结构（原子排列、键合方式），甚至更细致的亚微观特征（电子分布）共同作 用的涌现性质。要正确捕捉各个尺度之间的相互影响，以及它们如何在整体上决定最 终材料性能，仍然是巨大的难题。传统方法往往将不同尺度割裂开来进行处理，容易 导致误差或不精确。 实验验证滞后：在过去，一种新材料从理论上提出（通常基于理论计算）到实际合成 并进行测试，需要耗费很长的周期。这是一个反复迭代的过程，合成本身可能十分困 难，需要特定的设备与专业技能；材料特性表征（测量材料性能）也需要多种手段， 每一种都需要时间和资源。如果发现材料的实际性能达不到预期，就必须重新开始新 一轮设计与试验，导致周期冗长、成本高企。 通过以类似 Deepseek 这类顶尖人工智能（AI）技术与机器人技术相结合，正在从根 本上改变传统的化学研发流程。这场变革贯穿整个研发管线——从小规模实验室中 最初的假设生成与分子设计，到工业规模生产中的工艺优化和质量控制。关键在于通 过数据驱动洞察与自动化实验及制造的协同整合，实现研发效率与成果的飞跃。 请务必阅读报告末页的重要声明 6 / 29 行业研究|行业深度研究 图表1：AI+机器人效率革命示意图 资料来源：《An autonomous laboratory for the accelerated synthesis of novel materials》-Nathan J. Szymanski 等，《Accelerating materials discovery using artificial intelligence, high performance computing and robotics》- EO Pyzer-Knapp 等，国联民生证券研究所 图表2：AI+机器人效率革命示意图 资料来源：《An autonomous laboratory for the accelerated synthesis of novel materials》-Nathan J. Szymanski 等，《Accelerating materials discovery using artificial intelligence, high performance computing and robotics》- EO Pyzer-Knapp 等，国联民生证券研究所 1.1 跨尺度建模误差控制 在微观层面，原子间相互作用力的计算存在误差；介观层面，材料中细微的孔洞结构 变化或材料密度改变，均会对材料强度产生显著影响；宏观层面，实验室小规模试验 成功但大规模生产失败的风险，与跨尺度误差的累积紧密相关。 当前工业应用中，大多采用现象学建模。该建模方式主要基于对现象的直接观察与描 请务必阅读报告末页的重要声明 7 / 29 行业研究|行业深度研究 述构建模型，并不深入探究现象背后的微观机制或基本原理，重点在于捕捉、解释可 观测的现象、行为及关系，通过归纳、抽象等方法，将所观察到的现象特征和规律以 数学、逻辑等语言表达出来。 采用机器学习（ML）建模，有望提供一种隐含的跨尺度技术。相较于传统现象学建模 方法，该技术在运算速度上具有显著优势。在由分子动力学仿真构建的数据库上对神 经网络进行训练，具