一场比工业革命更为深刻的人工智能革命近在眼前，不进则退，慢亦是退。当前，我国石油和化工行业已进入高质量发展的新阶段，人工智能的应用是极其重要的抓手和着力点。如何做好“人工智能+石化行业”，实现相融互促？近日，《中国化工报》专访全国政协委员、工业和信息化部原副部长王江平，就AI加速普及推动工业范式变革、石化化工行业面临的机遇与挑战、AI赋能石化化工工艺技术革新、加速推动AI在石化化工行业落地应用等话题展开深入的对话。

人工智能赋能化学工业技术革新

——对话全国政协委员、工业和信息化部原副部长王江平

一、AI加速普及推动工业范式变革

中国化工报：王江平委员您好！在2025年全国石油和化工行业科技创新大会上，您提到AI快速发展，正在推动工业范式变革。能否结合AI发展趋势谈谈这一判断的依据？

王江平：当前，全球人工智能产业显现出三大趋势。一是AI正进入普惠时代，得益于技术快速进步，大模型使用成本、算力成本等迅速下降，空间理解模型的发展推动具身智能使用合成数据训练成为可能。这些因素，正在推动人工智能从少数机构的专属工具逐渐转变为普惠性基础设施。二是开源成为最大公约数，以DeepSeek为代表的开源模式推动全球AI生态的协作与创新，正在重塑AI竞争格局。三是通用人工智能(AGI)与垂域模型两条技术路线加速发展，预计5年内有限度的通用人工智能率先发展，不断逼近与人、环境交互协同的通用智能。受此趋势影响，AI正在加速产业化落地应用，并从三个维度深刻推动工业范式变革。

首先，在“虚拟和现实”层面，AI打破两者边界，引发技术创新范式变革。传统制造业依赖物理空间试验验证，周期长、成本高、风险大;而AI连通物理与数字空间，使设计、仿真、验证等环节可在数字空间高效完成，以零边际成本、灵活构架等优势，大幅降低物理试验成本，推动技术创新从经验试错向数据驱动转变，提升效率与准确性。

其次，从“时间和空间”维度看，AI突破时空限制，推动生产制造范式变革。时间上，实现历史数据利用、生产运营优化、预测性维护的“无阈化”；空间上，达成多工厂联动、区域产能互补、产业链协同、技术能力共享及远程运维服务的“无界化”，重塑生产制造模式。

最后，针对“供给和需求”，AI打通供需隔阂，促使组织管理范式变革。不同于传统供给导向的批量生产、库存积压、层级经销、被动消费模式，在AI驱动的新型供需协同模式下，需求方可主动表达个性化需求、参与产品设计并反馈体验，供给方通过智能中枢进行数据分析、资源调配、智能决策，完成供应链协同和柔性智能制造，实现供需精准匹配与协同创新。

二、石化化工行业的机遇与挑战

中国化工报：当前石化化工行业面临哪些机遇与挑战?

王江平：概括起来，我认为石化化工行业面临“三大机遇”与“三大挑战”。

从机遇看：一是新赛道创造化工新需求。新能源、低空产业、机器人、生物制造等新兴领域将保持高速增长，高端聚烯烃、特种工程塑料、电子化学品、生物基材料等高端产品需求将更加旺盛。二是化工新工艺新产品密集涌现。AI正在推动新化学品合成，同时分子炼油、高选择性催化氧化等先进工艺技术以及反应精馏一体化、先进膜分离等过程强化技术逐步落地，绿电绿氢规模化耦合应用、非粮生物质糖化气化、二氧化碳捕集封存和利用等技术不断成熟，生物基材料等新产品将迎来重大契机。三是全球石化化工行业布局大调整。西欧、日韩等地区基础型、通用型化工产品竞争力逐渐降低，东南亚、南亚、非洲等地区经济快速发展带动这些地区的石化产业布局，催生石化化工产品需求加快增长。

从挑战看：一是全球产能加速扩张与加速释放叠加。在供给侧，亚太和中东地区一大批炼化新增产能快速释放。在需求侧，全球经济复苏步伐缓慢，我国房地产、纺织服装等下游需求增速逐步放缓。二是污染治理与减碳压力叠加。《水俣公约》《斯德哥尔摩公约》《蒙特利尔议定书》等约束增强，行业面临传统污染物与新污染物治理双重压力。受限于“富煤、缺油、少气”的资源禀赋，行业存在“达峰难”“峰值高”等问题。三是技术封锁与供应链安全叠加。关键核心技术国际竞争日趋激烈，原有的引进、消化、吸收、再创新的模式难以为继。国内部分高端化工产品不能自给，产业链供应链安全面临挑战。

中国化工报：您认为石化化工行业应当如何把握机遇、应对挑战，从而实现高质量发展?　

王江平：总体上看，石化化工行业要把握全球产业发展趋势，做好“三大转变”。一是从通用化学品向高端化、精细化、差异化转变。结构性矛盾倒逼产业升级，从以通用型产品为主，转向以创新为驱动力，加快发展服务型制造，产品结构将向高端化、精细化、差异化跃升。二是从增量扩张向存量优化转变。竞争加剧倒逼存量优化，从以新项目建设为主，转向以存量提质升级为着力点，加速绿色化、安全化、数字化转型。三是从“内卷式”竞争向构筑比较优势转变。需求增速放缓倒逼重塑全球竞争力，从以国内“内卷式”竞争为主，转向以提升比较优势为核心，充分利用国内国际两个市场、两种资源，提升产业链国际竞争力。

三、AI赋能石化化工工艺技术革新

中国化工报：在推动石化化工行业高质量发展过程中，AI能够发挥什么作用?

王江平：AI能够推动解决新工艺开发、现有工艺优化等工艺技术革新问题，这恰恰是石化化工行业高质量发展的关键核心所在。

石化化工行业是典型的流程工业，其生产工艺本质遵循“三传一反”理论，生产过程具有气—液—固多相混合、高温高压等反应条件苛刻、物质连续转化过程复杂等特点，内部机理机制不透明，生产过程普遍呈现“半黑箱”或“黑箱”状态。目前，新技术开发、现有工艺优化等工艺革新大量使用稳态假设、需要反复实验验证，导致模型难以适应复杂工况且应用验证周期偏长，影响工艺革新进程。

而AI大模型本质上是基于Transformer架构多层神经网络堆叠构建数据驱动的非线性运算，在参数规模(超万倍)、多类型数据整合、关联推理等方面具有显著优势，可基于其推理能力拟合输入(工艺参数、反应物配比等)到输出(产品收率、能效、新化合物等)的长距离和多模态数据间的映射关系，实现对复杂化工系统的可计算化，在石化化工行业工艺革新领域显示出广阔应用前景，有望在新产品新技术研发、生产制造优化、产品质量控制监测、设备故障预测维护、安全环保监测等多场景实现应用。与传统方式相比，AI将重构原材料工艺革新的底层逻辑生态，助力构建安全化、绿色化、高效化的产业体系。

中国化工报：您谈到AI助力新产品新技术研发，能否举例说明AI如何赋能创新?

王江平：一是加速新化学品发现。数年前，AI开始应用于生物和制药领域，各大药厂利用AI在原子尺度筛选目标药物分子。AI在材料科学中的应用与制药有着相同的底层逻辑，即通过AI找到原子间相互作用的求解器和模拟器。例如谷歌公司开发的用于预测无机晶体结构的GNoME模型，在短时间内发现超220万个新结构，其中38万种有望通过实验合成，超过人类过去800年的材料发现总量。北京科技大学开发的SteelBERT模型，可预测屈服强度、极限抗拉强度和总延伸率等力学性能，目前已成功预测18个不同钢种和工艺条件下的力学性能，并制备出性能优异的奥氏体不锈钢。松山湖实验室联合多家单位开发的材料科学领域智能问答助手MatChat AI Agent模型，可根据用户所询问的材料，推理出相应的制备工艺和配方。

二是推动新工艺迭代。由于化工生产工艺的复杂性，传统的新工艺开发范式是逐级开展小试、中试、工业化试验，导致新工艺研发是一个长周期、高投入、高风险的过程，寻求突破逐级放大瓶颈的新工艺开发路径是全世界化学工程师的梦想。而利用AI技术可实现知识智能检索与流程自主进化，大语言模型构建的化工专业数据库可实现跨专利文献、实验报告的多模态知识秒级检索，虚拟化工流程模拟器可实现反应器配置、操作条件与成本/安全指标的全局最优权衡，极大缩短化工工艺流程的研发周期。例如中国科学院大连化学物理研究所研发的智能化工大模型，通过解析海量文献数据自动提取反应机理，构建反应规则库，快速生成反应动力学模型，将动力学模型开发周期从年量级压缩至月量级，已经实际应用于化工项目之中。

三是推动现有工艺优化。石化化工企业传统的过程控制方式依靠人工进行，存在调节不及时、调节幅度不匹配、难以克服系统波动和外界干扰等问题，导致工艺指标波动大、运行不平稳、转化率低、能耗物耗高、产品质量不稳定等。利用AI技术，可依托实时数据库与机理-数据模型，构建“感知-认知-决策-控制”的智能闭环，实现工艺参数“卡边”操作和全过程精细化管理，推动生产装置操作模式从“人工经验守界”向“智能算法攻界”转变，实现工艺稳定性提升、资源消耗下降、生产效能突破、产品质量提升的协同优化。例如中控科技的TPT大模型，在氯碱生产环节通过对2000多个工艺变量进行隐性规律的深度挖掘实现工艺优化，较传统自动化解决方案废液处理效率提升80%、吨碱电耗降低4%。

中国化工报：在生产制造过程中，AI能够发挥哪些作用?

王江平：一是精准预防性维修。石化化工属于典型的重资产行业，装备运维是企业安全稳定运行的核心。传统装备运维以“定期检维修+故障后修复”为主，依赖人工巡检、单点阈值报警等，存在状态感知滞后、故障诊断精度低、预测性维护能力弱、备件库存冗余等痛点，导致故障误报率高、维护成本高、非计划停机频发，严重影响生产连续性和资产利用效率。利用AI技术，可实现设备机理与数据融合建模，提前开展面向高温高压环境的工况适配性验证，驱动装备运维从“被动抢修”向“预测性维护”转变，实现故障率、维修成本与资源浪费的同步削减。例如博华科技的设备运维大模型，结合2万余个实际案例建立基于故障机理研究透平机组、往复压缩机等关键设备特定故障的特征值集合，实现动设备故障预测准确率大于90%，有效降低设备非计划停车时长30%以上。

二是优化质量控制与监测。石化化工产品质量是决定企业竞争力的关键，质量控制水平是企业的生命线。传统质量控制和监测以“人工采样+实验室分析”为主，耗时长、抽检覆盖率低且无法对催化剂活性衰减等渐变式异常进行预警、追溯。利用AI技术，可对产品外观进行快速而细致的检测，并基于投料配比、反应时长等生产参数预测组分、黏度等关键指标，针对生产过程追溯质量问题的根源，实现精准预测和实时监控产品的安全性、合格率等关键指标，帮助企业能在问题发生前采取预防措施，从而提升整体的生产质量和效率。

三是促进安全生产。安全风险判别方面，石化化工生产过程风险源较多，传统的危险与可操作性分析(HAZOP)通过专家对工艺流程图的多维度分析识别生产过程中的潜在危险和操作性问题，分析周期长、劳动强度大、风险覆盖率偏低。利用AI技术，可以将专家系统、知识图谱、HAZOP分析等结合，全面提升风险判别的系统性和效率。例如清华大学将人工智能引入HAZOP分析后，分析效率提升50%，风险覆盖率从传统方法的80%提升至95%以上，漏检率显著降低。安全生产监测方面，传统的“人工巡检+固定传感器监测”方式劳动强度大、监测不全面且无法监测管壁腐蚀等渐变式风险。利用AI技术，可聚焦“人、机、料、法、环、管”等核心环节，实现安全生产关键参数的实时监测、风险评估和预测、自动化应急响应、故障分析、实时决策，增强安全生产的快速感知、实时监测、超前预警、应急处置和系统评估等能力，加速安全生产管理从静态分析向动态感知、事后应急向事前预防、单点防控向全局联防的模式转变。

中国化工报：在“双碳”背景下，AI如何助力石化化工行业绿色转型?

王江平：一是推动能源系统优化。能源优化可降低石化化工企业能源成本、减少污染物排放，是企业一项重要的综合管理内容。传统的“孤立式节能技术改造+人工工艺参数调控”方式无法应对多变量耦合场景、缺乏全局热量匹配优化。利用AI技术，可基于用能设备历史运行参数预测未来12小时能源需求，开展自适应节能控制，降低蒸汽管网压力，提升全链条能效跃升。

二是推动碳排放监测与预测。碳排放监测与预测是石化化工企业落实“双碳”战略的核心杠杆，更是安全效益与经济效益的双重防线。传统的“离散点位采样+台账式统计”方式核算数据滞后且无法追踪工艺异常波动。利用AI技术，可基于碳排放监测点数据开展装置级、设备级精准溯源与在线核算，预测指导碳资产配额申购，自动生成符合MRV(碳排放监测报告核查)标准的报告，提高核查合规性，减少人工核查时间。

四、加速推动AI在石化化工行业落地应用

中国化工报：您对于加速推动AI在石化化工行业落地应用，有哪些意见建议?

王江平：推动AI在石化化工行业落地应用是一项系统工程，应当落实《关于推动人工智能赋能新型工业化的实施意见》《原材料工业数字化转型工作方案》及石化化工行业数字化转型实施指南，充分发挥石化化工行业数据基础好、场景丰富优势，统筹布局，体系化推动。

一是以DCMM贯标为基础，全面推行行业数据治理。石化化工行业自上世纪80年代便开始了DCS系统的应用，生产运行数据积累丰富，但由于行业生产流程长、数据管理标准缺失，导致行业数据管理不规范、治理难度大。相关研究显示，化工行业中73%的企业内部数据孤岛林立，数据管理不规范。我国2018年发布国家标准《数据管理能力成熟度评估模型》(GB/T 36073-2018)，工业和信息化部正在组织有关标委会编制《石化化工行业生产运行数据管理要求》行业标准，以提升企业数据管理能力，优化数据资源利用，加快企业数字化转型。建议企业以DCMM贯标为基础，提升现有数据的规范化管理水平。

二是高标准建设石化化工细分行业数据集。数据、算法、算力是人工智能发展的三大核心要素，大规模、高质量、多样化的数据集是大模型性能突破、落地应用的关键。近年来，国家围绕高质量数据集建设开展了一系列工作部署，国家数据局等17部门联合印发《“数据要素x”三年行动计划(2024-2026年)》，强化场景需求牵引，带动数据要素高质量供给、合规高效流通。建议建设包含行业公共数据、私有数据、通识数据、专门数据、结构性数据、非结构性数据等的石化化工细分行业数据集，培育行业数据标准产业，对行业数据进行严格筛选、标注和管理，能够为行业提供丰富且专业的数据支撑，保证训练数据的质量和正确的价值取向，充分释放人工智能在各垂直行业的应用潜力，形成“数据-模型-数据”的良性循环，推动产业升级和创新发展。

三是建设行业可信数据空间。行业高质量数据集必须把隐私保护放在突出位置，可信数据空间是基于共识规则，通过高性能智能合约、多链组网架构、异构跨链交互、链上链下交互等关键技术，联接多方主体，实现数据资源价值共创、资源交互、可信管控的一种数据流通利用基础设施。建议龙头企业和行业组织牵头建设更多细分行业可信数据空间，尤其是在化工物性库领域建设可信数据空间，为人工智能预测优化提供大量化学物质的物理、化学性质数据(如密度、黏度、热导率等)，提高人工智能大模型预测优化的准确性。

四是建设行业模型/模块化场景模型。化工行业生产过程是化工单元操作的集合，各个企业的差异在于配比、工况、物性等。建议既要立足当前急需，基于通用大模型建设蒸馏、萃取、传质、分离等行业共性化工单元操作的模块化场景模型，形成“点上”赋能示范效应，通过标准化、可复用的知识内核，用预制化工单元操作场景模型搭建自身实际工艺链，实现“搭积木”式的模型调用，打造“一次开发、万企复用”的生态模式，打破行业“重复造轮子”困境，推动行业全要素生产率数量级提升;又要着眼长远发展，以高质量行业语料库训练建设支撑全行业共性需求的石化化工行业大模型，夯实“面上”垂直领域应用基础。

五是建设原材料工业AI模型检测评估生态体系。目前，相比于资金支持，行业大模型建设更需要的是认可和推广，专业、权威且具有公信力的评估评测对于增强企业使用信心至关重要。建议在行业大模型达到一定数量时，启动行业大模型检测评估工作，明确评估标准，开发自动化评测工具链，构建可实践、可度量、可扩展的评测方法，定期发布行业/企业大模型质量排行榜。

六是开展行业AI素养培训。人才是所有工作的核心，人工智能也不例外，目前清华化工已经设置了智慧化工专业。建议高校增设“人工智能+原材料”交叉学科，支持企业与高校联合培养人工智能工程硕/博士。行业数字化转型推进中心开展人工智能分层级、精准化培训，针对大型企业组织协同成本高、数据孤岛严重等困扰，向其开展先进案例分享、技术变革趋势研判、全流程工程化实训培训;针对中小企业落地效果存疑等困扰，对其开展知识普及、基本应用技能、热门模型使用等教学。

从实验室分子模拟到工厂智能控制，从碳排放精准核算到产业链协同优化，AI与石化化工行业深度融合将不断推动产业形态革新、生产效率变革。AI赋能石化化工行业高质量发展前景广阔，未来可期。