AI4S 多行业有应用空间，但个体差异仍然明显
思瀚产业研究院    2025-08-13

1、高质量数据及应用将大幅拉开头尾部化工企业的差距

伴随 AI 效率的持续提升，过去已经存在的公开数据已经有了充分的学习和利用，AI 的升级利用进入到专业化领域。近年来 AI 的效率在持续提升，已经公开数据的学习已经基本接近尾声，以现有 AI 模型的学习效率，实时的数据生产基本上可以实现实时消化，因而大模型对于公开数据的学习更多体现于数据的高质量标注和有效的解读。可以说公开数据的噪音过多，且不说高质量数据，单就真实数据的占比就相对较低，伴随时间的推演，能够公开可获得的数据构建的模型差异并不会拉开过大，无非是通过时间进行进一步的优化。

高质量数据的价值在持续凸显。由于公开数据的真实性较难判断，如果没有持续对模型进行修正，和多层逻辑设立，很容易产生 AI 幻觉。且进入更为专业的领域，大模型的适配性就有所下降，专业的应用模型需要更为专业模型修正和更为详细的数据输入，公开可获得性相对较低，很多数据的累积更是头部企业或者头部研究院所的核心竞争力，因而能够积累、处理、使用高质量数据成为 AI 在专业应用领域的重要基础和差异点。

根据《中国数据交易市场研究分析报告》，2030 年，全球数据交易市场规模将达到 3000 亿美元，是2022 年的 3.3 倍，中国数据交易市场规模将达到 5000 亿元以上，是 2022 年的 5.9 倍。

作为多数 AI 应用落地的底层基础，专业数据库成为重要的落地资源，我国虽然具有非常强大制造能力，但受制于历史积淀和过程认知的不足，我国的数据积累仍有较大差距。2024年全球数据库市场规模约为 1154 亿美元，其中中国规模约为 83.7 亿美元，约占全球的7.3%。放在化工行业内，中国化工市场占全球市场的 40%以上，中国化工研发投入占全球化工研发投入的 1/3，不到 10%的数据库规模占比明显凸显了我国数据储备的严重不足。

经过多年的野蛮生长，数据行业的发展更多向头部集中，质量的作用进一步凸显。而进入2025 年，无论全球还是国内数据库企业数量都进入到明显的下行阶段，逆转了前期持续上行的趋势，2025 年，我国数据库企业的数量由 2024 年的 167 家，下行至 103 家，数据的简单堆积已经不能满足现阶段数据的要求，数据质量成为关注重点，因而高质量数据也成为细分领域精细化模型的关键资源。

根据 IBM 数据，化工企业中，AI 领军者企业的 AI 投资回报率更高，平均达到 39%，而其他企业仅为 25%，但这两组企业在 AI 方面的支出基本相同，领军者企业每 10 亿美元收入中有 490 万美元用于 AI 投资，其他企业则为 440 万美元。与同行相比，AI 领军者企业已经能够借助 AI 计划进一步增加收入、降低支出、维持人员配置以及减少资本开支。假设同样是市值 50 亿美元、利润率 10%的企业，AI 领军者企业的利润平均要比同行高出 2 亿美元。

AI 的价值取决于企业利用数据的能力。根据 IBM 数据，化工企业中，97%的 AI 领军者企业建立了数据驱动型文化，相比之下，只有 59%的同行做到这一点。降低数据结构复杂度成为是应用 AI 的先决条件。这意味着化工企业必须优先建立数据标准和企业数据治理框在化工领域看，除高质量文献，专利信息，成熟工艺包外，赋能生产、研发的高质量信息更多偏向私有化，且由于很多企业的成立时间过短，或者对数据重视不足，或者装置先进向不够，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。而能够加成研发和优化的高质量数据一般来看具有几个获得来源：

①规范有效的数据积累（全面、充分标准、维度设立合理），而非柜子里堆叠的历史文件；

②外部和高校或者研究院所合作的数据基础；

③通过高效的实验装置进行的多维度数据积累；

④通过收并购实现管控权的全面承接，能够继承标的企业的数据资产。

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。

2、AI 适配性发展和高效的执行力也将是企业 AI 升级的重心

大模型并不完美适配化工精细度高，场景专业化程度深的细分领域，需根据自身的应用场景选择适配的专业模型。

化工不同于其他制造业赛道，产品生产种类明显较多，生产工艺流程有明显差异，大模型在满足多领域、多产品的共同的情况下就会降低单一赛道的专业度和准确性。

且从应用和兑现情况看，产品研发还仅是第一步，能够生产工艺合理设计、规模化平稳安全生产、成本优势和经济性兑现、产品应用推广和场景适配等需要传统企业的落地和执行，因而及时有 AI4S 的赋能加持，化工企业也较难大规模横跨其他赛道，脱离自身赛道和基础。而即使是化工的龙头企业基本也分属于不同赛道，除少数具有平台性质的央企外，多数企业并不需要进行多链条适配。

从投资的角度看，专业模型的选择和训练的投入成本和时间周期和大模型远远不可比，一般生产企业难以承当长周期的投资时间和高强度的资金要求，在模型落地后，也难以通过合理的商业模式兑现收益。

AI4S 的应用会对部分职位及运行路径产生明显影响，推行起来不仅在资金、人才、资源等方面具有要求，更是可能触及现有部分岗位和管理设置，没有办法一直贯彻下去的 AI 策略反而不一定能够形成额外赋能，反而使前期的投入成本变成沉默成本。

化工流程涉及复杂的物理化学机理和严格的法规要求，普通的通用 AI 模型往往难以适配。这些基于公共数据训练的模型难以理解化工过程的专业细节和特殊流程，如安全合规检查或复杂配方属性。MIT 研究发现，借助 AI 完成其能力之外的工作反而会使工人绩效下降 19%。因此，若不使用针对化工设计的“垂直 AI”方案，模型很难准确处理行业专有知识。缺乏行业上下文的通用 AI 平台往往无法捕捉化工装置的多变量动态，而需要预置化工场景知识才能提高准确度。

人工智能系统的性能取决于其所依赖的数据。化工行业依赖非结构化数据（分散在PDF 文件、遗留系统和电子邮件中），一方面数据整理需要较长时间，且有大量不规范、缺失、遗漏数据；另一方面，在数据整理过程中，仍然可能出现维度缺失，标注失误等问题，可能导致工作重复繁杂；如果统计失误，数据质量低下或缺乏集中化可能会导致“幻觉”，即人工智能生成看似合理但实际错误的输出。

引入人工智能系统不仅仅是技术上的转变，更是文化上的转变。员工的抵制，尤其是在数据驱动型岗位上的抵制，可能会减缓其采用速度。如果没有适当的模型训练和使用该工具的主题专家的支持，AI 工具可能无法无缝集成到现有的工作流程中。

3、AI 布局，企业仍然需要硬件同步跟进

高性能算力设施：AI 模型训练与推理需要大量计算资源。参考国外科技巨头为了应对大规模模型训练和推理需求，购置的大量计算资源：Twitter 购买了约 10,000 个 GPU，微软与 OpenAI 合作的 AI 超级计算机配备了 285,000 个 CPU 和 10,000 个 GPU。化工企业可能需配置配备类似规模的计算资源，甚至采用 FPGA/ASIC 等专用 AI 芯片来提升运算能力。

数据存储与传输基础设施：AI 系统依赖海量数据，需高速采集与存储。企业通常要建设或租用数据中心，配置高速存储阵列和大容量数据库服务器。同时必须有高速网络支持，包括内部光纤网络、工业级以太网交换机以及 5G/工业物联网通信等，以保证从工艺控制系统到算力中心的数据实时传输。

现场采集与感知设备：化工生产依赖大量现场数据。部署 AI 前置条件是布设智能传感器和采集终端：如压力传感器、温度计、流量计、成分分析仪、PH/ORP 电极、湿度监测等各类传感器，它们将过程参数实时数字化。部分场景甚至需要嵌入式 AI 芯片的边缘服务器来预处理数据。此外，为了实现质量检测或安全监测等应用，还可能增配工业摄像头、红外扫描仪或无人机等硬件，用于采集视觉或环境数据。

辅助设施与安全设计：AI 硬件上线还需相应的配套设施保障：如专门的设计用于 AI 算力的机房架构，如带有严格温度湿度控制、冗余供电和防火防爆措施，以及网络安全硬件，如工业防火墙、VPN 网关。遇化工特有环境，对设备本身也可能有额外要求，如防腐蚀外壳、防燃料浓度防护等。

更多行业研究分析请参考思瀚产业研究院官网，同时思瀚产业研究院亦提供行研报告、可研报告（立项审批备案、银行贷款、投资决策、集团上会）、产业规划、园区规划、商业计划书（股权融资、招商合资、内部决策）、专项调研、建筑设计、境外投资报告等相关咨询服务方案。