——記AI研究院首期“課題進展文獻綜述”茶歇分享會

     在數字化浪潮席卷全球的今天，人工智能技術正以前所未有的速度重塑著各行各業的研發范式。煙臺國工智能科技有限公司AI研究院作為企業的"望遠鏡"，肩負著探索前沿技術、引領創新方向的重要使命。為更好地履行這一職責，AI研究院于近期啟動了"課題進展文獻綜述"系列培訓分享茶歇會，首期活動聚焦"AI催化研發"這一前沿交叉領域，由國工智能AI催化研發課題負責人胡鈞員研究員帶來《AI催化研發手記：從小白到實戰派》的精彩分享。本次活動不僅是一次知識盛宴，更標志著公司內部學術交流機制的全新升級。

     催化科學作為化學工業的"基石"，在能源、材料、醫藥等眾多領域發揮著不可替代的作用。胡鈞員在分享中系統梳理了催化劑的基本概念與發展歷程，指出催化劑是"能夠加快反應速度而在反應前后自身不被消耗的物質"，其核心價值在于"改變反應進程"和"降低活化能"。從19世紀的硫酸合成催化劑到當代的電催化劑，催化技術的發展史堪稱一部人類工業文明的縮影。

圖1.催化劑世界發展史

     特別值得關注的是，催化劑的分類與應用場景呈現出高度的多樣性。按照反應體系可分為均相催化劑和多相催化劑；按照能量形式則包括熱催化、光催化、電催化等不同類型。這些催化劑在精細化工、大宗化工、環境保護和氫能產業等領域有著廣泛應用。本次分享的國工智能AI催化研發課題以"改變世界的8大催化劑"為例，生動展示了催化技術如何推動社會進步——從合成氨技術解決全球糧食問題，到費托合成實現能源轉化，再到手性選擇催化劑革新藥物合成，每一項突破都深刻改變了人類生活。

     盡管催化科學成就斐然，傳統研發模式卻面臨著越來越明顯的瓶頸。胡鈞員指出，催化劑研發是一個典型的多目標優化問題，需要同時兼顧"活性、選擇性、產率、壽命"等多項性能指標，而這些指標往往相互制約，形成"一組一定程度矛盾的性能"。在傳統實驗試錯模式下，研發一款新型催化劑往往需要"幾十年、數萬次實驗"的積累，投入巨大而效率低下。

     分子模擬技術的引入雖然部分緩解了這一困境，但仍存在明顯局限。量子化學計算方法如密度泛函理論(DFT)雖然能夠提供反應機理的微觀洞察，但面臨"計算精度不高"的固有難題，主要源于"多電子情況，方程求解變難"的理論限制。此外，傳統計算方法"未包含時間尺度"，"難以考慮分子構象多樣性"，在解決復雜催化問題時往往力有不逮。

     面對這些挑戰，國工智能AI催化研發課題組成員通過梳理近60年來諾貝爾化學獎的獲獎情況，探討了理論化學的發展脈絡與影響，并進一步梳理了理論化學研究范式變化: 理論范式→ 計算仿真范式→ 數據驅動的范式。而當前"AI for Science"的解決方案是“數據驅動的范式”的前沿，將其稱為科學研究的"第五范式"(情報學報, 2025, 44(2): 132-142.)。這一范式以人工智能技術為核心，通過"學習與預測自然界和人類社會中的規律"，實現科學發現和創新過程的加速。在催化領域，AI技術與分子模擬技術、實驗化學不斷地進行融合，產生新的“融合算法”可以給催化領域帶來變革，這里列舉了三個例子：

圖3.科研范式演化圖

• 首先是“智能反應路徑搜索算法”。反應路徑搜索算法目前學術界有很多，如鍵重排方法、外力驅動模型、擴散模型和隨機行走算法，它們能夠高效探索反應路徑空間，但在面臨復雜催化的場景中存在著計算緩慢、搜索空間巨大等情況。國工智能AI催化研發課題組團隊開發的算法僅用5分鐘就完成了一個基元反應測試，與傳統方法相比效率顯著提升。

• 其次是“分子生成算法”的創新。傳統分子生成方法存在"生成分子數量龐大"、"較多不符合化學規則"、"可合成性不可控"等問題。國工智能AI催化研發課題組成員通過構建催化劑數據庫、制定強化學習新規則和融合多種優化算法，開發出更高效的分子生成系統。這一系統能夠"由人工智能技術生成人類經驗之外的催化劑分子"，大大擴展了研發的探索空間。

• 最后是“預測模型的構建”。通過機器學習技術分析催化劑描述符與性能之間的關系，建立高精度的預測模型。國工智能AI催化研發課題組特別強調，工業界場景下的AI應用面臨"數據量較小"的挑戰，需要開發"模型泛化能力要求較高，模型不宜太復雜"的解決方案，這對AI技術使用者提出了更高要求。

   

     理論創新需要實踐驗證。胡鈞員分享了一個極具說服力的案例：某國內龍頭化工企業長期依賴進口的聚烯烴催化劑研發項目。客戶"花費幾年時間，合成數百個分子"卻幾乎毫無進展，稱之為"眾多課題中最難的一個"。面對僅有66條實驗數據的"少數據量場景"，國工智能AI催化研發課題組團隊運用AI技術，在一年半時間內實現了突破性進展。

    通過構建"活性描述符"、"選擇性描述符"和"固體量描述符"的預測模型，團隊開發出能夠生成百萬量級候選分子的AI系統。經過高通量篩選，最終確定了一個各項性能均達標的分子結構。令人驚嘆的是，AI"只推了一個分子，就達到客戶做了幾年實驗、合成數百個分子所能達到的水平"。目前該分子已進入小試階段，有望成為"世界首個由人工智能設計的可商用催化劑分子"。

     這一案例生動展示了AI技術在解決"卡脖子"問題上的巨大潛力。通過AI輔助研發，中國企業有望在關鍵催化技術上實現自主創新，打破國外幾十年積累形成的技術壟斷。

     基于這些成功經驗，國工智能AI催化研發課題提出了構建"催化劑AI研發平臺"的愿景。該平臺將分為三個層級：

• （1）強定制化產品：面向復雜研發需求，需要融合計算化學、人工智能和催化劑專業知識；

• （2）半定制化產品：則主要服務于常規催化劑研發，提供可編輯界面；最終目標是開發；

• （3）標準化小分子催化劑平臺：實現"錄入歷史實驗數據和催化劑基本信息→性質預測→分子生成"的完整工作流。

   

     國工智能AI催化研發課題組展示了平臺測試案例：僅需20分鐘即可構建預測模型，1-2分鐘完成單個性能預測，DFT高精度計算也僅需數小時。這種高效率、智能化的研發平臺有望徹底改變傳統催化劑的開發模式。

     首期"課題進展文獻綜述"茶歇分享會在熱烈的討論中圓滿結束。國工智能AI催化研發課題的報告不僅系統梳理了AI催化研發的前沿進展，更通過真實案例展示了技術創新如何轉化為產業價值。這一活動充分體現了AI研究院作為公司"望遠鏡"的戰略定位——既要有仰望星空的前瞻視野，也要有腳踏實地的實踐智慧。

    催化科學的AI賦能只是一個開始。隨著AI for Science范式的深入發展，我們有望在更多領域見證類似的變革。對煙臺國工智能科技而言，這既是機遇也是挑戰：如何將AI研究院的前沿探索與公司主營業務有機結合？如何培養既懂專業技術又精通AI算法的復合型人才？這些問題值得每一位國工人深思。

     未來，AI研究院將持續舉辦高質量的學術交流活動，營造開放、創新的學習氛圍，為公司高質量發展提供智力支持。正如本次分享會所展示的，在科學與技術邊界日益模糊的今天，唯有跨界融合，方能智創未來。