最近在与材料化工、医药研发等行业客户交流时我们明显感受到一个变化越来越多企业开始主动询问AI在研发中的应用。客户提出的问题也很典型“AI能不能自动生成项目周报、月报和实验报告”“AI能不能自动检查记录和报告提前发现风险”“给定一个目标性能AI能不能直接给出配方方案”“注册资料、方法开发和验证报告AI能不能自动写”这些问题背后反映出企业对研发效率、知识复用和风险控制的共同期待。但在真正落地时我们也会发现很多客户其实把几类不同的AI能力混在了一起有的是大语言模型能做的事有的是智能体适合做的事有的是机器学习小模型更擅长的事还有一些并不是“上一个AI工具”就能完成而是需要先把研发数据、流程和知识体系打通。因此讨论研发AI之前有必要先回答一个更基础的问题AI在研发现场到底能做什么不能直接做什么一、客户常说的“AI自动化”通常包含三类需求在售前沟通中“AI自动生成报告”听起来是一个需求但拆开来看至少包含三层含义。第一层是内容整理。例如把一段时间内的实验记录、项目节点、测试数据、异常情况、结论和后续计划整理成周总结、月总结或项目汇报。这类场景非常适合大语言模型参与因为它擅长阅读、归纳、重写、生成结构化文本。但前提是实验记录、样品信息、测试结果、项目阶段、审批意见等数据能够被系统准确调取。如果原始数据分散在邮件、纸质记录和个人电脑里AI就很难稳定生成可信报告。图创腾Ai-EKB智研中枢第二层是规则检查。例如检查实验记录是否缺少关键字段方法验证报告是否遗漏系统适用性结果批记录是否存在时间逻辑矛盾项目总结中是否没有解释偏差和异常。这类需求不仅依赖大语言模型还依赖企业的SOP、模板、质量规则和合规要求。AI可以帮助发现疑点、提示缺失项、生成检查清单但它需要知道“什么是完整的记录”“什么是企业认可的模板”“什么情况应当被标记为风险”。图创腾iLabPower ELN实验模板管理第三层是预测和决策建议。例如根据目标性能推荐配方根据历史实验预测某个组分变化对性能的影响或者判断某类工艺参数组合是否可能带来稳定性风险。这类问题通常不能只靠大语言模型完成而更需要机器学习模型、实验设计、领域特征工程和高质量实验数据。所以当客户说“希望AI自动化研发工作”时我们需要进一步澄清是希望AI写得更快、查得更准、提醒得更早还是希望AI真正参与配方和工艺优化不同目标对数据、模型和系统的要求完全不同。图创腾MaXFlow EDBO高效实验设计与分析二、大语言模型适合做“研发知识助理”但不能替代研发判断大语言模型的优势是处理语言、文档和知识。在研发场景中它可以帮助企业做很多实际工作一是资料问答研发人员可以围绕项目资料、历史实验、SOP、文献、法规指南、内控标准进行提问让AI快速定位相关内容。二是文本生成AI可以根据模板和数据生成实验小结、项目周报、会议纪要、方法开发报告初稿、偏差说明初稿、注册资料部分章节初稿。三是内容比对AI可以对照模板和规则检查报告结构是否完整、数据描述是否前后一致、结论是否与结果相匹配。四是知识归纳AI可以把大量实验记录、失败案例、项目复盘整理成知识条目帮助新人快速理解项目背景。但大语言模型并不等于“研发专家本人”。它更像一个会阅读、会归纳、会写作、会追问的研发知识助理。对于配方是否可行、工艺是否安全、注册策略是否合理、风险是否可接受最终仍需要研发、质量、法规和工艺专家进行判断。因此企业在引入大语言模型时不能只问“它能不能回答”更要问三个问题第一它回答时依据的是不是企业自己的可信数据第二它生成的内容是否能追溯到来源第三它输出的建议是否有审核、确认和留痕机制只有这三个问题解决了大语言模型才能从“演示很好看”走向“研发现场可用”。图创腾Ai-EKB智研中枢三、智能体适合做“跨系统任务编排”但需要清晰边界近两年很多客户也会提到智能体。相比单次问答智能体更强调“完成任务”。例如研发负责人希望系统每天自动汇总项目进展。一个智能体可能需要完成多个动作读取项目计划抓取过去24小时内新增实验记录识别延期任务提取异常结果生成日报推送给项目负责人并在必要时创建待办。又比如质量人员希望系统自动检查方法验证资料。智能体可能需要读取方案、原始记录、计算表、图谱附件、报告正文和审批记录按企业模板检查缺失项再生成风险清单。这类场景不是简单的“问AI一句话”而是跨系统、跨流程、跨数据源的任务编排。智能体的价值在于把原来需要人工反复打开多个系统、下载多个文件、复制粘贴和核对的工作变成一条可执行的数字化流程。但智能体也必须有边界哪些数据可以读哪些动作可以自动执行哪些动作必须由人确认哪些结论只能作为建议而不能直接生效。在研发场景中越靠近合规、质量和注册智能体越应当强调“辅助、提示、留痕、审核”而不是完全替代人工决策。四、小模型更适合做“预测、分类和优化”如果说大语言模型更擅长文字和知识智能体更擅长流程和任务那么小模型在研发中的核心价值往往体现在预测和优化上。在材料化工领域小模型可有效构建“配方组成—工艺参数—性能指标”之间的定量映射关系能够高精度预测黏度、力学强度、耐热性、导电性、长期稳定性、反应收率及杂质含量等关键参数从而辅助研发人员快速缩小工艺窗口、优化实验设计方案。在医药研发领域小模型则常用于分析性数据的特征提取如光谱峰位识别、色谱异常峰分类、稳定性长期趋势预测、溶出曲线拟合以及色谱/质谱等方法开发中的关键参数优化等具体任务为质量源于设计QbD提供数据支撑。图: 创腾MaXFlow AI Agent小模型的优势是聚焦、可训练、可验证。它通常不需要像通用大模型那样回答所有问题而是围绕一个明确目标持续优化。例如“预测某类聚氨酯配方的硬度和回弹性”“判断某类HPLC方法的系统适用性是否存在风险” “根据历史DOE数据推荐下一轮实验组合”。但小模型也有一个现实前提数据要足够规范、足够可用并且与要解决的问题高度相关。如果数据量有限企业可以先从规则、经验库、相似案例检索和专家审核开始逐步积累结构化数据再训练更稳定的预测模型。五、研发AI落地不建议一上来追求“全自动”很多客户最初会期待AI直接给出完整答案自动写报告、自动发现风险、自动给配方、自动完成注册资料。但从落地角度看更稳妥的路径通常是分阶段推进。第一阶段是把数据和知识接起来。先让AI能够访问经过授权的实验记录、项目资料、模板、SOP、历史报告、测试数据和知识库。这个阶段的目标不是让AI立即替代人而是让研发人员能更快找到资料、理解背景、复用经验。第二阶段是让AI参与文档和检查。在可信数据基础上让AI生成周报、月报、实验总结、会议纪要、报告初稿并根据模板和规则做完整性检查、逻辑检查和风险提示。第三阶段是让AI参与研发决策辅助。在材料化工场景中可以从相似配方检索、组分影响分析、实验方案推荐开始在医药场景中可以从方法开发经验复用、验证资料检查、稳定性趋势分析、偏差风险提示开始。第四阶段才是闭环优化。当企业积累了足够结构化、可追溯、质量稳定的数据后可以进一步训练专门模型让AI参与实验设计、参数推荐、性能预测和持续优化。这条路径看似没有“全自动”那么吸引眼球但更符合研发现场的真实规律。AI不是绕过数据治理和流程管理的捷径而是把已有数字化能力进一步放大的工具。六、真正可落地的研发AI必须同时回答四个问题对企业来说判断一个研发AI方案是否可落地可以看它是否回答了四个问题。第一数据从哪里来实验记录、样品、物料、仪器、方法、图谱、报告、审批、项目计划是否已经在线数据是否结构化是否有权限控制图创腾iLabPower 研发创新平台第二知识如何沉淀历史项目、失败经验、专家判断、SOP、模板和法规要求是否可以被持续更新为企业知识库第三模型做什么事是做问答、生成、检查、预警、预测还是优化不同任务需要不同模型和不同验证方式。第四人如何审核AI的输出是否有来源、版本、审批、修改痕迹和责任归属关键结论是否由专家确认如果这些问题没有想清楚AI很容易变成一个“看起来很聪明、用起来不放心”的工具。反过来如果企业能够把数据、知识、模型和流程连接起来AI就会从一个演示概念逐步变成研发组织的真实生产力。图创腾Ai-EKB智研中枢七、总结研发AI的真正价值不是把复杂研发工作包装成一句“自动完成”而是帮助企业把分散的数据、经验和流程变成可理解、可复用、可预警、可优化的研发能力。对材料化工企业来说它可以帮助研发团队更快复用历史配方经验更早发现实验和项目风险更高效地规划下一轮实验。对医药企业来说它可以帮助研发、质量和注册团队提高资料整理效率减少记录和报告中的低级错误让方法开发、验证和注册资料准备更加规范。AI不会让研发变得简单但它可以让研发中的重复劳动更少、知识流动更快、风险暴露更早、决策依据更清晰。这也是研发AI落地最值得期待的方向。