【编者按】
为落实《上海市加快推动“AI+制造”发展的实施方案》，市经济信息化委会同市工业互联网协会、中国信通院上海工创中心、上海工业数字化研究院等单位，编制发布《上海市“AI+制造”场景建设指南（第一期）》。本系列逐一解读12个标杆场景，本期聚焦先进材料行业的研发实验环节——研发实验智能设计。
01 传统材料研发的四大困境
材料研发是制造业创新的源头，但传统“经验驱动、试错迭代”模式面临严峻挑战：
（一）需求理解偏差大
经验丰富的工程师能快速转化研发需求，但年轻工程师常需反复沟通确认。约30%实验成果因与初始需求不符，需迭代纠正，浪费大量资源。
（二）多约束优化难
实验设计需同步平衡材料性能、工艺要求、成本控制及合规性等多维度约束，传统人工经验难以实现全局最优，常陷入“顾此失彼”的困境。
（三）知识复用效率低
工艺数据、客户反馈等隐性知识分散在各部门，未能有效沉淀共享。科研人员整合跨部门信息耗时费力，新人培养周期长达1—2年。
（四）小样本数据瓶颈
新产品研发常仅依赖实验室小样本数据，缺乏量产数据支撑，导致实验设计与实际生产脱节，中试转化率偏低。
02 解决方案：构建“AI预测+实验验证”新范式
本场景由上海青翼工业软件有限公司牵头编制，华熙怡兰化妆品（上海）有限公司提供应用实践，打造“智能实验设计”平台。
（一）核心技术架构
（二）三大核心能力
前文叙述四大困境分别对应方案的三个核心能力：原料 & 配方筛选解决需求理解偏差和小样本瓶颈，实验规划 & 优化应对多约束优化难题，迭代学习破解知识复用效率低的困局。
1. 原料&配方筛选
融合智能检索召回历史案例与LLM生成候选，通过轻量化预测模型（如XGBoost）高通量虚拟筛选，快速剔除不合格组合，完成高效初筛。
2. 实验规划&优化
基于贝叶斯优化与主动学习框架，构建代理模型并量化不确定性，主动推荐信息增益最大的实验点，以最少实验次数逼近全局最优。
3. 迭代学习
将真实实验结果与预测对比，进行偏差分析后更新数据，持续提升智能检索召回质量与模型生成能力，形成“预测－验证－学习”闭环。
03 应用成效：四大关键成效
注：以上数据为行业标杆水平
04 实施路径：三步构建智能实验平台
（一）数据语料准备
AI 模型的精度高度依赖数据质量，因此第一步是夯实数据底座。
语料准备工作围绕三条主线展开：
一是基础数据，将材料属性、工艺参数和性能表征结构化，作为精准预测与知识复用的底层支撑；
二是实验方案，把模糊研发需求转化为可执行的数字指令集，涵盖目标定义、参数组合（DoE）、资源配置和全流程决策留痕；
三是实验报告，完整记录实验过程、异常现象和归因分析，并通过全局 ID 与历史案例关联，沉淀为可检索、可推理的知识网络。
数据质量把控重在四性：关键字段不缺、事实真实可溯、编码标准统一、跨业务形成强语义关联。采集路线按三路并行——历史数据清洗标准化、实时实验自动采集、外部数据库安全对接。
（二）算法模型配置
专用机器学习模型：AutoML管道训练，强调预测精度、泛化能力与不确定性估计
领域专用大语言模型：基于通义千问Qwen-32B/70B微调，集成至多Agent调度框架
算力配置：本地化 90TFLOPS 单精度算力（约可支撑 70B 参数模型推理），96G 显存，云端兼容OpenAI-API规范
（三）系统集成与安全
内部接口：RESTful、WebSocket、SSE等标准化协议，JSON/XML格式
外部接口：TLS 1.2+加密，OAuth 2.0/API Key/mTLS身份认证
安全措施：设备认证、角色权限控制、多因素认证、全链路审计日志
05 实际案例
华熙怡兰化妆品（上海）有限公司（华熙生物全资子公司）利用AI能力打造智慧配方系统，将AI应用于日化配方产品的设计研发与实验规划。AI通过分析大量配方数据，检测数据以及原料特性，自动生成候选配方及实验方案。将配方研发效率提升约40%，配方一次打样成功率提升至 60% 以上，实验迭代次数减少约50%。使华熙生物从经验驱动的传统配方模式转向数据驱动的智能研发体系，为日化行业的产品创新和敏捷开发树立了标杆。
注：华熙数据为华熙实测值
想进一步了解该场景技术细节与实施标准 → [点击下载完整版场景建设指南]
有意向建设该场景、需要对接场景服务方的企业，请联系：市工业互联网协会 赵老师 13816395318
下一篇预告
《DFMEA审核从“抽检”到“全检”，单份审核效率提升80%：AI如何重构汽车研发质量管理？》——聚焦汽车研发设计DFMEA审核场景。
我们正在研究编制
《上海市"AI+制造"场景建设指南（第三期）》
欢迎有行业高价值场景挖掘和建设经验的企业共同参与
联系人：市工业互联网协会 张老师 13621971629
