从“问答”到“干活”：化工大模型在反应釜边“上岗”

过去两年，几乎所有大模型都在回答同一个问题：除了聊天，还能干什么？写诗、画图、做视频，答案不断翻新。但对守着反应釜的化工工程师来说，答案始终差着一口气——AI 能不能听懂化学反应？能不能替人把实验做了、把流程算了、把阀门看住？化工不是文字游戏，这里的一个失误，可能意味着整条生产线的停摆。

8月31日，中国科学院大连化学物理研究所联合科大讯飞、阿里云等单位，正式发布智能化工大模型 3.0 Pro。作为我国化工行业首个大模型的最新迭代版本，它最重要的变化，不是"答得更准"，而是"开始干活"——集成 400 余个化工智能体与工具，形成"理解、规划、执行、校验"的完整闭环。用业内更直白的话说，这一版不再满足于在聊天框里当"专家"，而是要钻进实验室、中试装置，到反应釜边"上岗"。

这场跨越有三重递进：从"专业知识问答模型"升级为"化工任务智能执行系统"；从"能理解、会回答"迈向"能规划、会执行、可验证"；从辅助查资料的"专业助手"，变成能与专业人员协同攻坚的"智能工程伙伴"。

数据也在为跃迁背书——在化工领域多维测评体系中，3.0 Pro 的文本问答准确率达 81.96%，多模态问答准确率达 80.75%，两项综合得分较 3.0 版本分别提升 20.2%与 31.4%；截至目前，已有 300 余家企业、高校和科研院所注册使用，平台 API 累计调用量突破 1400 万次。

化工，为什么是 AI 最难啃的"硬骨头"

要理解 3.0 Pro 的分量，先得看清化工的"难"。这个行业流程极长、物料千变万化、工程约束层层叠叠，一个反应从实验室烧瓶放大到万吨装置，中间隔着工艺、设备、安全、环保数道关口。科研成果要走向产业，向来横亘着一条漫长的"死亡之谷"——实验室里反应成功，不意味着中试装置能平稳运行；算法算得漂亮，也不意味着阀门真敢交给它控制。

通用大模型正是在这里"失灵"。它们熟读论文、能引经据典，却听不懂化工厂里真实的"行话"：温度、压力、进料配比每一项都受物理规律和工程规范约束，脱离了这些约束的"聪明回答"，在工程师眼里一文不值。更麻烦的是，化工数据高度分散、专业壁垒极深，通用模型既缺高质量行业数据，也缺把"想法"落成"操作"的执行能力。

这正是 3.0 Pro 要补的课。研发团队没有去堆一个更大的"聊天机器人"，而是搭建起"大模型—智能体—专业技能与工具—应用场景"的四层技术体系：让大模型专心"动脑"，让智能体负责"动手"。大模型读懂图文、拆解任务、生成方案，智能体则把复杂的化工任务拆成一步步可执行的小操作，调用专业工具、检查结果、发现偏差及时调整。二者一合，AI 才第一次在化工这个"硬骨头"行业里，站到了"干活"的位置上。

一边"动脑"，一边"动手"：闭环里藏着严谨

"干活"两个字说来轻巧，做起来却是另一回事。化工讲究安全与可靠，AI 给出的每一个方案，都必须经得起机理的推敲和工程的检验。中国科学院大连化物所人工智能中心主任叶茂研究员道出了其中的关键——团队正在构建一套从模型能力到工程应用的全链条验证体系。

这套体系把化工机理、物理规律和工程规范，转化为机器可执行的约束，对参数的来源、量纲、适用范围乃至计算结果进行全过程校验；同时通过专业工具调用、计算过程留痕、多目标优化和专家复核，让每一个输出方案都能追溯依据、复核过程、明确适用边界。"这样，AI 输出的就不再是一个简单的'生成式答案'，而是一套经过机理约束、计算验证和工程实践检验的决策建议，最终推动化工研发从经验驱动逐步走向'模型辅助、仿真验证、实验确认、工业闭环'的新范式。"叶茂说。

这种"可验证"的严谨，恰恰是化工大模型区别于通用 AI 的分水岭。模型可以大胆假设，但每一步都必须小心求证——计算过程留了痕，出了问题能回溯；结果交给专家复核，错了有人把关。3.0 Pro 之所以敢从"会回答"走向"会执行"，底气正来自这套"理解、规划、执行、校验"的闭环：不是让 AI 单打独斗，而是让它在专业人员的眼皮底下，先证明自己每一步都靠得住。

把"真实工况"喂给 AI：从数据底座到千吨级平台

再聪明的模型，也怕"没吃过猪肉"。化工 AI 要真正可用，离不开两样东西：高质量的数据，和真实的验证场景。这恰是许多 AI 化工项目折戟之处——实验室数据干净漂亮，真实工况却噪声漫天。

3.0 Pro 的身后，藏着大连化物所多年的布局：我国首个石化化工全链条大数据中心，覆盖从原料到产品的完整链条，为模型训练提供高质量行业数据底座；而在大连长兴岛，国内首个千吨级智能中试平台已经建成，新华社 9月2日发布的照片里，3.0 Pro 赋能的具身智能设备正在这座平台上执行测试任务——这不是科幻片场景，而是已经发生的"AI 进车间"。

叶茂描绘的路径更为长远：打通"实验室—虚拟工厂—实体工厂"的全新范式——在实验室验证反应机理和关键参数，在虚拟工厂里用流程模拟、设备计算和工艺优化先行验证方案，再进入实体工厂开展实际工况验证，最后把验证结果和生产数据持续反馈给模型，让 AI 在一次次真实工况的磨炼里越用越准。研发团队还透露，下一步将迭代 4.0 版本，用甲醇制烯烃等典型成熟工艺作为验证场景，打通从实验室研发到工厂实际生产的关键环节。

上岗只是开始：从反应釜走向整条生产线

放眼全球，这条赛道已经热得发烫。德国巴斯夫为化工装置用上了 PlantGPT，沙特阿美与日本横河电机把自主控制 AI 接入大型天然气处理设施，试运行下来，部分化学品和蒸汽消耗下降 10%至 15%，电力消耗也降了约 5%。中国化工大模型此刻的"上岗"，不是在追赶一个热闹的概念，而是在回答同一个时代命题：谁能先让 AI 从聊天框里走出来，稳稳地在真实的工厂里创造生产力。

当然，也要清醒地看到，从"会执行"到"干得漂亮"，3.0 Pro 只是迈出了第一步。真正的考验在那些轰鸣的反应釜边：一个建议是否经得起连续生产数千小时的检验，一套方案能否在突发工况下给出稳妥的处置，都需要时间与真实生产去打磨。AI 不会取代化工工程师，但它会成为工程师身边最得力的"智能工程伙伴"——把人力从重复的试错中解放出来，去专注更有创造力的部分。

反应釜边的"新同事"已经上岗。它不喧哗，只是安静地读数据、算方案、做校验，等待每一次生产实践的检验。而化工这个最"难啃"的行业，或许正从这一刻起，悄悄换挡。