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？

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。

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

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”。

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。

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。

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。

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？

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。

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。