人工智能引入前后

中国材料研发面临的情况：

材料研发在国际战略竞争中一直占据着重要地位，自美苏争霸时期材料科学提出，便与国际竞争的态势紧密相连。长期以来中国材料研发因起步晚，发达国家掌握着核心技术，在关键材料设计上赚取高额附加价值，中国各行业面临诸多“卡脖子”问题。

不过近几十年中国材料科研突飞猛进，逐步将高价值材料拉回到合理的价值水平，以减少“卡脖子”情况。但也存在两点不足：一是过于依赖经验，有经验者虽然知道怎么做，却难以通过明确教学传授给其他专业人士或者年轻一代，大大限制了企业知识传承与发展；二是给企业的管理和研发可持续性带来挑战。

随着国际竞争加剧以及人工智能的引入，人工智能可将那些说不清道不明的浅知识，转化为团队、公司或整个研究部门可持续、可延展的研发形式。这种转变带来的影响：一是研发团队能力增强，例如可通过高通量筛选加快研发进程；二是实验消耗降低，包括物资、药品、危化品等的消耗。

对于企业而言，研发追求高价值回报，在研发过程中收益更高、投入更少，是企业度过国际竞争寒冬的有效途径。

材料学企业如何应对AI化实现发展：

在材料国际竞争态势下，对中国材料学企业既有挑战也有机遇：

一、企业现状与挑战

目前部分中国材料领域的冠军企业，通过提升材料质量，挤出海外同行中国市场、积极出口海外并站稳脚跟，力求取得显著的成绩。从过去依赖海外顶尖技术，到通过逆向合成等方法突破仿制，如今为了保持领先或防止被超越，被迫需要积极转变研发方式。

二、人工智能带来的变革

人工智能可将说不清道不明的浅知识转化为可持续、可延展的研发形式，使研发团队能力增强、研发进程加快、实验消耗降低，对企业而言投入更少、收益更高，是度过国际竞争寒冬的有效途径。海森大数据定位为“AI教练”，与企业合作时，深入企业第一线，通过数据库平台、优秀的学术团队和合理的合作类型，帮助企业保持更好的竞争模式。

从生物医疗到广义的材料领域，部分科研人员对AI化存在焦虑，担心失业或工作状态不适应。但实际上不必过度焦虑，关键是要用好AI工具，做到有一技之长，在本领域有技术先进性，避免做重复工作。企业更要找到自身的优势，与AI教练合作展开新局面。

三、企业AI化的具体过程

企业在AI化过程中，数字化是首要步骤。很多冠军企业有独门绝技，但缺乏数字化，对接AI会感到无从下手。海森与众多企业反复沟通打磨，与科学家进入工厂一线，把之前的数据转化为显性数据，过程复杂且反复，可能需进行多轮数字化，若第一步做不好，AI化可能不彻底或失败，因此宁可慢不能赶进度，要优化实验流程，建立高质量实验数据，主动接受人工智能新范式。

当然企业无需每个人都建AI团队或搭计算中心，可将“如何做”进行知识库总结、反复迭代。建立精准的数字化和技术优势后，与AI企业共同合作。若团队有一两个对数字化、计算机、AI感兴趣的同事，可通过团队合作固定，在保密的情况下促使双方专注各自的领域。对于合作企业，海森可在当地部署服务器，企业数字化技能增强后可自行维护服务器和模型，能力强的企业模型可超越海森交付模型，之后还会将优秀模型在平台展示付费使用，实现优势互补、共赢。

四、高质量实验数据的标准与价值

高质量数据有三个核心标准，即真实性，无论实验结果好坏都要保证第一手数据真实；完整性，尽量完整记录数据，宁多勿缺，避免关键信息维度丢失；可拓展性，保证数据可发现获取、可溯源。当企业实现数字化转型后，虽然初期研发团队可能觉得增加了数字化工作，但是公司数据成为了价值不菲的资源。而对于研发团队的参与者而言，这个过程也是认知升级和人力资源价值提升。

企业建立适合自己的训练模型，研发团队能自主以标准形式喂养实验数据，使模型不断迭代，当客户手头大数据模型超过海森初始模型时，是成功的第二步。

企业建立数据库后，对其他数据库数据质量有评价标准，可与高校谈判购买已有数据资源，这是合作有成效的第三步，也是后续材料企业研发方向。企业达到AI化后，数据成为有价值的资源，研发团队人员能力和工作效率提升。

行业数据治理与AI转型关键要点有哪些：

在行业进行数字数据治理与 AI 转型过程中，有以下关键要点：

重视领导协调与深度磨合：数字数据治理和 AI 转型是重大战略决策，需要从长远考虑。所以在实施过程中，合作伙伴推行工作的领导级别通常很高，以此协调相关工作，各方重视才能保障成功。

数据治理的疑问与应对：在数据治理过程中，合作伙伴常常一开始就提出疑问，即什么样的数据是好的、治理到什么程度算成功。刚开始数字化转型或对接新伙伴时，海森不会直接给出数据标准，而是建议参考相近行业或工艺操作过程相似的数据结构，依据贝叶斯函数，了解对方真实记录的数据。

数据利用与平台优势：我们常常面临拿到大量数据但可用数据少的情况，如拿 100 组数据可能仅 10 组能用。不过海森平台有优势，10 组数据也可进行初步训练，在此基础上若能扩充理论数据、增加理论维度，即便数据量少，内涵也可以丰富，学习依然是全面的。目前海森也是有一套方法论可以应对此类问题。