全国首个化工AI大模型3.0 Pro发布：从“会回答”到“会执行”，工业AI落地的4个真相

一、事件复盘：3.0 Pro到底发布了什么”真东西”

8月31日的这场发布，表面上是一次例行的版本升级，但把它放回中国工业AI的坐标系里看，分量并不轻。智能化工大模型3.0 Pro是”我国化工行业首个大模型”的最新迭代版本，由中国科学院大连化学物理研究所（下称”大连化物所”）牵头，联合科大讯飞、阿里云等单位共同研发。它最大的变化，不是参数规模又涨了多少，而是应用模式发生了根本性的转向：从”专业知识问答模型”升级为”化工任务智能执行系统”。

用研发团队自己的话说，就是从”能理解、会回答”，迈向“能规划、会执行、可验证”。这句话翻译成产业语言：以前的大模型像一位读过全部化工教科书的”百科顾问”，你问它催化机理、问它工艺参数，它对答如流；但它不下车间、不算流程、不出方案。而3.0 Pro要做的，是工程师身边那位”既能听懂专业问题、又能动手干活”的智能工程伙伴——接到一个流程设计或工艺优化需求后，它能自动拆解任务、判断需要计算哪些物性参数、调用哪些模拟软件，对计算结果进行分析校核，最终输出一份可执行的方案。

1.1 先看迭代节奏：28个月，五次跃迁

要理解3.0 Pro的分量，得先看清这条产品线的完整时间线。大连化物所在人工智能与化工结合上的布局，最早可以追溯到2016年；2024年3月，研究所联合华为、大连理工大学软件学院、榆林中科洁净能源创新研究院等，发布了智能化工大模型1.0，实现了化工知识快速检索与工艺流程自主设计，算是”让行业看见了火花”。2024年11月，2.0版本联合科大讯飞、中国科学院文献情报中心等单位推出，明确提出”数据和科学理论双轮驱动”，初步构建催化反应、工艺开发、中试放大、工厂优化四大智能平台。2025年5月，2.0 Pro在全国石油和化工行业科技创新大会上亮相，700亿参数规模，上下文长度从8千字符扩展到3.2万字符，新增深度推理模块。此后3.0版本新增化工知识增强、联网搜索与多模态问答能力。到今天3.0 Pro落地，这条线已经走过28个月、五次大的版本跃迁。

这个节奏本身就值得玩味。在通用大模型领域，一个版本周期动辄以年计、甚至以”军备竞赛”计；而在垂直工业领域，大连化物所团队用28个月完成了从”知识检索”到”任务执行”的五级跳。速度背后有两个支撑：一是研究所数十年积累的化工应用场景和研发数据，二是从第一天起就绑定真实工业需求的产品定义。这一点，我们后面展开。

1.2 四层架构拆解：大脑、手脚、工具箱与战场

3.0 Pro此次发布的核心技术增量，是构建了“大模型—智能体—专业技能与工具—应用场景”四层技术体系。这四层不是简单的技术堆叠，而是一套分工明确的”作战体系”：

这套体系里最有信息量的，是“可验证”三个字。通用大模型最被工业界诟病的一点，就是”一本正经地胡说八道”——而化工是高危行业，一个错误的工艺参数可能意味着安全事故和数千万损失。3.0 Pro的解法是：智能体每执行一步，都要做结果校核与动态调整，形成从认知、推理、规划到执行、验证的完整闭环。方案不是”生成”出来的，是”算出来、校出来的”。这恰好击中了工业场景对确定性的刚性要求。

训练侧的投入同样扎实：3.0 Pro基于百亿Token级化工专业语料开展持续预训练，采用数十亿Token级高质量问答数据开展监督微调。经化工领域多维测评体系测评，其文本问答准确率达到81.96%，多模态问答准确率达到80.75%，综合得分较3.0版本相对提升20.2%和31.4%。80%出头的准确率放在消费级应用里谈不上惊艳，但在专业维度密布、术语体系庞杂的化工领域，这一数字意味着”基本可用”与”不可用”之间的分水岭被跨过去了。

1.3 数据底座：别人拼模型，它先拼”数据基础设施”

真正让软盟资讯编辑部觉得”这个项目做了真东西”的，反而是两件容易被一笔带过的事。

第一件，大连化物所构建了我国首个覆盖“研发—设计—生产—市场”全链条的石化化工大数据中心，并入选国家数据局石化化工行业高质量数据集建设链主单位及先行先试单位。第二件，在大连长兴岛建成了国内首个千吨级智能中试平台，具备实验室难覆盖、工业装置难获取的真实工况催化反应与工艺数据”按需生成”能力。

为什么说这两件事关键？因为工业AI的卡脖子环节从来不是算法，而是数据。科大讯飞研究院副院长李鑫在复盘研发过程时曾坦言，最大的技术难点是”数据稀缺导致难以标注”——石油和化工领域数据掌握在少数企业和垂直行业手中，数据之间存在壁垒，私域数据根本拿不到。大连化物所的解法是发动科研合作单位贡献海量数据、联合高校化工专业师生参与标注，再进一步，干脆自建中试平台，让真实工况数据可以”按需生产”。这就相当于给大模型修了一座自己的”数据水厂”，而不是等着天下雨。

再叠加一条：这套体系跑在国产化大模型基座和国产算力平台之上。从2.0 Pro开始，讯飞星火深度推理大模型就为智能化工大模型提供底座支撑，全部训练在全国产算力平台上完成。对化工这类涉及能源安全与工艺机密的战略行业，”全栈可控”不是加分项，而是入场券。

1.4 成绩单：300家机构、1400万次调用意味着什么

衡量一个工业大模型是否”真落地”，注册用户数和API调用量是最诚实的指标。截至目前，已有300余家化工企业、高校和科研院所注册使用智能化工大模型，API累计调用量突破1400万次。对比一组纵向数据：2024年11月2.0发布时，试用机构约40余家；2025年5月2.0 Pro亮相时约90家；如今超过300家。机构数一年多增长约七倍，说明它不是”发布会产品”，而是在真实使用中滚雪球。

更具体的应用案例早已在装置上跑了起来：工厂装置优化智能体部署在甲醇制烯烃工业装置上，实现工艺关键参数智能预测；反应动力学智能体支撑了甲醇制丙烯流化床工艺反应动力学开发，相关工艺已在榆林能源50万吨/年环氧树脂项目实施技术许可应用；催化剂表征智能体应用于甲醇制烯烃工业装置，将催化剂积碳、粒径测量时长从小时级缩短到分钟级，支撑工业过程实时调控。此外，基于大模型开发的智能机器人催化反应实验系统，可替代实验人员自动完成催化剂评价，效率提升10倍以上。

发布会上还落地了一个生态动作：大连化物所与科大讯飞、阿里云、华为、宁波数据集团（筹）、中控技术及AVEVA等签约成立智能化工联合创新实验室，围绕智能化工大模型与智能体研发、行业数据与算力平台建设、工业软件融合及典型场景应用开展联合攻关。注意这份名单的构成：AI厂商（讯飞、阿里云、华为）、工业自动化厂商（中控）、工业软件厂商（AVEVA）、数据要素机构（宁波数据集团），加上科研院所——这几乎是把化工AI落地的全要素供应链拼在了一张桌子上。

二、为什么是化工？工业AI”先锋队”的行业逻辑

过去两年，”大模型进工厂”的口号喊得很响，但真正拿出成建制落地成果的行业屈指可数。化工偏偏是其中跑得最快的一个。这并非偶然，而是“高价值、高壁垒、强付费”三重属性叠加的必然结果。理解这个逻辑，比理解任何一项具体技术都重要——因为它揭示了工业AI落地的第一性原理：AI先改造哪里，不取决于哪里技术最酷，而取决于哪里”痛感最强、付费能力最大、数据沉淀最厚”。

2.1 高价值：16万亿产值之上，横着一条”死亡之谷”

先看盘子有多大。据中国石油和化学工业联合会专家在2026年7月披露的数据，我国石化化工行业总产值约16万亿元，规模以上企业3.3万家，占全球市场份额约40%；炼油年产能达9.39亿吨。化工是国民经济的基础性行业，产品覆盖衣食住行，也是实现能源结构调整、”双碳”目标和推进新型工业化的关键基础。盘子越大，效率每提升一个百分点，绝对价值就越是惊人。

更关键的是行业痛感的形状。化工行业对象复杂、尺度跨度大、数据类型多、工程约束强——一个催化反应从实验室走向工厂，要经历小试、中试、工业试验等环节，周期动辄十数年。其中中试环节被业内称为”死亡之谷”：无数在实验室表现出色的”好苗子”，最终都倒在放大过程中传热、传质条件变化的门槛前。传统范式下，工程师依赖经验、试错和实验，每一个工艺参数的优化都要用时间和资金去填。

这意味着什么？意味着AI在这里面对的不是”锦上添花”的效率问题，而是”雪中送炭”的生存问题。大连化物所研究员、智能化工大模型团队负责人叶茂的表述很直白：如果能构筑”实验室—虚拟工厂—实体工厂”新范式，实现中试环节”数字化先行”，将大幅节省时间和资源。团队副研究员周吉彬在演示甲醇制烯烃中试装置数字孪生系统时说得更形象：”这相当于在计算机里先’造’了一座工厂。”当一项技术能把十数年的研发周期压缩到可感知的量级，行业为它付费的意愿就不需要教育。

2.2 高壁垒：通用大模型”水土不服”的地方，正是垂直模型的家

化工行业的特点，恰好是通用大模型的软肋。通用模型缺少专业知识、科学机理约束、多模态解析能力和任务执行能力，难以支撑化工研发、设计与生产全流程。工程师要的不是一台”问答机器”，而是能理解需求、拆解任务、调用工具、完成计算并输出可执行方案的智能助手——这个需求落差，就是垂直模型的生存空间。

壁垒同时也是一种保护。化工数据的专业性极强，公开语料里几乎挖不到高质量内容；私域数据锁在企业和行业手里，存在严重的数据壁垒。这让通用大厂”顺手做个化工版”的成本变得极高——不是不能做，而是数据获取、专家协同、场景验证的成本会吞掉边际收益。反过来，像大连化物所这样坐拥数十年研发数据和应用场景的”行业原住民”，天然握有别人拿不到的牌。中国工程院院士、大连化物所所长刘中民的判断是：发展智能化工，实现新技术开发从”实验室一步到工厂”，是当前及未来化工领域必争的”科技制高点”。”必争”两个字，说明行业内部对这场变革的紧迫性已有共识。

2.3 强付费：B端的钱，只花在”能算清账”的地方

第三重属性是付费能力。化工企业，尤其是头部石化企业，单体年营收动辄千亿级，一项工艺优化、一次催化剂评价效率的提升、一起故障的提前预警，都能折算成实打实的现金流。这让化工成为少数”AI价值可以当面算账”的行业：投入多少、节省多少、增产多少，财务模型清清楚楚。

政策面也在同一方向发力。2026年4月，工信部等七部门联合印发《加力推进石化化工行业老旧装置更新改造行动方案（2026—2029年）》，明确到2029年全面完成老旧装置更新改造任务。装置更新的过程，天然是数据采集、数字化改造、智能化升级同步推进的过程。行业政策、企业预算、技术成熟度在2026年这个时点上形成了罕见的三重共振——化工AI从”可选项”变成了”必选项”。

把三重属性放在一起看，逻辑就完整了：高价值决定了”值得做”，高壁垒决定了”别人不容易抢”，强付费决定了”做了能收到钱”。这三条不仅是化工行业的画像，也构成了检验其他行业是否适合AI落地的通用标尺。用这把尺子去量钢铁、电力、矿山、制药，你会发现工业AI的先锋队为什么是这几个行业，而不是别的。

三、工业AI落地的4个真相

讲完事件与行业背景，我们进入本文的核心部分。以智能化工大模型为样本，结合近两年工业AI领域的整体观察，软盟资讯编辑部提炼出四个”与舆论叙事不完全一致”的真相。它们可能不悦耳，但对正在或打算进入工业AI赛道的企业决策者和创业者来说，比任何概念科普都更有用。

真相一：没有”一个大模型包打天下”，只有”大模型+智能体+专业工具+场景数据”

2023年前后，行业里流行一种叙事：通用大模型足够聪明，只要加上提示词工程，就能解决一切专业问题。两年多过去，这条路线在工业领域基本被证伪。3.0 Pro给出的反例极具代表性：它的核心不是那一个大模型，而是”大模型—智能体—专业技能与工具—应用场景”四层体系的组合式架构。大模型负责认知与规划，智能体负责任务执行，400多个专业工具承担物性计算、流程模拟、动力学建模等确定性计算，场景数据负责把一切锚定在真实工业约束上。

为什么必须是组合式的？因为工业任务的性质决定的。化工研发与设计中的大量环节，本质是数值计算与机理推演，这类任务要的不是模型的”创造力”，而是可复现、可验证、误差可控。让大模型直接”背出”一个反应器的传热系数是危险的，让它调用专业工具去”算出”这个系数才是可靠的。大模型在体系里的角色，从”全能选手”退到了”指挥官”——这看似降级，实则是AI在工业中找到的正确位置。某种意义上，3.0 Pro的四层架构可以被视为工业AI的”参考架构”：任何声称用单一模型解决工业问题的方案，都值得多问一句”结果谁来校核”。

这对产业格局的含义是深远的：工业AI的价值分配，将大量沉淀在智能体层和工具层，而不是基座模型层。基座模型会趋于少数几个寡头，但”谁最懂某个行业的工作流、谁积累了某个场景的工具链”才是垂直玩家的护城河。这也是为什么阿里云、华为愿意作为底座方加入，而真正定义产品形态的是大连化物所这样的行业科研机构。

真相二：行业Know-how比模型能力更重要

第二个真相可能让技术信仰者不太舒服：在工业AI落地中，模型能力是入场券，行业Know-how才是决胜牌。

证据就藏在研发过程的细节里。科大讯飞方面复盘时明确说过，最大难点是数据稀缺导致难以标注，以及跨专业交叉领域学习的困难；解决方式是邀请化工专家深度参与技术研发、推动AI团队深入生产一线，双方共同制定数据标准、设计功能架构——”在缺乏行业先例的情况下，联合探索人工智能赋能化工领域的新路径”。请注意这里的顺序：不是”AI团队做出产品让行业适配”，而是”行业专家深度参与产品定义”。谁来主导，决定了产品是”看起来智能”还是”真的好用”。

行业Know-how具体指什么？至少三层：其一，知道真问题在哪——知道中试放大是”死亡之谷”，知道催化剂积碳测量卡在哪一步，这些判断决定了产品做什么、不做什么；其二，知道数据怎么变成知识——哪些数据要标注、按什么标准标注、什么样的问答对才是高质量训练材料，这些决策没有行业经验寸步难行；其三，知道结果对不对——工业方案的校核需要机理约束和工程经验，纯AI团队无法自证。

智能化工大模型为什么能成？回头看，这个项目从2016年就开始布局AI与化工的结合，从1.0到3.0 Pro每一步都踩在真实研发场景上。大连化物所贡献的不只是数据，更是数十年催化与工程研究沉淀的问题清单和验证能力。换句话说，数据可以慢慢攒，Know-how却买不到、抄不来。这也是对所有工业AI团队的提醒：如果你团队里没有一半人能听懂客户的工艺语言，你的产品大概率停留在Demo阶段。

真相三：从”能聊天”到”能干活”，才是付费临界点

第三个真相关于商业化。B端客户愿意为什么付费？两年多的实践给出了越来越清晰的答案：知识问答可以试用，任务执行才肯付费。

逻辑不难理解。问答型AI替代的是什么？是一个查手册、检索文献的动作，这个动作在工程师的工作流里价值密度不高——就算AI答得又快又准，也只是”省了点时间”。而任务执行型AI替代的是什么？是完成一次流程设计、一轮动力学建模、一场催化剂表征——这些任务原本要占用工程师数天甚至数周，或者需要外包给专业机构付费完成。价值锚点从”省时间”变成”交成果”，付费逻辑才成立。

3.0 Pro版本号里的”从会回答到会执行”，本质上就是一次商业化定位的升维。叶茂说得明白：3.0 Pro不再局限于”给出答案”，而是能针对具体化工任务组织形成解决方案，从辅助知识获取的”专业助手”升级为能协同专业人员完成复杂任务的”智能工程伙伴”。1400万次API调用、300余家机构注册，这些数字背后是工程师在技术研发、工程设计、工艺优化、故障诊断场景中”真用上了”——而”真用上”的前提，是它能干活。

这条真相对To B创业者的推论相当残酷：如果你的产品还停留在”帮你查、帮你写、帮你总结”，无论包装多少专业术语，客户都只会按工具软件的价格给你估值；只有当你的产品出现在客户的交付物里、出现在生产装置旁，你才拿得到产业级定价。付费临界点不在模型参数过某个阈值的那一刻，而在“AI的输出第一次直接变成工程成果”的那一刻。

真相四：小团队做不了全行业，深耕一个细分场景就够活

第四个真相关于生存策略。看到化工大模型的风口，很多创业团队的第一反应是”我们也做一个工业大模型，覆盖某某行业全场景”。但3.0 Pro的案例恰恰说明：即便是背靠国家队研究所、联手三大科技巨头的顶配团队，也只能选择以点带面、逐场景攻坚——先做催化反应、工艺开发、中试放大、工厂优化四大平台，先啃甲醇制烯烃这一个成熟工艺，4.0规划里依然把”以甲醇制烯烃等典型成熟工艺为验证场景”写进路线图。国家队尚且如此，小团队凭什么幻想全行业通吃？

这不是能力问题，是结构问题。工业场景之间存在巨大的知识断层——催化、分离、聚合、精细化工，每个细分领域的机理体系、数据形态、客户分布都截然不同。横向扩场景的边际成本不是递减而是递增的。与之相对，纵向挖深一个场景的价值曲线是陡峭的：当一个团队把某个细分场景的机理、数据、工具链、客户信任全部做穿，它会形成极强的复利效应——这个场景里所有新问题都会找它，数据飞轮越转越快。

看一下已有案例的颗粒度就明白了：反应动力学智能体做的不是”通用化工”，而是”甲醇制丙烯流化床工艺反应动力学”这一件事，做到能支撑技术许可应用的程度；催化剂表征智能体做的不是”通用分析”，而是”甲醇制烯烃装置催化剂积碳与粒径测量”这一件事，做到把小时级测量压缩到分钟级。工业AI的商业单位不是”行业”，是”场景”。一个几十人的团队，在一个细分场景里做到不可替代，收入天花板可能比追风口的”平台型”公司更实、更高。做不了全行业不是遗憾，是幸运——它意味着巨头算不过来这笔账的地方，才是你的根据地。

四、场景深描：那些已经”跑起来”的落地样本

为了让前文的判断更有实感，这一节把已披露的落地案例摊开来看。它们规模未必最大，但胜在细节完整、链条闭环，是观察工业AI真实成色的最佳切片。

细看这份清单，可以提炼出三个共性特征。第一，全部锚定”甲醇系”成熟工艺——甲醇制烯烃、甲醇制丙烯，这是大连化物所的看家领域，技术验证风险最低、数据积累最厚。这再次印证了真相四：国家队也在自己最熟的场景里打歼灭战。第二，价值表述全部可量化——”10倍以上””小时级到分钟级””50万吨/年项目技术许可”，没有一句”赋能””重塑”式的空话。工业客户的世界里，能被量化的才被相信。第三，链条穿透研发与生产两端——从催化剂评价到工艺许可再到装置运行，AI不是浮在某个环节的插件，而是嵌进了”实验室—中试—工厂”的完整链条。

值得对照的是另一组数字：从40余家到90余家再到300余家注册机构，从2.0 Pro的”试用”到3.0 Pro的”API累计调用突破1400万次”。试用机构数的增长说明好奇驱动的尝鲜在扩散，而调用量才是”用脚投票”的硬指标——没有持续调用，注册数就是虚的。工业AI产品的采用曲线，正在从”PPT里的未来时”切换到”报表里的进行时”。

五、给To B AI创业者的3条建议

基于上述分析，软盟资讯编辑部为To B AI创业者整理三条可操作的建议。它们不构成任何投资或经营决策的唯一依据，但求提供一个经过案例校准的思考框架。

六、结语：”一步到工厂”还有多远

按照官方路线图，下一阶段的智能化工大模型4.0将强化跨尺度理解、复杂科学问题求解和多智能体协同能力，以深度推理与多工具协同规划为主攻方向，并以甲醇制烯烃等典型成熟工艺为验证场景，逐步贯通实验室研发、工程设计与工厂运行，构建实验室”一步到工厂”的化工研发新范式。

从2024年3月的1.0，到今天的3.0 Pro，再到规划中的4.0，这条路线给出的启示超出化工本身：中国工业AI的落地路径，不是等待某个”超级模型”从天而降，而是让模型在真实场景里一轮一轮地长大。每一次版本迭代背后，是数据基础设施的加码、是场景颗粒度的细化、是验证闭环的收紧。这条路慢，但每一步都踩得实。

对更广泛的产业观察者而言，化工大模型的演进提供了一个难得的”全程标本”：它完整展示了垂直工业AI从知识检索、到智能体平台、到任务执行系统的进化全程，也展示了科研机构、AI厂商、工业软件商、数据要素机构如何在一个实验室里坐到同一张桌子前。这套打法能否复制到钢铁、有色、建材、制药，值得持续跟踪。而它尚未回答的问题——跨场景扩张的成本曲线、中小化工企业的普惠接入、数据权属与安全的边界——同样是下一阶段产业叙事的关键悬念。软盟资讯将继续保持关注。