做工艺包，AI能替你干到哪一步？
— 当 Aspen Plus 装上了大脑 —
最近两个月，化工圈讨论 AI 的画风变了。
以前聊"AI 会不会替代工艺工程师"，多半是泛泛而谈；今年 7 月开始，话题开始具体起来——7 月 23 日，ACS 旗下《Industrial & Engineering Chemistry Research》正式刊出一篇论文，台湾嘉义大学/中兴大学联合团队把 Claude Sonnet 4.5 通过 MCP 接进了 Aspen Plus；7 月 27 日，首尔大学公开了另一个独立项目 Aspen-MCP；中科院大连化物所的"智能化工大模型 2.0"已经在工业催化、流体仿真、化工分离等五个方向跑通了八大功能；AspenTech 的 V15 版本直接把 Aspen Virtual Advisor（AVA）装进了 HYSYS——一个会回答你"这个塔为什么跑不出来"的 AI 副驾驶。
风向的转变点在于：AI 不再"讨论工艺包"，它开始真正"操作工艺包"。
那工艺包这 8 道工序，AI 到底走到了哪一步？工程师现在最该关心的问题，已经从"AI 会不会抢我饭碗"变成"我已经能拿它替我干点什么"。
01
先把工艺包拆成 8 道工序
按中石化 SPMP-STD-EM2001《石油化工装置工艺设计包（成套技术工艺包）内容规定》的思路，再结合咱马后炮化工论坛上帖子《工艺包开发的核心步骤及要点》，一份完整的工艺包大致走这 8 道工序：
1. 工艺路线选择2. 基础数据收集（物性、反应、安全）3. 流程模拟与工艺参数优化4. 物料衡算与热量衡算5. 关键设备选型与工艺数据表6. PFD（工艺流程图）与 P&ID（管道仪表流程图）绘制7. HAZOP / SIL / 安全联锁分析8. 工艺手册、操作手册、化验手册编制
下面按工序说 AI 现在的能力边界。
02
AI 已经能落地的环节
一、基础数据收集：从翻手册到一键抽取
过去这一步，工程师要在 NIST WebBook、Reaxys、《化学工程手册》、企业自建数据库、专利里反复跳。AI 现在能做的是：
从 PDF/专利里抽取物性数据。AutoChemSchematic AI 团队用 1020+ 化学品的工艺知识图谱，喂给 1B/135M 参数的小模型，模型就能按"主谓宾"结构把反应条件、催化剂、设备清单结构化抽出来。
物性方法推荐。AspenTech V15 的 AIMB 模块可以直接从实验数据或工厂数据生成混合模型，少做很多机理性参数调整。
文献/专利问答。大连化物所智能化工大模型 2.0 把文献情报中心的能力接进来，做"基于内部知识库的快速检索"。
落地程度：已可工业使用，但人必须校核。原因是不同来源的物性数据有冲突，AI 不知道哪个能信。
二、流程模拟：自然语言接口真的来了
这是过去 3 个月最值得关注的进展。
ACS 论文里的 Aspen Plus Copilot，用 42 个工具分 7 个分类（模型初始化、物性、单元操作、收敛、结果分析等）把 Aspen 的 COM 接口封了一层。工程师说一句"建一个水-乙醇二元精馏，目标 90 wt%"，Copilot 就能自己选 NRTL 物性方法、配置塔、设回流比、跑模拟，6 次独立运行后产品纯度偏差控制在 ±0.1% 以内。压力变换精馏那个案例更有意思——系统主动识别出共沸限制，没硬把工艺"优化成功"，最后卡在 97.86 wt%。
首尔大学的 Aspen-MCP 是独立工作，用同一思路复现了类似结果。AVEVA Process Simulation 也有团队把它接进了大模型（水-甲醇分离案例）。HYSYS V15 的 AVA 走得更工程化，定位是"实时诊断 + 下一步建议"。
落地程度：研究阶段已验证，工程落地还需要 1–2 年。能替工程师干的事是"机械的、重复的模拟操作"——建几十个工况、批量改参数、对比结果、整理数据。不能替的是热力学判断和工程经验。
三、物料衡算 / 热量衡算：基本是流程模拟的副产品
物料衡算和热量衡算本身在工艺包中大多通过 Aspen Plus / ProII 的模拟结果导出。AI 现阶段能做的：
自动汇总模拟结果成物料平衡表 / 能耗表。换热网络综合的代理模型优化。BASF / 万华的 AI 辅助间歇反应器连续化案例里，混合神经网络-遗传算法把能耗降了 18%，产能提升 12%。多目标参数寻优。中石化某炼厂用 AI 算法优化乙烯裂解炉，能耗 −30% 同时高价值产品收率上升。
落地程度：已成主流工程实践（数字孪生方向），不是新概念，但"AI 自动跑 + 人判断"的新工作流正在形成。
四、HAZOP / 工艺安全分析：辅助已经成熟，替代还远
HAZOP 这种"系统性偏差分析"原本很烧脑。北京欧倍尔化工软件已经把 NLP 集成进去，自动生成 HAZOP 节点与偏差分析报告，识别风险效率提升一倍，事故发生率下降 30%。中控技术的 TPT 时序大模型在广西华谊、山东某化工上做动态风险管控，思路是"在两个红绿灯外就看见小猫"——提前预警。
落地程度：辅助岗位已被 AI 占据大半，但安全结论的最后签字，仍然是人的责任。
五、文档与报表起草：本来就不该人干
工艺说明、操作手册、化验手册这类文档，AI 早就在做了。ChemLLM、ChemGPT 1.0、华东师大 ChemGPT 这类工具能按模板生成初稿，工程师改改语气、补充数据就能用。
落地程度：已经在用，但要注意几个常见坑：① 仪表位号与 P&ID 不一致；② 安全提示语被模型"润色"成普通提示语；③ 引用规范号错位。
03
AI 现在只能打辅助的环节
工艺路线选择
AI 能干"信息收集与对比"，不能干"决策"。原因是：原料来源、产品市场、技术成熟度、知识产权、环保政策这些维度中，只有少量可以结构化。中科院过程所的"AI 工艺路线推荐"目前更多是文献综述层的工作，没见过真正能替技术选型委员会做决定的系统。
关键设备详细设计
反应器、塔器、换热器的工艺数据表，AI 现在能辅助"选型初定"和"参数整定"，但工程材料、特殊介质处理、机械设计边界（NB/T 47020 等规范对接），仍然要人做。
工艺包的中试放大
这一块恰恰是"AI 的强项"在实验室尺度（RoboRXN、ASKCOS 这类自驱动实验室）和"工业级真实反应"之间存在明显鸿沟。混合神经网络能跨过一些场景（BASF/万华的间歇→连续化改造），但不能跨过"小试到中试"这一步的工程不确定性。这一段目前必须靠人。
04
工程师当下能上手的 7 类工具
按"国内可用 / 海外可学"两个层次列：
插个题外话~软件咨询：
刘经理 18016003556
邮箱：liukun@liujun.tech
05
现阶段化工工程师要牢记
第一，AI 现在是副驾驶，方向盘还不能交。Aspen Plus Copilot 取名很准确——它能替工程师省下大量机械操作时间，但不能替你在物性方法、共沸、收敛失败时做判断。
第二，软件操作门槛降低，不代表工程判断门槛降低。AI 很快搭好一个精馏流程后，真正难的问题反而更快出现：为什么选这个物性方法？体系有没有共沸？结果在物理上是否合理？换一个进料组成结论还成立吗？
第三，AI 最值得工程师花时间学的能力不是 prompt 技巧，而是"如何判断 AI 给出的方案哪里错了"。这一点，对论坛帖子里讲过的"实验室纯度原料和工业粗料差距"那一类问题，AI 现在还看不出。
工艺包这 8 道工序，AI 已经把"机械操作层"吃下了相当一部分。下一步它能不能吃下"工程判断层"，要看专业数据的标准化、模型可解释性、还有企业里"经验数据"能不能被允许进入模型训练。
这一波工业 AI 的真正主角，不是模型参数从 7B 涨到 70B，而是工艺工程师把多少"经验"和"判断标准"沉淀成可被模型调用的知识。
你用 AI 干过工艺包哪道工序？效果怎么样？踩过哪些坑？欢迎来评论区一起聊。
REFERENCE
· ACS Ind. Eng. Chem. Res. 2026, 65, 31, 16718
· 化工进展《人工智能在化学工程领域的应用进展》(doi:10.16085/j.issn.1000-6613.2026-0490)
· 中国新闻网"化工行业如何智能化转型"
· arXiv:2505.24584 AutoChemSchematic AI
· 贤集网"AIGC 驱动化工行业工艺优化设计"
· meng.horse 论坛 264318《工艺包开发的核心步骤及要点》
· 中石化 SPMP-STD-EM2001《石油化工装置工艺设计包内容规定》