一个常见的询单：客户要一只包胶按键，条件写着「低挥发、邵 A 40、抗撕 ≥12 kN/m、90 ℃×70 h 压缩永久变形 ≤20%、UL94 V0」。配方工程师的常规动作是排 10~12 个配方、三轮打样、每轮三到六周。材料信息学要解决的不是让模型凭空给出配方，而是把这轮排除法做得更快、更少、且每一步都有记录可查。
一、先分清三种「AI」，它们解决的问题不一样
行业里说的「AI 配方」通常混着三件事：一是配方筛选——在几十个变量里决定下一组做什么实验；二是性能预测——用历史数据估一个配方在某个条件下的表现；三是工艺闭环——模内传感加统计模型，把调机经验固化成参数窗口。三件事的数据量、失败方式完全不同，混在一起谈，很容易得出「AI 不准」的结论。
二、配方筛选：小样本才是常态
硅胶配方的实验成本高：一组混炼、硫化、裁样、测试走完，一天做不了几组，一个实验室一年可能只有几百条完整数据。这个量级上深度学习不占优势，反而是贝叶斯优化、高斯过程这类小样本方法更合适——它不要求先有大模型，而是每一组实验结果都用来决定下一组做什么。
关键是目标函数怎么写。把客户要求翻译成三到五个可测目标（硬度、抗撕、压缩永久变形、挥发分、阻燃等级），再加约束（成本上限、法规清单、现有工艺窗口），比把十几个指标一股脑丢进去更有效。约束写清楚，模型才不会推荐一个性能很好、但模具打不出来的配方。
三、数据口径比模型更值钱
这是落地时最容易被跳过的一步。同一批数据里如果混着不同拉力机、不同裁刀、不同硫化条件、不同停放时间，模型学到的其实是测试差异，不是材料差异。可用的做法是先做一张「数据卡」：生胶门尼、白炭黑比表面积与处理剂、含氢硅油氢含量、铂金浓度、抑制剂、硫化曲线 T90、硬度、抗撕、压缩永久变形、挥发分——每个字段都带上测试条件。
这张卡的价值不在算法，而在让研发、品质与供应商用同一套语言描述同一批料。不少工厂做完这一步会发现，过去三年的数据里有一半不可比；先把口径统一，再谈模型。
四、老化预测：能排优先级，不能替代放行
压缩永久变形、撕裂强度随温度与时间变化，行业里常用时间与温度叠加（Arrhenius 一类）的方法做加速老化。模型能做的是：用同一批次的多个温度点拟合，估出 90 ℃、100 ℃ 下的趋势，帮你在几个候选配方之间排优先级。它不能做的是：把 150 ℃ 下几周的数据外推到十年——温度越高，副反应路径可能已经变了，外推出来的数字没有意义。
所以验收口径要写死：预测值只用于排序，放行仍以同批次实测为准；外推的温度上限写进内部规范，不要让销售拿去做寿命承诺。
五、工艺闭环：把调机经验变成参数窗口
模内压力与温度曲线和外观、尺寸之间的关联，是硅胶成型里最值得数字化的部分：同一种缺陷，老师傅看曲线形状就能判断是排气不良还是胶料流动性变了。把这类判断记录成「曲线特征 → 处置动作」，再用统计模型做提示，新人也能在半小时内定位问题。与在线视觉检测串起来，就从「检出不良」走到「提前调参」。
这一层的门槛不在算法，而在愿不愿意把参数曲线存下来。没有历史曲线，任何模型都无从训练。
六、三件仍然绕不过去的事
- 样本量：几十条数据撑不起复杂模型，先老老实实做 DOE，再用优化方法决定下一组；
- 可解释与审核：客户审核问的是「为什么这个配方能满足 90 ℃×70 h」，模型给不出机理，就要回到配方结构与硫化体系去解释；
- 原料批次漂移：生胶门尼、白炭黑比表面积、抑制剂批差会让「离线准、上线飘」，模型必须能随批次更新，否则用两次就没人信。
七、一个 90 天的落地路径
| 阶段 | 做什么 | 产出 |
|---|---|---|
| 第 1~2 周 | 清洗历史数据，统一测试口径 | 可用的数据卡与字段字典 |
| 第 3~6 周 | 补 12~20 组 DOE，覆盖变量边界 | 一张能看出趋势的实验表 |
| 第 7~10 周 | 用优化方法选 2~3 个候选配方 | 候选清单与验证计划 |
| 第 11~13 周 | 加速老化与小批量验证 | 放行数据与工艺窗口 |
这套流程通常能把候选配方从十组以上压到两到三组、打样轮次减少一到两轮；前提是数据口径先统一，否则省下的时间会以返工的形式还回去。
八、采购与结构工程师可以问的五个问题
- 你们的配方数据是按同一口径测的吗？测试条件能不能给？
- 模型是用来排序，还是用来放行？
- 老化外推的温度上限是多少？超过上限怎么验证？
- 原料换批次时，哪些指标会触发再验证？
- 模型结论和实测冲突时，以哪个为准？
结论
材料信息学不会替代配方工程师。它替代的是「把已知的排除法做完」的时间，让工程师把精力放回机理、界面与失效分析。真正的瓶颈仍然是测试口径与数据治理——这两件事做完，算法才有意义。