一個常見的詢單：客戶要一只包膠按鍵，條件寫著「低揮發、邵 A 40、抗撕 ≥12 kN/m、90 ℃×70 h 壓縮永久變形 ≤20%、UL94 V0」。配方工程師的常規動作是排 10~12 個配方、三輪打樣、每輪三到六週。材料資訊學要解決的不是讓模型憑空給出配方，而是把這輪排除法做得更快、更少、且每一步都有紀錄可查。
一、先分清三種「AI」，它們解決的問題不一樣
產業裡說的「AI 配方」通常混著三件事：一是配方篩選——在幾十個變數裡決定下一組做什麼實驗；二是性能預測——用歷史資料估一個配方在某個條件下的表現；三是工藝閉環——模內感測加統計模型，把調機經驗固化成參數窗口。三件事的資料量、失敗方式完全不同，混在一起談，很容易得出「AI 不準」的結論。
二、配方篩選：小樣本才是常態
矽膠配方的實驗成本高：一組混煉、硫化、裁樣、測試走完，一天做不了幾組，一個實驗室一年可能只有幾百條完整資料。這個量級上深度學習不佔優勢，反而是貝氏優化、高斯過程這類小樣本方法更合適——它不要求先有大模型，而是每一組實驗結果都用來決定下一組做什麼。
關鍵是目標函數怎麼寫。把客戶要求翻譯成三到五個可測目標（硬度、抗撕、壓縮永久變形、揮發分、阻燃等級），再加約束（成本上限、法規清單、現有工藝窗口），比把十幾個指標一股腦丟進去更有效。約束寫清楚，模型才不會推薦一個性能很好、但模具打不出來的配方。
三、資料口徑比模型更值錢
這是落地時最容易被跳過的一步。同一批資料裡如果混著不同拉力機、不同裁刀、不同硫化條件、不同停放時間，模型學到的其實是測試差異，不是材料差異。可用的做法是先做一張「資料卡」：生膠門尼、白炭黑比表面積與處理劑、含氫矽油氫含量、鉑金濃度、抑制劑、硫化曲線 T90、硬度、抗撕、壓縮永久變形、揮發分——每個欄位都帶上測試條件。
這張卡的價值不在演算法，而在讓研發、品質與供應商用同一套語言描述同一批料。不少工廠做完這一步會發現，過去三年的資料裡有一半不可比；先把口徑統一，再談模型。
四、老化預測：能排優先順序，不能替代放行
壓縮永久變形、撕裂強度隨溫度與時間變化，產業裡常用時間與溫度疊加（Arrhenius 一類）的方法做加速老化。模型能做的是：用同一批次的多個溫度點擬合，估出 90 ℃、100 ℃ 下的趨勢，幫你在幾個候選配方之間排優先順序。它不能做的是：把 150 ℃ 下幾週的資料外推到十年——溫度越高，副反應路徑可能已經變了，外推出來的數字沒有意義。
所以驗收口徑要寫死：預測值只用於排序，放行仍以同批次實測為準；外推的溫度上限寫進內部規範，不要讓業務拿去做壽命承諾。
五、工藝閉環：把調機經驗變成參數窗口
模內壓力與溫度曲線和外觀、尺寸之間的關聯，是矽膠成型裡最值得數位化的部分：同一種缺陷，老師傅看曲線形狀就能判斷是排氣不良還是膠料流動性變了。把這類判斷記錄成「曲線特徵 → 處置動作」，再用統計模型做提示，新人也能在半小時內定位問題。與線上視覺檢測串起來，就從「檢出不良」走到「提前調參」。
這一層的門檻不在演算法，而在願不願意把參數曲線存下來。沒有歷史曲線，任何模型都無從訓練。
六、三件仍然繞不過去的事
- 樣本量：幾十條資料撐不起複雜模型，先老老實實做 DOE，再用優化方法決定下一組；
- 可解釋與審核：客戶審核問的是「為什麼這個配方能滿足 90 ℃×70 h」，模型給不出機理，就要回到配方結構與硫化體系去解釋；
- 原料批次漂移：生膠門尼、白炭黑比表面積、抑制劑批差會讓「離線準、上線飄」，模型必須能隨批次更新，否則用兩次就沒人信。
七、一個 90 天的落地路徑
| 階段 | 做什麼 | 產出 |
|---|---|---|
| 第 1~2 週 | 清洗歷史資料，統一測試口徑 | 可用的資料卡與欄位字典 |
| 第 3~6 週 | 補 12~20 組 DOE，覆蓋變數邊界 | 一張能看出趨勢的實驗表 |
| 第 7~10 週 | 用優化方法選 2~3 個候選配方 | 候選清單與驗證計畫 |
| 第 11~13 週 | 加速老化與小批量驗證 | 放行資料與工藝窗口 |
這套流程通常能把候選配方從十組以上壓到兩到三組、打樣輪次減少一到兩輪；前提是資料口徑先統一，否則省下的時間會以返工的形式還回去。
八、採購與結構工程師可以問的五個問題
- 你們的配方資料是按同一口徑測的嗎？測試條件能不能給？
- 模型是用來排序，還是用來放行？
- 老化外推的溫度上限是多少？超過上限怎麼驗證？
- 原料換批次時，哪些指標會觸發再驗證？
- 模型結論和實測衝突時，以哪個為準？
結論
材料資訊學不會替代配方工程師。它替代的是「把已知的排除法做完」的時間，讓工程師把精力放回機理、界面與失效分析。真正的瓶頸仍然是測試口徑與資料治理——這兩件事做完，演算法才有意義。