传统农药制剂研发面临试错周期长、多参数优化难度大及经验依赖性强等瓶颈，随着农业智能化进程加速，人工智能技术以其卓越的数据处理与建模能力，成为突破产业升级瓶颈的核心驱动力，正逐步重塑农药制剂研发范式。通过AI技术驱动配方设计、生产过程优化及施药环节精准调控，不仅显著提升农药开发效率与精准性，更以数据赋能实现成本控制、质量控制与环境保护，为农药制剂的高效化、绿色化与精准化提供了革新路径。以下从配方智能设计、生产智能管控、施药智能优化展开论述。
1 AI技术驱动配方设计
在研发过程中，通过整合历史配方数据、物化参数及实验结果，机器学习算法可快速筛选配方，识别出与特定农药活性成分相匹配的助剂，显著缩短传统试错周期。Cao等人报告了一种结合机器学习分类算法和Thompson采样高效多目标优化（TSEMO）算法的方法，TSEMO算法基于贝叶斯优化框架，通过构建高斯过程概率模型动态预测稳定性、浊度、粘度和成本等关键参数间的权衡关系，实现了离散型目标（如相稳定性）与连续型目标（如粘度、浊度、原料价格）的协同优化。显著提升了复杂配方的优化效率，加速了配方液体产品的设计和上市时间。该程序在15个工作日内找到了9个符合要求的配方，配方为9,270 mPa・s的均相配方，浊度值略高于200 NTU，这些配方在目标性能上优于基于人类经验的配方（图1a）。陶氏化学与微软机器学习团队合作，将AI技术和机器学习应用于定制聚氨酯产品的开发。他们建立的模型吸收了大量历史聚氨酯配方数据，用于指导新产品开发。利用机器学习整合多维度数据，建立“配方组成-性能指标”预测模型，解决传统试错中多参数耦合优化难题。未来需加强跨企业数据共享（如建立行业级配方数据库），以提升模型泛化能力。
高通量机器人结合自主学习算法，实现“实验设计-执行-分析”闭环，解决人工实验通量低、创新发现能力不足的问题。Camilla等人与研究AI技术与深度学习的软件公司合作，使得实验数量大幅增加，更高效地创新新的活性成分，从而在更短的时间内获得更多有用信息，提高研发效率。人们通常一天可以制作2到3个样品配方，使用该系统可以制作2到300个。Grizou等人的研究则展示了化学机器人配备的好奇心算法（curiosity algorithm，CA）的自助发现潜力。如图1b所示，利用该算法能够高效探索复杂化学系统可能展现的状态，无需明确的优化目标，可以开放式探索配方。好奇心算法的应用可以在有限的实验预算下更有效地进行实验，从而有助于农药制剂开发中的新发现，并可能为配方化学领域带来潜在的应用。
（a）使用机器学习DoE驱动的机器人实验优化配方。（b）左侧显示，与随机实验相比，好奇心算法（curiosity algorithm，CA）在相同的实验预算内显著提高了探索行为空间的百分比，并发现了更多稀有和有趣的液滴行为；右侧表明，CA机器人能够检测到微小的温度变化对液滴行为产生的显著影响，而随机实验则无法显著观察到这种差异。
图1 智能算法驱动的自动化实验优化与发现
AI技术在农药制剂设计中的应用正逐步实现从理论探索到工业应用的跨越。诸多软件研发公司通过优化算法以及与实验设计、化学信息学结合等方式，显著降低了制剂研发的试错成本。还通过实时反馈与自适应调整机制，使制剂开发摆脱了对海量实验数据的依赖，为制剂研发行业提供了高效智能的技术支持。通过AI技术可以高效分析数据，Ben Pellegrini等人基于机器学习算法与实验设计的深度融合，开发出智能化制剂优化平台。该平台通过分析大量历史配方数据与实验参数，能够比传统方法快10倍的识别出配方组合。AlánAspuru-Guzik实验室的研究人员则将自动化实验与化学信息学和物理学结合，通过AI技术预测助剂-活性成分的相容性，优化制剂稳定性，为制剂设计提供了高效、精准的智能化工具。
AI技术可以进一步优化算法，在低数据量下就可以开始进行运算。John Gabbert研究团队提出的适应性实验设计与机器学习模型聚焦实验效率提升，基于贝叶斯优化等算法开发的智能系统，可在替换配方原材料（如更换供应商、采用生物基替代品或更经济成分）时，通过整合历史数据构建先验模型，结合实时实验结果动态调整后续方案，在多参数优化空间中高效探索与原始配方性能/稳定性相当或更优的新组合，以迭代优化策略将产品开发所需实验次数减少25%～80%，精准解决原料替换场景下“性能保持”与“成本控制”的协同优化难题。针对新活性成分、小众作物制剂等数据稀缺场景，利用迁移学习、贝叶斯优化等技术降低对海量数据的依赖。
2 AI技术辅助绿色制剂开发
在环境保护与农药减施政策背景下，传统农药制剂研发面临显著挑战。环境风险评估高度依赖的非靶标生物实验，且农药助剂的性能预测缺乏系统模型，导致低毒配方筛选周期长。AI技术通过数据驱动的建模方法，为绿色制剂开发提供了革新路径。
AI技术可高效预测助剂的生态风险与环境归趋。例如，Du等利用分子动力学模拟结合机器学习，筛选农药佐剂结构并预测其毒性，发现具有较短亲水链的Triton X对斑马鱼毒性更高（图2a）。结果表明，亲水链相对较短的TX对斑马鱼具有高度毒性，LC50为1.526 mg/L。此外，通过机器学习筛选生物标志物，并预测其他亲水链长度可能会影响斑马鱼的心脏健康。AI技术提供了一种先进的农药助剂筛选方法，可以提高农药的生物利用度，同时减少对环境的影响。
通过构建定量结构-活性关系（QSAR），可建立分子描述符（如疏水常数LogP、分子极化率）与毒性（如LC50、EC50）之间的数学模型，预测溶剂和助剂对斑马鱼、蜜蜂、藻类等非靶标生物的毒性。Zuriaga E等人对环境友好型绿色溶剂糠醛、乳酸盐和乙酰丙酸酯溶剂的毒性进行QSAR分析，利用Gaussian 03软件获取15个分子描述符并结合Log P建模，经多变量回归确定Log P、ELUMO和热容（CV）为关键变量（图2b）。崔毅等人基于定量结构-活性相关性（QSAR）原理，研究了27种羧酸及其衍生化合物结构与其急性毒性LC50之间的内在定量关系。应用遗传算法从大量结构参数中优化筛选出与LC50最为密切相关的5个参数作为分子描述符，得出影响羧酸及其衍生物急性毒性的主要结构特征为分子的大小及其空间效应等。
(a)利用分子动力学模拟和机器学习筛选农药佐剂的结构并预测其毒性流程图；(b)用于预测传统和衍生生物质溶剂对斑马鱼生物模型毒性影响的QSAR模型。
图2 基于计算模拟的毒性预测模型
AI技术可以进一步整合制剂物化参数和环境介质特性的数据，构建多维度环境行为预测模型，实现对农药在复杂环境中归趋过程的动态模拟。研究表明，有机物的正辛醇/水分配系数（Kow）值与其水溶解度、生物富集系数以及沉积物、土壤的吸附系数都有很好的相关性，因此Kow值是评价有机污染物环境行为和生物活性的一个重要的理化参数。但由于实验测定费时费力，不能满足化合物生态风险评价的标准，顾敬梓通过QSPR建立三嗪类除草剂和苯基脲类除草剂Kow值的预测模型，并对分配机理进行解释，解决了实验测定耗时费力的问题，为生态风险评价提供了高效工具。针对土壤吸附系数（Koc）这一环境风险关键参数，Shao等人基于964种非离子有机化合物的数据集，采用多元线性回归（MLR）、最小二乘支持向量机（LS-SVM）等建模方法开发QSPR模型，其中LS-SVM模型性能最优（训练集R²=0.913，预测集R²=0.917），可精准模拟农药在土壤中的迁移转化规律。
AI技术通过“分子结构-环境风险-配方优化”的跨尺度建模，降低了绿色助剂筛选周期，同时提升了环境风险评估的精准性。这一技术突破不仅降低了传统研发对动物实验的依赖，更通过数据驱动的“环境友好导向设计”，推动农药制剂从“经验试错”向“精准绿色制造”转型，为实现农药减施与生态安全的协同目标提供了核心技术支撑。
（节选自《农药学学报》2026年第1期“人工智能在农药制剂研发与精准施用中的创新应用及发展趋势”；作者：中国农业科学院 植物保护研究所 马晓旭 曹立冬 黄啟良 曹冲）
