【摘要】2024年諾貝爾獎的頒發，標志著AI for Science（AI4S）研究范式的崛起。

這一背景下，多個公司積極布局AI4S。國內材料行業面臨先進基礎材料質量不均、關鍵戰略材料受限以及前沿新材料技術尚待突破等問題。AI輔助研發能夠有效縮短材料從發現到應用的周期，提升研發效率。

但同時，電池材料研發仍面臨著高質量數據不足、人才短缺的困難。

如何在把握靈魂和尋找供應商加速革新之間做出選擇，也是AI時代電池材料廠商的新問題。

搜索添加芯流微信Aristodemus0403，深入交流更多新能源行業新進展（不建群），市場與項目咨詢、人才服務、決策研判。

以下為正文：

“鋰電下一個十年的技術競爭核心在于材料，而人工智能正在改變材料的研發范式，將大幅度加速全固態電池的研發速度”，中國科學院院士歐陽明高在今年1月的一次會議上如是說道。

無獨有偶，今年3月，寧德時代董事長曾毓群表示，“挖掘新能源材料、體系和應用方案的AI都是要聚焦做的事情”。寧德時代設立的香港研發中心最主要聚焦于AI for Science（人工智能驅動的科學研究）。

AI，一個看似新興的力量，正在悄然間擊碎電池材料研發以數十年計算變遷速度的固定范式。

如何利用、能否先一步利用、產生的實際效果如何，足以讓這個足夠新潮的概念成為潘多拉魔盒，具有豐富想象空間的同時，也暗藏風險。

01AI for Science正在改變研究范式

最近幾年，依托通用人工智能強大的算力和模型高效率、高精度地解決問題幾乎成為科研界的常態。

10月8日，瑞典皇家科學院宣布，將2024年諾貝爾物理學獎授予美國科學家約翰·霍普菲爾德和英裔加拿大科學家杰弗里·辛頓，以表彰他們“通過人工神經網絡實現機器學習的基礎性發現和發明”。

次日，2024年諾貝爾化學獎授予戴維·貝克，以表彰其在計算蛋白質設計方面的貢獻；另一半則共同授予英國倫敦谷歌旗下人工智能公司DeepMind的德米斯·哈薩比斯和約翰·江珀，以表彰他們在計算蛋白質設計和蛋白質結構預測方面的突破性貢獻。

這意味著，AI成為了今年諾貝爾獎的最大贏家，AI for Science也由此進入大眾視野。

AI for Science（AI4S），即人工智能驅動的科學研究，是一種新的科學研究范式。2024年諾貝爾獎的決定，很大程度上肯定了這一研究范式、乃至整個賽道的長期價值。

隨著AI for Science的崛起，國內相關企業獲得了更多的投融資支持。舉例而言，近期深耕AI for Science領域的深勢科技再次獲得數億元融資。

自2018年成立以來，其已完成7輪融資，累計融資額超過十億人民幣，背后匯集了多家知名投資機構，如源碼資本、啟明創投、高瓴創投、經緯創投以及BV百度風投等。

與此同時，材料研發正在成為AI for Science的重要陣地。

8月下旬，港股上市的AI制藥第一股晶泰科技宣布與協鑫集團合作，為協鑫提供新能源材料研發的訂單化服務。根據其半年報披露，這份合作為期5年、總合作金額約10億元。

8月末，獲得多輪融資的AI4S創業公司深勢科技，與材料廠商東陽光簽約成立AI4S新材料研發聯合實驗室。

看似慢節奏的化學技術進步開始逐步與快節奏的人工智能形成碰撞。

02如何賦能電池研發？

目前，國內材料行業面臨眾多挑戰，包括先進基礎材料質量不均、關鍵戰略材料受限以及前沿新材料技術尚待突破等問題。

而AI輔助研發的一個最直接效果就是縮短材料從發現到應用的周期，提升研發效率。

尤其在固態電池材料和光伏鈣鈦礦材料等革命性新材料的開發中，AI4S被許多專家視為研發的關鍵突破點。

以全固態電池為例，其研發的一大難題是如何開發出穩定的電化學材料體系。

日本豐田在固態電池領域擁有全球最多的專利，過去30多年里嘗試了數萬種電解質應用于電池，但至今未能實現量產。而現在通過AI分析數萬種材料組合的穩定性和導電性，其大幅縮短了傳統實驗中逐一驗證的時間成本，為固態電池的產業化應用開辟了新的可能。

同時，人工智能在動力電池設計環節具有重要作用。

舉例而言，為有效提升電池能量密度，行業在磷酸鐵鋰的基礎上引入錳元素，由于鐵離子與錳離子半徑相近，二者可實現原子級別混合，進而得到優勢更為明顯的磷酸錳鐵鋰。但在二者混合過程中，如何調節比例關系成為了最關鍵的難題。

極大縮短實驗周期、提升電池研發和管理的可靠性，是AI技術應用于電池研發領域最核心的特點。

即通過減少重復性驗證工作及加快相應工作速度而為企業省下巨量的時間和資源成本。

如微軟和太平洋西北實驗室利用AI和超級計算技術，只用了80小時就從3200萬種候選材料中篩選出23種最具潛力的材料，并成功合成出新材料和電池原型。

最終方案是把電池中的部分鋰元素替換成鈉元素。這一創新不僅節省了傳統篩選所需的龐大資源和時間，還通過AI的高效數據處理，使研究人員能夠迅速找到性能優化的材料組合。

特斯拉在其電池生產中運用AI優化電池材料配方。通過機器學習分析材料的特性，特斯拉的AI模型能夠快速調整材料組合，以提升電池的能量密度和壽命。

AI的應用幫助特斯拉在研發階段模擬和測試數百種不同的電池配方，減少了實驗次數，加快了新型電池材料的開發周期，特別是在其最新的4680電池設計中取得了重要進展。

當然，由于海外起步較早，AI輔助材料研發的應用和案例大多集中在海外。諸如微軟、谷歌等互聯網巨頭早已開始為其云服務開發AI4S行業模型和PaaS平臺，而下游應用目前主要由大型化工和材料企業主導。

03技術向左，落地向右

盡管AI4S如火如荼，一個很難避免的現實是：國內電池材料研發仍面臨著高質量數據不足、人才短缺的處境。

與生物醫藥領域直接通過文獻公開披露數據不同，化工新材料行業相對比較封閉，涉及到材料、催化劑的原始數據則往往是企業的商業機密，并不對外開放。

而這一關鍵要素幾乎是AI4S的命脈。

針對某個具體領域、應用場景的垂直大模型，其最大的差別就是訓練時“投喂”的數據不一樣。經過訓練的垂直大模型，針對分析的結果精度會更準確，反之則效果不佳。

這意味著，那些傳統材料研發廠商勢必要嚴格遵循“靈魂論”原則，對內尋求AI能力提升，這無疑是個漫長的過程。

而早已深耕于此多年的人工智能廠商，礙于以上問題，也很難短期內拿到足夠優質的迭代數據，從而走向商業化的最終閉環。

內耗成了當前階段很難避免的問題。

與此同時，材料的AI研發屬于材料學與計算機的交叉學科，需要兩方面都精通的人才。而國內企業往往缺乏既懂材料又懂計算機的跨界人才。能夠下資本投入的，也多半是頭部廠商。

基于此，AI4S在電池材料研發實際落地方面仍然道阻且長。

04尾聲

AI for Science的崛起正在重塑材料研發的未來。

材料突破歷來是個慢節奏問題，而隨著諾貝爾獎的肯定，AI將成為加速材料科研的新動力，也為行業提供了更為明確的發展方向。

然而，盡管已有諸多成功案例，行業仍面臨數據不足和人才短缺等問題。如何在把握靈魂和尋找供應商加速革新之間做出選擇，也是AI時代電池材料廠商的新問題。

搜索添加芯流微信Aristodemus0403，深入交流更多新能源行業新進展（不建群），市場與項目咨詢、人才服務、決策研判。

- NEBR -

喜歡就獎勵一個“”和“在看”唄~