這并不是危言聳聽。

作者｜張麟

編輯｜王博

和電動汽車體量的增長速度相比，動力電池性能的提升則十分緩慢，甚至即將停滯不前。

2020年-2024年的5年期間，中國市場的新能源汽車保有量從492萬輛猛增至3140萬輛，占國內汽車總量的比值從1.75%躍升到8.90%。此外，同時期國內動力電池裝機量也從63.6GWh提升至548.4GWh。

與此相對的是，同時期純電新能源汽車的平均續航僅從378公里，提升至約500公里。

對于動輒提升幾倍甚至近十倍的新能源汽車體量變化，電池性能，尤其是能量密度的提升還不到一倍，可以說非常落后。

這種情況帶來了很多后果，比如現階段的電池性能即將撞到天花板，很快將無法滿足消費者的需求；電池供應商之間的競爭也在加劇，然而大量的研發投入卻沒有換來有效的成果。

究其原因，是電池研發長期以來的以試錯為主要手段研發體系導致的。

就目前的搭載上車的動力電池而言，無論是正負極材料還是電解液配方，其材料定型都需要大量的前期實驗，而這種實驗更像是一種經驗方向上的“碰運氣”。

為了滿足設計要求，工程師需要將不同的材料互相摻雜，并盡量滿足性能的平衡，電解液由于存在添加劑，更是成為了這一研發方式的典型代表。這個過程也被部分國外的工程師稱為“新時代的煉金術”。

因此，企業開始將目光投向AI。

6月11日，比亞迪與字節跳動Seed團隊宣布深化合作，共同成立“AI+高通量聯合實驗室”。 該合作旨在將字節跳動在AI for Science（簡稱“AI4S”，即人工智能驅動的科學研究）領域的技術優勢深度融入比亞迪的電池研發體系。

寧德時代、中創新航、蜂巢能源等電池廠商同樣在進行這方面的研發與合作。

即使現階段的AI4S并不完美，但企業仍想賭一個未來。

1.經驗彩票

進入實驗室，在已經制定好的材料研發方向上，進行概率性的配比實驗，以找出滿足研發要求的電解液配方，如果成功，意味著一種新的電解液就此誕生，它可以讓動力電池的安全性提高一個數量級，這就是一個電池研發工程師的工作日常。

這個過程是隨機且枯燥的，一方面工程師對新制備的電解液性能并不能準確預測，能否符合設計要求只能依靠大量的嘗試。另一方面，配液、測試的過程極其單調、機械，很容易磨滅工程師的研發熱情。

因此我們可以看到，一些電池廠商在耗費了大量的研發經費和時間后，研發效率仍然沒有提高。而且不僅是電解液，正負極材料的研發過程也與之類似。

電池材料的研發體系本質上是一個試錯過程，是由電池的本征性質決定的，作為電化學跨學科的產物，相比于制造一輛燃油車或開發一枚芯片，一款好的電池的誕生則充滿隨機性。

比如在電解液中，目前通用的導電鹽是六氟磷酸鋰（LiPF6），溶劑一般采用碳酸乙烯酯（EC）、碳酸二甲酯（DMC）、碳酸甲乙酯（EMC）等，但電解液中的添加劑則沒有公認的最佳配比，雖然其質量在電解液占比不到5%，但極大影響了電池性能。

天津力神在《電源技術》期刊上發布的《鋰離子動力電池電解液添加劑的研究進展》一文中，詳細介紹了成膜添加劑、高壓添加劑、低溫添加劑、阻燃添加劑和防過充添加劑等多個添加劑大類和數十種小類，以及其對電池性能的影響，如果將其排列組合，產生配方結果則數以億計。

工程師需要在這數以億計的答案中，找到最符合設計要求的配方。

蜂巢能源宣傳片中研發人員調配電解液，來源：蜂巢能源官方微博

行業領先的AI4S企業深勢科技電池材料研究員苗嘉偉對「甲子光年」說：“比如要研發一個低溫性能非常好，同時有一定快充能力的電池，研發人員可能會把一個低溫性能很好的電解液，和一個快充能力很好的電解液的組分混合起來，當然這種混合是遵循科學依據的，然后看下混合后的材料具有哪些特性。”

這種材料篩選雖然不是”拍腦袋”，但具有偶然性，實際操作過程中能否得到想要的結果，往往是“通過嚴謹的手段碰運氣”。

某國內頭部電池供應商原副總裁王星（化名）同樣表示，在材料領域，某個科學家成功了，并不是他有多聰明，有時只是他運氣比較好。

這種經驗彩票帶來的結果，是極其漫長的研發周期。

例如，理想汽車動力電池高級總監柳志民曾經公開表示，理想汽車在2018年決定開始研發超充電池解決方案，并最終選擇了與寧德時代共同研發，2022年，寧德時代麒麟電池亮相，并首次搭載到了理想MEGA上。

從時間跨度來看，寧德時代麒麟電池的研發周期至少是5年。

2005年比亞迪第一款磷酸鐵鋰動力電池上市，這也讓比亞迪成為了國內同行業的領頭羊。在之后的時間里，比亞迪不斷對電池技術進行迭代升級，直到2020年3月，比亞迪推出了全新的刀片電池技術。

效率降低的背后，更本質的問題是，如果只依靠傳統的材料研發流程，企業可能永遠也造不出新一代的動力電池。

2.效率第一

導致電池材料研發效率低下的另一個原因，是在鋰電池的學術層面，全球的各個企業已經“抄無可抄”了。

比如磷酸鐵鋰和三元鋰電池的雛形均出現于上世紀90年代末期，距今已經有超過25年的研發應用歷史；石墨負極更是在1980年，就被摩洛哥物理化學家Rachid Yazami證實了其可逆的電化學嵌入，他的研究讓現在超過95%的鋰電池都采用石墨作為負極。

無論是此后的鈉離子電池或磷酸錳鐵鋰電池，都是在此基礎上的修補和搭建。硅基負極稱得上是一個全新的材料應用方向，但現在仍處于商業化初期。

這意味著，目前世界范圍內頭部的電池供應商：寧德時代、比亞迪、LG、松下等，其產品的材料體系已經高度趨同，經過了近50年的探索而形成的能夠大規模商業應用的電池材料體系，幾乎已經固化。

所以企業開始寄希望于通過AI4S，依靠大模型的計算能力來幫助自己突破現有的材料體系的桎梏。

AI4S究竟是怎么發揮作用的？

首先是文獻和理論學習的基礎能力。目前幾乎所有的在電池研發領域應用的AI4S工具，基礎大模型的訓練數據均來自大量公開的文獻、論文和相關實驗數據。

深勢科技算法研究員陳思安告訴「甲子光年」，AI4S在進行材料篩選和計算時，也是有范圍框定的，例如動力電池的材料中絕不會出現鈾元素。

這種基礎模型也是提高研發效率的基礎。論文《AI for Science時代下的電池平臺化智能研發》中提到，電池研發人員大約會將23%的工作時間和精力投入到文獻調研中。

而在實際使用過程中，AI4S產品將會通過高通量計算（如密度泛函理論DFT、CALPHAD相圖計算）快速篩選合適元素、材料組合。

這個過程的計算體量非常大，也是AI4S技術相對于傳統的以研發人員經驗進行材料開發流程的最大區別。

苗嘉偉表示，在電解液的研發過程中，一個有經驗的工程師，在常規手工實驗條件下，一周最多只能開展2-3個電解液配方的實驗，每個配方將裝到5-10個紐扣電池上進行測試。但AI4S工具可以在前期生成數萬個符合理論要求的配方，工程師可以在這個基礎上進一步篩選，最后留下3-5個最優的配方進行實驗驗證，此時的成功率要比工程師憑借科研經驗自己調配的高的多。

AIS4在電解液研發領域的應用流程和效果示意，來源：深勢科技

王星告訴「甲子光年」：“AI4S工具的本質是計算效率的提升，它并沒有顛覆研發流程，但把研發時間縮短了，同時它的計算過程又可以把很多復雜的因素同時考慮進來。”

這種高通量計算帶來的材料篩選結果，能夠很好地拓展工程師的研發邊界，讓其研發出新材料的可能性增加。

除了高效的計算，高效的測試實驗也是AI4S提高材料研發效率的關鍵點。

在電解液研發過程中，確定配方后的配液、組裝，以及把原型電池放到機器上測試，這個流程是十分固定的，但卻消耗了大量的人力和時間。因此，一些企業開發了自動化的合成、測試系統。比如奔曜科技的全自動投料、合成反應與表征系統，深勢科技的智能實驗室系統（LIMS）等。

這些系統一般都可以完成自動混合、攪拌電池材料，在控制反應溫度等參數的情況下，對電池樣品進行性能測試，并輸出結果。相比工程師的手工操作，自動化的系統能夠7×24小時不間斷運作，快速而精確，相關結果還能反哺大模型。

陳思安告訴「甲子光年」：“實驗流程自動化的意義在于，把實驗人員從機械化的工作中解放出來，讓他們把時間投入到材料研發過程，這對于動力電池產業有更深遠的價值。”

2024年3月，寧德時代董事長曾毓群在接受媒體采訪時表示，寧德時代設立的香港研發中心最主要聚焦于AI4S。他稱：“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。”

《鋰離子動力電池電解液添加劑的研究進展》一文中也明確表示：“通過量子計算的方法來優化篩選添加劑，能更精確、高效地獲得添加劑的優選方案。”

電池供應商正在把AI4S當做開發新一代動力電池產品的“銀子彈”，即便目前的AI4S工具還有很大的提升空間。

3.數據鴻溝

AI4S在電池研發領域的應用，最大的問題出在數據上。

由于AI4S基礎大模型的訓練數據均來自公開的文獻、論文和相關實驗，這導致其數據量并不豐富，尤其缺乏實驗失敗的數據，這對大模型的訓練來說同樣至關重要。

根據谷歌學術、Web of Science以及其他主流公開文獻專利數據庫的統計，目前全球范圍內已發表的與電池相關的科學文獻超過400萬篇。

與自動駕駛模型對比來看，目前，小鵬汽車用于訓練基座模型的視頻數據量高達2000萬clips，這一數字今年將增加到2億clips。雖然這是兩種不同的數據形態，但就體量而言，電池領域的文獻體量對于大模型訓練來說，實在稱不上龐大。

陳思安和苗嘉偉在和「甲子光年」溝通時，也認可目前行業數據缺失的現狀。

王星也向「甲子光年」表示：“在網上檢索的論文，然后把里面的重要數據扒下來，這就是目前訓練模型的一個方式。”

除了公開數據的不足，電池廠商自己的數據，很多情況下也并不能直接應用于大模型訓練。

陳思安表示，電池廠商自己的數據一般都有極高保密程度，不會在云端部署，也就無法在前期對AI4S產品進行訓練。同時企業數據的保存程度、可靠性、一致性都不太好，一般需要對數據進行清洗才能導入大模型的數據庫，否則可能會讓大模型的計算結果偏離預期。

王星更是直言：“現在我沒見過哪家企業能把自己的實驗數據整理的很好的。”

由于這種數據缺失，完全依靠AI4S產品進行電池材料研發，很可能會得到一個符合理論邏輯但不符合產業常識的錯誤結論。

王星表示：“在使用AI4S做材料研發的過程中，有的時候系統會‘胡說八道’，不懂的人看起來好像很厲害，但資深的研發人員一眼就能看出來它輸出的結果有基礎性的錯誤。”

因此，目前在使用AI4S的過程中，仍然需要工程師去做人工的參數干預和結果篩選、驗證。

深勢科技對「甲子光年」表示，現階段在整個學術界和產業界，使用AI4S做材料研發過程中，都會有一定的人工參與，比如在大模型計算過程中認為設置條件限制。但這并不能說明AI4S是低效的，其計算、篩選結果同樣會讓研發人員產生靈感，并指導接下來的實驗和測試。

所謂的大模型，并非一個一步到位的真理機器，由于種種原因，AI4S在電池材料的研發過程中仍需要閉環與迭代。

但只要其下一輪的輸出結果比上一輪好，動力電池的研發進展就會更容易實現突破。

*應受訪者要求，王星為化名

（封面圖來源：AI工具生成）