Sora喧嚣之下，AI技术深入变革锂电行业

（文/李沛 编辑/徐喆）一见Demo，立刻想到世界模型，立刻想到通用人工智能，立刻想到自由市场先天优越，立刻想到哈耶克，立刻想到反思中国人劣根性……

自亮相以来短短两个星期，Sora所引发的部分国内自媒体想象力，已然能够跃进到如此“高度”。

不过更多严肃的AI产业观察者，则不约而同在探讨这样一个话题，Sora的“杀手应用”到底在哪里？

除了在企业软件与娱乐产业激发起的直观想象空间，正如某位国内科技大佬点评Sora时所言，有强劲的大模型做底子，基于对人类语言的理解，对人类知识和世界模型的了解，再叠加很多其他的技术，就可以创造各个领域的超级工具，比如生物医学、蛋白质和基因研究，包括物理、化学、数学的学科研究上，大模型都会发挥作用。

在这副激动人心的图景中，深植于材料科学的锂电产业无疑应有一席之地。

目前，AI技术在锂电BMS等系统中已有广泛运用，与锂电制造的融合也已经涌现出大量实践和成功案例。以全球锂电业龙头宁德时代为例，该公司所推崇的极限制造理念即追求锂电制造效率、品质、成本的极致优化，这显然涉及到AI技术的深度应用，公司方面人士也曾表示，计算机视觉、机器学习、云计算、大数据等人工智能技术是继续提升极限制造体系的关键手段。

根据公开信息，在动力电池缺陷检测这一场景中，宁王就通过与英特尔等技术供应商深度合作，基于锂电在线检测场景量身打造了一套横跨云-边-端，融合计算机视觉、深度学习和机器学习技术的创新型电池缺陷检测方案，构建了全球最丰富的动力电池缺陷数据库，根据已有的预训练源模型进行微调 (fine-tuning)，最终通过迁移学习得到的模型在精度上可以与采用大数据集从头开始训练的模型相媲美，但计算资源开销大幅精简，并且达到了零漏检及单工序400FPS以上的图像处理速度。

当然，AI缺陷检测、智能巡检、设备预测性维护等用例并非锂电行业所独有，而是已广泛应用于各类大规模制造业态，在减少停机时间，提高产量与产品质量上的价值得到普遍验证，技术与业务模式已较为成熟。

不过毋庸讳言，当下的锂电智能制造解决方案往往基于传统的AI“小模型”技术和开发部署方法，并且应用主要集中在电芯制造中后段环节，随着“最佳实践”被广泛效仿扩散，其在降本增效上带来的差异化价值无疑也在被稀释。

相比同质化产品上每瓦时以毛乃至分、厘为单位的制造成本内卷，电池材料和器件设计的创新，无疑有着更为巨大的商业价值。

不过长期以来，电池新材料的研究往往因循着被戏称为“炒菜尝咸淡”的试错方法，新配方新工艺不仅受到有限几大类成熟材料体系的牢固约束，且通常需要通过试制软包、扣式电池进行实际对比试验以确认性能，不仅人力物力投入大、耗时长，更重要的是实际效果往往形同“抽卡”玄学，因果联系似是而非。

造成这一现象的原因在于，锂离子电池属于一种典型的复杂大系统，呈现出多学科交叉融合，多尺度交互影响的特点，例如材料的晶体结构、固相反应、电极电位研究，就涉及到固体物理、固体化学、电化学等多种基础学科，电池充放电过程又会涉及到不同空间尺度、时间尺度和能量尺度下的理化反应，材料本征性质与宏观电学特性之间的构效关系极其复杂，尽管随着锂电成为新能源风口、新的研究成果与工程数据逐渐固化为产品，在电化学仿真等场景已经涌现出一些极具价值的单点设计工具，不过电池全生命周期的材料表征与机理认识仍有大量空白点，经验化的工程方法仍难以得到根本改观，也与固态电池、钠电池等新材料体系研发需求越来越不匹配。

然而随着新一代人工智能技术的突破，这一局面正在发生深刻的变化，生成式AI已经展现出堪称颠覆性的发展潜力。

去年末，谷歌旗下知名AI开发团队DeepMind推出了其面向泛材料领域研究的GNoME模型，根据该团队的声明，新模型利用人类现有已知的全部48000种无机材料数据进行训练，能够生成全新的稳定晶体结构并预测其特性，最终预测出约38万种新的具备高合成潜力晶体，DeepMind信心满满地表示，这预示着材料科学的新时代到来，人工智能和机器人将推动新型电池、超导体和催化剂的研究，“相当于材料科学领域的AlphaFold”，而众所周知，大名鼎鼎的AlphaFold曾号称甫一登场就终结了结构生物学这门学科。

无独有偶，在今年1月，微软则公布了与美国太平洋西北国家实验室(PNNL)的合作成果，利用先进人工智能和量子计算技术筛选了超过3200万种电池材料可能组合，在不到一周时间里预测出18种有前景的候选材料，而如果使用传统实验方法，这一筛选过程可能需要二十多年才能完成。最终，PNNL成功合成出一种全新固态电解质N2116，据称可减少高达70%的锂用量，该机构科研人员坦言，人工智能给出的指引比正常工作条件下“更快地引导他们进入潜在的富有成效的领域”。

有趣的是，谷歌团队在其GNoME论文中所对比的，恰是微软研发团队华裔学者开发的M3GNet模型，显示出生成式AI在材料科学领域已初步形成紧密而活跃的研究生态，还有美国研究团队发现，当下因Sora而炙手可热的扩散模型，在新材料合成预测上的性能优于传统GAN几个数量级。

从当前的实践看，生成式人工智能在电池材料研究上的落地应用，呈现出两条主要路径，其一是扩散模型、图神经网络等结合第一性原理、实验表征计算，探索可能的全新材料结构并预测其性能，其二则是基于现有科研文献的文本数据挖掘，聚合研究思路和成果，揭示技术趋势，其共同价值则在于协助科研人员识别有前景的材料，即便其效果并非开启“全局地图”，但哪怕只是黑夜里一盏明灭的提灯，在研发效率与研发思路上相较传统模式“盲人摸象”所带来的变革，也堪称翻天覆地。

作为当下的全球锂电产业高地，中国科研机构与锂电企业在生成式AI技术上的探索也极具前瞻性。

公开资料显示，宁德时代早在2021年就与国内新能源材料研发创企深势科技达成战略合作，共建联合实验室，重点围绕能源研究领域中的两个方向展开，分别是AI+物理模型在新能源材料研发中的应用，发展新一代分子模拟技术，发展面向新能源材料的微观、介观和宏观的跨尺度模型；将AI+物理模型应用到能源器件研发中，强化能源器件的理性设计。

深势科技方面的电池研发总监王晓旭日前透露，其与锂电企业合作案例中，已成功验证了AI预测+实验表征测试相互迭代的有效性，原先需要一年半到两年左右周期的优化周期，被压缩到了不到半年时间，助力材料和器件设计能够更有方向感，他还介绍，该公司借鉴半导体领域EDA理念，提出了所谓的电池设计自动化（BDA），以AI结合高通量计算与多尺度建模，加速材料配方筛选和器件优化升级，实现全生命周期下的智能化设计、验证。

另据公开信息，锂电双雄中另一位玩家比亚迪也正在搭建动力电池先进算法团队，聚焦多尺度材料模拟，工作内容是使用量子力学、分子动力学等工具，解决电池研发场景中的具体问题，如性质预测、机理解释、材料优化等，并结合机器学习等工具，对传统计算方法进行补充和改进。

总体而言，在头部锂电企业示范带动下，新一代人工智能技术对锂电创新的变革正渐行渐近，锂电领域的AI超级工具，已经隐约显现轮廓，这一领域蕴含着的巨大潜能，也已经开始得到各国政府重视，例如美国能源部长詹妮弗·格兰霍姆（Jennifer Granholm）上周就刚刚召集了闭门会议，与微软、PNNL、英特尔、亚马逊等机构围绕AI与新能源技术结合的议题进行对话，讨论“我们可以采取哪些措施来加速公共和私营部门之间的伙伴关系，以确保我们的国家在人工智能方面保持竞争力和先进性”。

在这一新的产业制高点角逐中，尽管美国产业界在声量上似乎更具优势，不过凭借更雄厚的产业数据积淀和生产制造配套，有理由相信，中国企业完全能够实现分庭抗礼，人类经验与AI工具的结合将会碰撞出怎样的火花，我们不妨拭目以待。