不用AI，可能永远造不出新一代动力电池｜甲子光年

和电动汽车体量的增长速度相比，动力电池性能的提升则十分缓慢，甚至即将停滞不前。

2020年-2024年的5年期间，中国市场的新能源汽车保有量从492万辆猛增至3140万辆，占国内汽车总量的比值从1.75%跃升到8.90%。此外，同时期国内动力电池装机量也从63.6GWh提升至548.4GWh。

与此相对的是，同时期纯电新能源汽车的平均续航仅从378公里，提升至约500公里。

对于动辄提升几倍甚至近十倍的新能源汽车体量变化，电池性能，尤其是能量密度的提升还不到一倍，可以说非常落后。

这种情况带来了很多后果，比如现阶段的电池性能即将撞到天花板，很快将无法满足消费者的需求；电池供应商之间的竞争也在加剧，然而大量的研发投入却没有换来有效的成果。

究其原因，是电池研发长期以来的以试错为主要手段研发体系导致的。

就目前的搭载上车的动力电池而言，无论是正负极材料还是电解液配方，其材料定型都需要大量的前期实验，而这种实验更像是一种经验方向上的“碰运气”。

为了满足设计要求，工程师需要将不同的材料互相掺杂，并尽量满足性能的平衡，电解液由于存在添加剂，更是成为了这一研发方式的典型代表。这个过程也被部分国外的工程师称为“新时代的炼金术”。

因此，企业开始将目光投向AI。

6月11日，比亚迪与字节跳动Seed团队宣布深化合作，共同成立“AI+高通量联合实验室”。 该合作旨在将字节跳动在AI for Science（简称“AI4S”，即人工智能驱动的科学研究）领域的技术优势深度融入比亚迪的电池研发体系。

宁德时代、中创新航、蜂巢能源等电池厂商同样在进行这方面的研发与合作。

即使现阶段的AI4S并不完美，但企业仍想赌一个未来。

1.经验彩票

进入实验室，在已经制定好的材料研发方向上，进行概率性的配比实验，以找出满足研发要求的电解液配方，如果成功，意味着一种新的电解液就此诞生，它可以让动力电池的安全性提高一个数量级，这就是一个电池研发工程师的工作日常。

这个过程是随机且枯燥的，一方面工程师对新制备的电解液性能并不能准确预测，能否符合设计要求只能依靠大量的尝试。另一方面，配液、测试的过程极其单调、机械，很容易磨灭工程师的研发热情。

因此我们可以看到，一些电池厂商在耗费了大量的研发经费和时间后，研发效率仍然没有提高。而且不仅是电解液，正负极材料的研发过程也与之类似。

电池材料的研发体系本质上是一个试错过程，是由电池的本征性质决定的，作为电化学跨学科的产物，相比于制造一辆燃油车或开发一枚芯片，一款好的电池的诞生则充满随机性。

比如在电解液中，目前通用的导电盐是六氟磷酸锂（LiPF6），溶剂一般采用碳酸乙烯酯（EC）、碳酸二甲酯（DMC）、碳酸甲乙酯（EMC）等，但电解液中的添加剂则没有公认的最佳配比，虽然其质量在电解液占比不到5%，但极大影响了电池性能。

天津力神在《电源技术》期刊上发布的《锂离子动力电池电解液添加剂的研究进展》一文中，详细介绍了成膜添加剂、高压添加剂、低温添加剂、阻燃添加剂和防过充添加剂等多个添加剂大类和数十种小类，以及其对电池性能的影响，如果将其排列组合，产生配方结果则数以亿计。

工程师需要在这数以亿计的答案中，找到最符合设计要求的配方。

蜂巢能源宣传片中研发人员调配电解液，来源：蜂巢能源官方微博

行业领先的AI4S企业深势科技电池材料研究员苗嘉伟对「甲子光年」说：“比如要研发一个低温性能非常好，同时有一定快充能力的电池，研发人员可能会把一个低温性能很好的电解液，和一个快充能力很好的电解液的组分混合起来，当然这种混合是遵循科学依据的，然后看下混合后的材料具有哪些特性。”

这种材料筛选虽然不是”拍脑袋”，但具有偶然性，实际操作过程中能否得到想要的结果，往往是“通过严谨的手段碰运气”。

某国内头部电池供应商原副总裁王星（化名）同样表示，在材料领域，某个科学家成功了，并不是他有多聪明，有时只是他运气比较好。

这种经验彩票带来的结果，是极其漫长的研发周期。

例如，理想汽车动力电池高级总监柳志民曾经公开表示，理想汽车在2018年决定开始研发超充电池解决方案，并最终选择了与宁德时代共同研发，2022年，宁德时代麒麟电池亮相，并首次搭载到了理想MEGA上。

从时间跨度来看，宁德时代麒麟电池的研发周期至少是5年。

2005年比亚迪第一款磷酸铁锂动力电池上市，这也让比亚迪成为了国内同行业的领头羊。在之后的时间里，比亚迪不断对电池技术进行迭代升级，直到2020年3月，比亚迪推出了全新的刀片电池技术。

效率降低的背后，更本质的问题是，如果只依靠传统的材料研发流程，企业可能永远也造不出新一代的动力电池。

2.效率第一

导致电池材料研发效率低下的另一个原因，是在锂电池的学术层面，全球的各个企业已经“抄无可抄”了。

比如磷酸铁锂和三元锂电池的雏形均出现于上世纪90年代末期，距今已经有超过25年的研发应用历史；石墨负极更是在1980年，就被摩洛哥物理化学家Rachid Yazami证实了其可逆的电化学嵌入，他的研究让现在超过95%的锂电池都采用石墨作为负极。

无论是此后的钠离子电池或磷酸锰铁锂电池，都是在此基础上的修补和搭建。硅基负极称得上是一个全新的材料应用方向，但现在仍处于商业化初期。

这意味着，目前世界范围内头部的电池供应商：宁德时代、比亚迪、LG、松下等，其产品的材料体系已经高度趋同，经过了近50年的探索而形成的能够大规模商业应用的电池材料体系，几乎已经固化。

所以企业开始寄希望于通过AI4S，依靠大模型的计算能力来帮助自己突破现有的材料体系的桎梏。

AI4S究竟是怎么发挥作用的？

首先是文献和理论学习的基础能力。目前几乎所有的在电池研发领域应用的AI4S工具，基础大模型的训练数据均来自大量公开的文献、论文和相关实验数据。

深势科技算法研究员陈思安告诉「甲子光年」，AI4S在进行材料筛选和计算时，也是有范围框定的，例如动力电池的材料中绝不会出现铀元素。

这种基础模型也是提高研发效率的基础。论文《AI for Science时代下的电池平台化智能研发》中提到，电池研发人员大约会将23%的工作时间和精力投入到文献调研中。

而在实际使用过程中，AI4S产品将会通过高通量计算（如密度泛函理论DFT、CALPHAD相图计算）快速筛选合适元素、材料组合。

这个过程的计算体量非常大，也是AI4S技术相对于传统的以研发人员经验进行材料开发流程的最大区别。

苗嘉伟表示，在电解液的研发过程中，一个有经验的工程师，在常规手工实验条件下，一周最多只能开展2-3个电解液配方的实验，每个配方将装到5-10个纽扣电池上进行测试。但AI4S工具可以在前期生成数万个符合理论要求的配方，工程师可以在这个基础上进一步筛选，最后留下3-5个最优的配方进行实验验证，此时的成功率要比工程师凭借科研经验自己调配的高的多。

AIS4在电解液研发领域的应用流程和效果示意，来源：深势科技

王星告诉「甲子光年」：“AI4S工具的本质是计算效率的提升，它并没有颠覆研发流程，但把研发时间缩短了，同时它的计算过程又可以把很多复杂的因素同时考虑进来。”

这种高通量计算带来的材料筛选结果，能够很好地拓展工程师的研发边界，让其研发出新材料的可能性增加。

除了高效的计算，高效的测试实验也是AI4S提高材料研发效率的关键点。

在电解液研发过程中，确定配方后的配液、组装，以及把原型电池放到机器上测试，这个流程是十分固定的，但却消耗了大量的人力和时间。因此，一些企业开发了自动化的合成、测试系统。比如奔曜科技的全自动投料、合成反应与表征系统，深势科技的智能实验室系统（LIMS）等。

这些系统一般都可以完成自动混合、搅拌电池材料，在控制反应温度等参数的情况下，对电池样品进行性能测试，并输出结果。相比工程师的手工操作，自动化的系统能够7×24小时不间断运作，快速而精确，相关结果还能反哺大模型。

陈思安告诉「甲子光年」：“实验流程自动化的意义在于，把实验人员从机械化的工作中解放出来，让他们把时间投入到材料研发过程，这对于动力电池产业有更深远的价值。”

2024年3月，宁德时代董事长曾毓群在接受媒体采访时表示，宁德时代设立的香港研发中心最主要聚焦于AI4S。他称：“挖掘新能源材料、体系和应用方案的AI都是要聚焦做的事情。”

《锂离子动力电池电解液添加剂的研究进展》一文中也明确表示：“通过量子计算的方法来优化筛选添加剂，能更精确、高效地获得添加剂的优选方案。”

电池供应商正在把AI4S当做开发新一代动力电池产品的“银子弹”，即便目前的AI4S工具还有很大的提升空间。

3.数据鸿沟

AI4S在电池研发领域的应用，最大的问题出在数据上。

由于AI4S基础大模型的训练数据均来自公开的文献、论文和相关实验，这导致其数据量并不丰富，尤其缺乏实验失败的数据，这对大模型的训练来说同样至关重要。

根据谷歌学术、Web of Science以及其他主流公开文献专利数据库的统计，目前全球范围内已发表的与电池相关的科学文献超过400万篇。

与自动驾驶模型对比来看，目前，小鹏汽车用于训练基座模型的视频数据量高达2000万clips，这一数字今年将增加到2亿clips。虽然这是两种不同的数据形态，但就体量而言，电池领域的文献体量对于大模型训练来说，实在称不上庞大。

陈思安和苗嘉伟在和「甲子光年」沟通时，也认可目前行业数据缺失的现状。

王星也向「甲子光年」表示：“在网上检索的论文，然后把里面的重要数据扒下来，这就是目前训练模型的一个方式。”

除了公开数据的不足，电池厂商自己的数据，很多情况下也并不能直接应用于大模型训练。

陈思安表示，电池厂商自己的数据一般都有极高保密程度，不会在云端部署，也就无法在前期对AI4S产品进行训练。同时企业数据的保存程度、可靠性、一致性都不太好，一般需要对数据进行清洗才能导入大模型的数据库，否则可能会让大模型的计算结果偏离预期。

王星更是直言：“现在我没见过哪家企业能把自己的实验数据整理的很好的。”

由于这种数据缺失，完全依靠AI4S产品进行电池材料研发，很可能会得到一个符合理论逻辑但不符合产业常识的错误结论。

王星表示：“在使用AI4S做材料研发的过程中，有的时候系统会‘胡说八道’，不懂的人看起来好像很厉害，但资深的研发人员一眼就能看出来它输出的结果有基础性的错误。”

因此，目前在使用AI4S的过程中，仍然需要工程师去做人工的参数干预和结果筛选、验证。

深势科技对「甲子光年」表示，现阶段在整个学术界和产业界，使用AI4S做材料研发过程中，都会有一定的人工参与，比如在大模型计算过程中认为设置条件限制。但这并不能说明AI4S是低效的，其计算、筛选结果同样会让研发人员产生灵感，并指导接下来的实验和测试。

所谓的大模型，并非一个一步到位的真理机器，由于种种原因，AI4S在电池材料的研发过程中仍需要闭环与迭代。

但只要其下一轮的输出结果比上一轮好，动力电池的研发进展就会更容易实现突破。

*应受访者要求，王星为化名