【摘要】2024年诺贝尔奖的颁发，标志着AI for Science（AI4S）研究范式的崛起。
这一背景下，多个公司积极布局AI4S。国内材料行业面临先进基础材料质量不均、关键战略材料受限以及前沿新材料技术尚待突破等问题。AI辅助研发能够有效缩短材料从发现到应用的周期，提升研发效率。
但同时，电池材料研发仍面临着高质量数据不足、人才短缺的困难。
如何在把握灵魂和寻找供应商加速革新之间做出选择，也是AI时代电池材料厂商的新问题。
以下为正文：
“锂电下一个十年的技术竞争核心在于材料，而人工智能正在改变材料的研发范式，将大幅度加速全固态电池的研发速度”，中国科学院院士欧阳明高在今年1月的一次会议上如是说道。
无独有偶，今年3月，宁德时代董事长曾毓群表示，“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”。宁德时代设立的香港研发中心最主要聚焦于AI for Science（人工智能驱动的科学研究）。
AI，一个看似新兴的力量，正在悄然间击碎电池材料研发以数十年计算变迁速度的固定范式。
如何利用、能否先一步利用、产生的实际效果如何，足以让这个足够新潮的概念成为潘多拉魔盒，具有丰富想象空间的同时，也暗藏风险。
01
AI for Science正在改变研究范式
最近几年，依托通用人工智能强大的算力和模型高效率、高精度地解决问题几乎成为科研界的常态。
10月8日，瑞典皇家科学院宣布，将2024年诺贝尔物理学奖授予美国科学家约翰·霍普菲尔德和英裔加拿大科学家杰弗里·辛顿，以表彰他们“通过人工神经网络实现机器学习的基础性发现和发明”。
次日，2024年诺贝尔化学奖授予戴维·贝克，以表彰其在计算蛋白质设计方面的贡献；另一半则共同授予英国伦敦谷歌旗下人工智能公司DeepMind的德米斯·哈萨比斯和约翰·江珀，以表彰他们在计算蛋白质设计和蛋白质结构预测方面的突破性贡献。
这意味着，AI成为了今年诺贝尔奖的最大赢家，AI for Science也由此进入大众视野。
AI for Science（AI4S），即人工智能驱动的科学研究，是一种新的科学研究范式。2024年诺贝尔奖的决定，很大程度上肯定了这一研究范式、乃至整个赛道的长期价值。
随着AI for Science的崛起，国内相关企业获得了更多的投融资支持。举例而言，近期深耕AI for Science领域的深势科技再次获得数亿元融资。
自2018年成立以来，其已完成7轮融资，累计融资额超过十亿人民币，背后汇集了多家知名投资机构，如源码资本、启明创投、高瓴创投、经纬创投以及BV百度风投等。
与此同时，材料研发正在成为AI for Science的重要阵地。
8月下旬，港股上市的AI制药第一股晶泰科技宣布与协鑫集团合作，为协鑫提供新能源材料研发的订单化服务。根据其半年报披露，这份合作为期5年、总合作金额约10亿元。
8月末，获得多轮融资的AI4S创业公司深势科技，与材料厂商东阳光签约成立AI4S新材料研发联合实验室。
看似慢节奏的化学技术进步开始逐步与快节奏的人工智能形成碰撞。
02
如何赋能电池研发？
目前，国内材料行业面临众多挑战，包括先进基础材料质量不均、关键战略材料受限以及前沿新材料技术尚待突破等问题。
而AI辅助研发的一个最直接效果就是缩短材料从发现到应用的周期，提升研发效率。
尤其在固态电池材料和光伏钙钛矿材料等革命性新材料的开发中，AI4S被许多专家视为研发的关键突破点。
以全固态电池为例，其研发的一大难题是如何开发出稳定的电化学材料体系。
日本丰田在固态电池领域拥有全球最多的专利，过去30多年里尝试了数万种电解质应用于电池，但至今未能实现量产。而现在通过AI分析数万种材料组合的稳定性和导电性，其大幅缩短了传统实验中逐一验证的时间成本，为固态电池的产业化应用开辟了新的可能。
同时，人工智能在动力电池设计环节具有重要作用。
举例而言，为有效提升电池能量密度，行业在磷酸铁锂的基础上引入锰元素，由于铁离子与锰离子半径相近，二者可实现原子级别混合，进而得到优势更为明显的磷酸锰铁锂。但在二者混合过程中，如何调节比例关系成为了最关键的难题。
极大缩短实验周期、提升电池研发和管理的可靠性，是AI技术应用于电池研发领域最核心的特点。
即通过减少重复性验证工作及加快相应工作速度而为企业省下巨量的时间和资源成本。
如微软和太平洋西北实验室利用AI和超级计算技术，只用了80小时就从3200万种候选材料中筛选出23种最具潜力的材料，并成功合成出新材料和电池原型。
最终方案是把电池中的部分锂元素替换成钠元素。这一创新不仅节省了传统筛选所需的庞大资源和时间，还通过AI的高效数据处理，使研究人员能够迅速找到性能优化的材料组合。
特斯拉在其电池生产中运用AI优化电池材料配方。通过机器学习分析材料的特性，特斯拉的AI模型能够快速调整材料组合，以提升电池的能量密度和寿命。
AI的应用帮助特斯拉在研发阶段模拟和测试数百种不同的电池配方，减少了实验次数，加快了新型电池材料的开发周期，特别是在其最新的4680电池设计中取得了重要进展。
当然，由于海外起步较早，AI辅助材料研发的应用和案例大多集中在海外。诸如微软、谷歌等互联网巨头早已开始为其云服务开发AI4S行业模型和PaaS平台，而下游应用目前主要由大型化工和材料企业主导。
03
技术向左，落地向右
尽管AI4S如火如荼，一个很难避免的现实是：国内电池材料研发仍面临着高质量数据不足、人才短缺的处境。
与生物医药领域直接通过文献公开披露数据不同，化工新材料行业相对比较封闭，涉及到材料、催化剂的原始数据则往往是企业的商业机密，并不对外开放。
而这一关键要素几乎是AI4S的命脉。
针对某个具体领域、应用场景的垂直大模型，其最大的差别就是训练时“投喂”的数据不一样。经过训练的垂直大模型，针对分析的结果精度会更准确，反之则效果不佳。
这意味着，那些传统材料研发厂商势必要严格遵循“灵魂论”原则，对内寻求AI能力提升，这无疑是个漫长的过程。
而早已深耕于此多年的人工智能厂商，碍于以上问题，也很难短期内拿到足够优质的迭代数据，从而走向商业化的最终闭环。
内耗成了当前阶段很难避免的问题。
与此同时，材料的AI研发属于材料学与计算机的交叉学科，需要两方面都精通的人才。而国内企业往往缺乏既懂材料又懂计算机的跨界人才。能够下资本投入的，也多半是头部厂商。
基于此，AI4S在电池材料研发实际落地方面仍然道阻且长。
04
尾声
AI for Science的崛起正在重塑材料研发的未来。
材料突破历来是个慢节奏问题，而随着诺贝尔奖的肯定，AI将成为加速材料科研的新动力，也为行业提供了更为明确的发展方向。
然而，尽管已有诸多成功案例，行业仍面临数据不足和人才短缺等问题。如何在把握灵魂和寻找供应商加速革新之间做出选择，也是AI时代电池材料厂商的新问题。