电池创新迎来“DeepSeek”时刻

AI如何帮助电池创新从问题到答案。

创新往往是企业竞争的胜负手。电池产业一样如此，市场争夺战越是打得火热，企业的研发投入比重越是不敢降低。

据高工产研（GGII）调研，锂电领域中，2025年全球电池与主材整体研发投入899亿元，其中电池研发投入规模为670亿元，预计到2030年电池与主材整体研发投入规模将发展为2154亿元，电池部分预计为1600亿元。

保持高研发投入之外，如今的电池创新愈发强调效率。

在“快鱼吃慢鱼”的市场导向下，电池企业的上新速度越来越快、R&D到量产的周期越来越短，但创新效率走低的问题逐渐在行业暴露出来。

对于头部电池企业而言，目前普遍存在营收的增速落后于研发投入增速，即便是对于有着很强盈利能力的企业。例如，宁德时代2025年一季度研发投入达48.14亿元，同比增长10.92%，但其一季度营收847.05亿元，同比增长6.18%。

再以产业的创新焦点固态电池为例，在这一领域专利“质量齐增”，但从企业具体的进展来看，固态电池要想实现小规模量产以及成熟，仍需等到2027-2030年，其创新的商业落地速度并不能快速满足终端市场眼下的需求升级。

面对产业对创新效率的渴求，AI技术或将成为加速创新的关键，重视创新的企业都在积极尝试将AI与研发深度融合。

保持着每年推出3-5款新品的宁德时代已经构建了包含算力中心、算法中心、数据中心、模拟设计平台的综合性AI平台，并将实验数据反馈到数据库，与AI模型和物理模型结合，形成闭环，加速研发；LG新能源则披露，其通过AI驱动的研发平台和敏捷制造系统，实现新产品量产周期缩短30%。

但AI究竟能在电池创新中发挥多大的能力？对于业内人士以及学者而言，AI能否真正帮助他们解决问题？在属于电池的“DeepSeek”时刻到来之前，这些问题仍不得而知。

4月底，SES AI推出的一款电池领域AI4S解决方案，涵盖10^11个可用于电池的小分子图谱，由电池专用的大语言模型驱动训练而成的智能系统。它帮助学者、探索和应用所有化学领域的分子知识，以加速新材料的发现，提供精准分子推荐，并持续更新优化，为电池创新提供有力支持。

让电池创新不再停留于“偶然”

传统材料研发如同蒙眼寻针，依赖科学家经验与运气。SES“分子宇宙”正将材料研发从“经验彩票”变为“可编程的科学”。

首先，SES认为，长期以来，电池创新的空间被经验限制住了。20个原子以下的有机分子超过10^11种，跟宇宙中的星辰一样多，但在过去30年里电池行业研究过、可被AI视为已知数据的有机分子仅为1000多种。如果范围始终受到限制，就很难评价创新成果、创新的路径是不是最优。

那么一款以加速创新为目标的AI4S方案，至少要创新的范围打开至10^11。SES的切入AI的首要工作就是将10^11分子以数据表示出来，以保证AI给出的创新发生在全面、正确的范围。

鲜少企业会有像SES的思路，因为这意味着巨大的人力与算力成本。SES耗费近一年的时间，采用了分子指纹工具，以512个数字精准表征分子，量化分子间距离，再通过UMAP算法将高维数据降维至二维，让复杂的分子世界变得直观可视。

而UMAP（Uniform Manifold Approximation and Projection，均匀流形逼近与投影），基于拓扑数据分析和流形学习原理，在处理大规模数据集时具有更高的计算效率，并且能够更好地保留数据的全局结构和局部细节。

完成对10^11个分子的计算，电池材料创新的空间才算被真正打开，并存储在“分子宇宙”中。这形成“分子宇宙”的数据基础，一张提供海量分子的2D交互式地图，并由此延伸出“分子宇宙”的基础功能——图谱（Map）。

用户可以通过地图直观探索分子空间，鼠标悬停在分子上时，可查看分子的详细信息，如HOMO、LUMO能级、分子量等。

而这张电池分子图谱的丰富性是前所未有，既表现在分子数量规模，也表现在体现分子各类信息的详尽程度。当前版本（MU-0）已收录1.08亿个分子，标注23个分子簇，涵盖实验实测值与基于密度泛函理论（DFT）及分子动力学模拟（MD）的计算预测值。这仅仅是目前阶段，“分子宇宙”的图谱正快速向10^11个分子的目标扩展。

海量、全面的分子数据只是“分子宇宙”的第一步，“分子宇宙”作为一个智能体，若想替代一个电池专家，它也需要走完电池专家的学习之路。

“分子宇宙”平台的大语言模型（LLM），是构建于海量电池相关知识体系之上的智能体。其训练过程不仅有超过1亿个分子（MU-0）的庞大数据基石，还涵盖了所有分子、性质、论文、书籍、文献以及内部数据。

而谈及该模型的可靠性，就不得不提AI幻觉。为降低“分子宇宙”产生幻觉可能性，其模型基于大量高质量数据进行训练，包括严格筛选的电池相关论文和文献，且数据库每月更新，确保信息始终处于前沿。

更重要的是，该模型采用了大型推理模型，能够深入思考问题，结合文献和内部知识进行回答，大大减少了因信息不足而产生的幻觉。SES还表示，提问越具体，答案越可靠。

此外，模型推荐的分子都经过物理模拟和计算验证其稳定性，未来还将添加更多高级别物理性质预测工具，进一步提高预测的准确性。最后，团队不断收集用户反馈，根据需求改进模型和功能，随着技术进步和数据积累，模型的性能和准确性也在持续提升。

算力上，“分子宇宙”借助Nvidia GPU的强劲算力，结合最新的软件技术、加速技术、AI和机器学习算法，实现对分子空间的深度探索。

电池创新如何从问题到答案

庞大的分子数据、电池专用的大语言训练模型、强大的算力三者共同构建“分子宇宙”电池创新智能体。“分子宇宙”的搜索（Search）、筛选（Filter）功能，可以帮助用户精确找到所需的分子。用户也可直接向“分子宇宙”提问（Ask）让“分子宇宙”推荐设计方案。

但面对一个全新的AI，研究者自然会产生疑虑，目前产业创新出现明显的瓶颈，为什么“分子宇宙”能够真正帮助电池创新，而非流于形式吗？

这里需要强调的是，SES的“分子宇宙”并非零散功能的堆砌，而是一个闭环式智能研发系统。

“分子宇宙”的核心逻辑是通过“提问-搜索-筛选-验证”四步走，将AI的预测能力与研发实践深度绑定，去真正实现电池创新的从问题到答案。

以下以“推荐一款适用于 NCM811 正极和高硅负极，能够兼顾高电压、低温性能, 且具有不可燃特性的电解液。”为例，解析MU如何串联功能，加速R&D：

向“分子宇宙”提问演示

1. 智能提问（Ask）：定义问题，锚定方向

-用户以自然语言输入需求：

“如何改善电解液配方在NCM811正极和50%硅碳负极的低温快充性能”

-MU的响应：

拆解需求：系统识别关键参数（低温性能、快充倍率、安全性），关联电池化学体系（高镍正极、硅负极对电解液的兼容性要求）。

调用知识库：基于电池专用大语言模型，检索历史案例（如过往配方“0.8m LiPF6+0.2m LiFSI+EMC 50%+MA 10%+DMC 10%+EC 15%+FEC 10%+PS/LiDFOB/LiDFP 5%”）、文献数据及分子数据库。

生成初步方案：推荐替代氟代碳酸乙烯酯（FEC）等耐低温添加剂的配方，并提示需优化溶剂比例以平衡黏度与离子电导率。

2. 智能搜索（Search）：拓展边界，发现“分子好友”

-用户根据推荐方案，进一步探索替代分子：

输入目标分子：输入FEC的SMILES序列或名称，启用“分子好友”功能。

-系统推荐两类候选：

结构相似分子：如环状碳酸酯衍生物（保持低粘度特性）；

特性相似分子：如离子液体（虽结构迥异，但具备低凝固点、高稳定性）。

可视化导航：通过2D分子地图，直观查看候选分子在化学空间中的分布（如HOMO/LUMO能级、ESP极值等参数聚类区域）。

3. 智能筛选（Filter）：精准定位，突破经验定式

-用户需从海量候选分子中锁定最优解：

设置筛选条件：

物化性质：熔点<-30℃、黏度<5 mPa·s、电化学窗口>4.5V；

安全性：阻燃性=是；

成本：分子合成难度≤中等。

动态叠加筛选结果：符合条件的分子在地图中高亮显示，用户可快速识别“高潜力区”。

突破思维惯性：系统推荐非传统溶剂，但低粘度和高锂离子迁移数可显著提升低温性能。

4. 验证闭环：从预测到量产的关键一跃

-MU不仅提供理论方案，更通过数据驱动缩短实验周期：

模拟验证：对筛选出的分子（分子1）进行DFT计算和分子动力学模拟，预测其与硅负极的界面稳定性。

配方迭代：系统推荐新配方（如“找类似FEC的分子0.8m LiPF6+0.2m LiFSl+EMC 50%+MA 10%+DMC 10%+EC 15%+分子1 10%+PS/LiDFOB/LiDFP 5%”）。

实验加速：新配方低温快充性能提升30%。

在以上过程中，Ask、Search、Filter功能并非孤立，构成“问题定义-灵感激发-（全新）方案优化-快速验证”的完整链条，协同作用，发挥从“单点工具”到“研发飞轮”的价值。

Ask——降低门槛：自然语言交互让非专家也能精准表达需求；

Search——打开视野：10^11分子库+跨结构关联，突破人类经验盲区；

Filter——聚焦落地：多维度筛选确保方案兼顾性能与工程可行性；

数据闭环加速：预测结果反馈至数据库，持续优化AI模型。

什么是“分子宇宙”创新能力的根源？

SES过去数年专注于锂金属电池产业化，并已成功开发出汽车A样品和B样品，且在无人机、低空飞行器等领域应用上已经取得了斐然的成绩。长期走在产业化创新前沿，让SES尤其重视创新的深刻性，他们认为电池创新最终还需要落到材料创新，回归物理化学本质。那么一个合格的AI4S解决方案至少要能解决研究人员具体的问题。

并且，这个AI不应局限于是个“预言家”，更需要既准确又快速，其深层的价值在于它是研发时间“加速器”，加速“预测-验证”的飞轮，压缩研发周期，让研究员专注于更高阶的创新设计。

因此，SES在转向AI战略时，没有在最初就将“分子宇宙”设计成一个通用分子模型那般覆盖各种领域，而选择在自身擅长的电池创新领域深耕，在初始阶段花费巨大的人力与算力，尽可能全面计算电池领域中10^11分子的各类数据。

而“分子宇宙”的创新能力，是由分子数据库的全面性、数据驱动搜索的无偏好，以及对人类认知惯性的突破共同构成的。

分子数据库包含海量未被充分探索的化学结构（如文档提到的1亿分子库）。传统研发往往聚焦于已知结构类别（如碳酸酯类电解液），但化学空间的广阔性意味着，许多结构迥异但性能优越的分子可能存在于“非传统区域”。

通过无偏的搜索算法（如基于分子指纹的相似性搜索），系统可能推荐表面结构不同但关键性质匹配的分子。

例如，在搜索氟代碳酸乙烯酯（FEC）时，系统可能发现结构相似分子，如环状碳酸酯衍生物；或结构迥异分子，如离子液体或有机磷化合物。后者可能因物理化学性质（如粘度、电化学稳定性窗口）与FEC近似，而成为意外有效的替代品。

传统研发依赖专家经验，易形成“结构-性能”的思维定式（如“电解液添加剂必须是环状结构”）。而数据驱动工具通过量化相似性（如512维分子指纹的余弦相似度），能识别出人类可能忽视的跨类别关联，从而发现“反直觉”的有效解决方案。

这在实际的电池研发中，这种“意外发现”可能体现为找到成本更低的替代分子；发现耐高压性能更优的新结构；识别出兼具阻燃性和高离子电导率的复合体系。这些发现往往无法通过单纯文献检索获得，而需借助AI的系统性能力。

能源领域的“超级智能”

“分子宇宙”仍在持续迭代升级，成长为能源领域的“超级智能”。

功能扩展：

未来版本（如MU1）将添加更多有机分子、无机分子以及带电分子（如盐类），使分子数据库更加全面，覆盖更广泛的化学空间。

除了现有的分子量、HOMO/LUMO能级等性质外，还将添加熔点、沸点、溶解度、毒性、连接性等更多性质，帮助用户更全面地评估分子在电池领域中的适用性。

性能提升：

未来地图中还将引入带电分子，专门展示和分析带电分子的性质和行为，帮助研究人员更深入地理解电解质溶液中的离子传输和相互作用。

同时，通过优化大型推理模型，增强推理模型能力，提高其对新颖分子结构的推理能力，更准确地预测未合成分子的性质和行为，为实验提供更有价值的指导。

另外，为确保平台始终处于行业前沿。SES将继续更新和优化平台功能和服务，包括定期更新分子数据库和文献数据库、优化算法和计算效率、提高用户体验等。

提供更多服务层级：

除了当前的软件基础层级外，SES还将提供企业级和联合开发层级的服务。企业级服务将允许用户访问完整的分子宇宙数据库，并进行本地部署和定制计算；联合开发层级则包括分子合成、电池测试等全方位服务，帮助用户加速研发进程。

声明：本文章属高工锂电原创（微信号：weixin-gg-lb），转载请注明出处。商业转载请联系（微信号：zhaochong1213）获得授权。