谁也没有想到，AI会成为2024年诺贝尔奖的最大赢家，物理奖和化学奖两大奖项都与人工智能研究有关。
很多人第一次知道，机器学习的模型是基于物理方程的，而人工智能被用来研究蛋白质的结构。
不知不觉，我们已经步入AI时代。
随着电动汽车在世界各地越来越受欢迎，人们对电池安全性的担忧比以往任何时候都更加紧迫。当AI与电池结合起来，又会有怎样的图景？
预防热失控
动力电池安全性的一个关键问题是热失控，它是由不可预测的温度飙升引发的，可能导致锂离子电池发生灾难性火灾甚至爆炸。
亚利桑那大学（the University of Arizona）的新研究提供了一种新颖的解决方案来解决这个问题，将机器学习与热传感器相结合。
首席研究员、博士生巴萨布·兰詹·达斯·戈斯瓦米（Basab Ranjan Das Goswami）和项目首席研究员维塔利·尤尔基夫（Vitaliy Yurkiv）教授开发了一种系统，可以感知、预测和识别电动汽车电池内的热失控事件。
热传感器被包裹在单个电芯上（多达1000个电芯紧密地挤在一起组成一个完整的电池），这些传感器被输入到根据历史数据训练的机器学习算法中。
该算法通过分析模式来预测未来的过热事件，并对潜在故障发出预警。戈斯瓦米在接受Springwise采访时解释说：“这种方法可以实现实时监控和早期干预，降低电动汽车发生灾难性故障的可能性。”
戈斯瓦米和尤尔基夫教授使用的方法有别于传统方法，因为他们创新性地将AI和多物理场模型与轻型传感器结合在一起。这比使用笨重的热成像技术更具成本效益，而且可以集成到现有的电池管理系统中，实时准确地预测温度峰值。
正如戈斯瓦米总结的那样，“这种学科融合使我们能够从被动的安全措施转变为主动的预防措施。”
该团队从美国国防部的“国防激励竞争研究计划”获得了599808美元的资助。他们还在探索与汽车制造商合作，将这项技术投入商业应用。
找出电池缺陷
很多科技公司都急于找出动力电池中可能导致火灾和其他问题的缺陷，AI正在帮助他们做到这一点。
他们正在训练AI模型来快速评估电池中哪些是正常的，哪些是不正常的。自动化工具大大加快了质量检查速度。
PDF Solutions电池解决方案总监Peter Kostka于10月10日在底特律电池展上表示：“AI的关键在于可扩展性：部署得越多，效果就越好。”
PDF Solutions教它的AI模型来理解电池结构。
“如果我们的模型了解到，‘嘿，这些是我通常应该看到的东西’……那么相同的模型就可以应用于不同的生产线，并且我们可以获得可扩展性。”他说。
UnitX还使用AI来改进缺陷识别过程。其3D技术可以高速识别细微的异常情况。首席执行官Keven Wang在电池展上表示，它还可以检测比2D视觉更深的深度。
在UnitX案例研究中，人类操作员每5分钟扫描一个电池，而AI工具每3.5秒扫描一个。Wang说，根据该案例研究，工厂可以通过使用AI工具重新分配三名人工检查员。
他说：“它需要看到以前看到过的缺陷，但你会惊讶于它有多好以及教学所需的样本如此之少。”
加速开发速度
AI软件提供商Monolith的首席执行官理查德·阿尔菲尔德(Richard Ahlfeld)表示，电池公司多年来一直在使用机器学习，但大部分电池行业尚未接受AI。他说，这项技术可以将电池测试时间缩短一半。
“电动汽车竞赛已经变得更加激烈。”他说，“人们现在会想，‘好吧，我们还能做些什么来加快速度呢？’而且这是一个已经被证明可以大大加快开发速度的工具。”
Monolith的AI软件帮助Jota Sport赛车工程师优化和验证赛道测试和模拟数据▼
蔚来欧洲公司在9月表示，将使用Monolith的技术构建一个联合机器学习模型，用于将当前的车辆现场数据与基准测试数据进行比较。它还将减少电池数据清理、重新采样、分析和检测异常的时间。
发现下一代材料
很多公司开始使用AI通过车辆的电池管理系统来预测和优化电池健康状况；通过ChatGPT进行清理、分类和重组；并绘制分子图以发现下一代材料。
阿尔菲尔德表示，了解健康状况可以帮助驾驶员优化充电，并有可能将电池寿命延长10%至20%。
SES AI首席执行官胡启朝表示，SES AI正在开发AI模型，以绘制比人类能够绘制的更多的分子图。他说，这些模型可以变得和顶级化学家一样聪明，甚至更聪明。
SES AI相信这些分子图将加速材料的发现，从而解决电动汽车、电子产品、电网存储和其他应用中的任何电池问题。
但人类科学家是使数据库发挥作用的关键。
“人类科学家仍然需要合成模型、使用和实际测试电池。所以这几乎就像是由模型来创造想法，但想法的验证仍然由人类来完成。”他说。
AI的未来？
麦肯锡公司未来出行研究中心汽车和装配业务合伙人帕特里克·赫茨克（Patrick Hertzke）表示，化学材料的进步是AI在电池领域最令人兴奋的潜力所在。
他说，许多公司正在进行增量测试以改进电池。
“这就像制造疫苗或制造药物一样。这并不容易，也不是线性的。”赫茨克说。但基于制药领域的突破，“你同样应该对电池领域化学改进的潜力感到非常兴奋。”
电池技术公司表示，这种潜力可能还需要数年时间。
“电池制造与其说是一门科学，不如说是一门艺术。”BattGenie公司首席执行官马南·帕塔克（Manan Pathak）在电池展上说，“要想拥有端到端的制造工艺，制造出真正好的、可重复的、错误率极低的电池，是非常困难的。”
Wang说，即使要捕捉缺陷，AI模型也需要人工培训。
“AI是另一种形式的算法。”Wang说，“它不是灵丹妙药。它不是魔法。它能很好地预测事物。”
