AI+电池：万亿数据资产重塑电池产业

DeepSeek宣布开源其模型R1期间，电池产业链企业集中进行本地化部署。尽管目前鲜有企业披露具体成效，但AI正在电池产业激起涟漪，提醒电池产业做出顺应时代的选择。

在2月的全固态电池行业论坛上释放出强烈信号：AI正成为下一代电池技术突破的核心引擎。

欧阳明高院士直言，全固态电池研发面临四大核心难题，传统研发效率已无法满足需求，必须转向“文献AI读、报告AI写、模型AI算、优化AI做”的新范式。

而锂电产业链最早将AI作为生产工具导入的时间可以追溯到2019年，这一年，蜂巢能源投产了车规级AI智能动力电池工厂。2020年，宁德时代提出“电池极限制造”理念，追求电池制造过程中的效率、品质与成本的最优化，并积极布局AI技术。

“极限制造”正在帮助宁德时代等头部企业拉开与二线厂商的利润率差距，2024年前三季度宁德时代的销售毛利率为28.19%，远超行业平均水平(约18%)，其中“极限制造”的数智化赋能开始发挥“飞轮效应”。

在AI技术的导入下，每一颗电池全生命周期的数据将成为宝贵的生产资料，在财政部将数据列为第五大生产要素的政策风口下，TWh的电池规模将催生万亿数据资产。基于电池产业万亿数据资产，电池生产、制造、管理正在掀起变革。

近期外界消息称，宁德时代曾毓群在内部讲话中透露，“我们要做的不是电池公司，而是能源智能化的操作系统。”这句话或也指向一个电池与AI深度融合的图景。

2月27日，百度与宁德时代签署战略合作协议。双方合作包括但不限于宁德时代动力电池、换电产品及服务、滑板底盘技术在无人车产品的开发应用，以及共同探索并打造竞争力领先的无人车产品和创新的商业模式。百度也将以全栈自主可控的AI能力，从芯片、平台、应用层全方位支持宁德时代数智化建设。

国内电池与AI两大领域代表企业牵手，能源与智能融合革命已有暗流。

构筑AI4S的电池创新“范式”

在现阶段下一代电池创新潮流中，AI4S是目前倍受关注的AI应用。深入到电芯设计和材料研发中，AI4S同样离不开模型、数据和算力，模型与算力在电化学领域的基础、通用工作正在构建。

2018年，首次在国内提出AI for Science概念的中科院院士鄂维南近期分享到，基于三维分子表达的通用模型——Uni-Mol，通过预训练的方式整合不同场景的分子数据，它采用Transformer架构，能够支持生成、搜索和属性预测等任务，可实现分子生成、性质预测等多种通用能力。

同时，AI与先进表征手段的结合，可以准确表征全固态电池多尺度结构，高效完成表征图像的分割等处理任务。他指出，这种结合可为全固态电池的研发提供了更加精准和高效的分析手段。

美国材料研究学会(MRS)会士、电化学学会(ECS)会士、SES AI Corporation首席技术官许康除了提到用于分子生成和性能预测的AI agent开发，着重在数据方面谈到建立“分子宇宙”数据库，预计包含10^12个分子，通过密度泛函理论(DFT)计算和AI技术加速分子探索。

目前，AI4S的电池材料创新，涌现了许多通过AI加速某种材料开发周期、解决了过去的某一痛点。这在前沿学术领域中取得的成果尤其令产业振奋。

2025年2月，复旦大学高分子科学系彭慧胜/高悦团队用AI设计了一种锂载体分子——三氟甲基亚磺酸锂(CF3SO2Li)，这一成果在《自然》(Nature)上发表。

这种锂载体分子被注射进废旧电池后，能够实现电池“满血复活”，在充放电上万次后仍展现出接近出厂时的健康状态(96%容量)，循环寿命大幅提升，为废旧电池修复打开了全新的思路。

但也有业内观点指出，这一“注射”方案在实际应用中可行性不高且电池循环过程还会存在其他副反应，其产业化应用还需做更多考虑。

这在认可AI4S在电池创新充分进步性的同时，也指出仅找出电池材料的“局部最优解”还不够，产业化落地也是需要考虑的问题。

2025初的CES 2025，SES展出专为人形机器人和无人机设计的AI增强型2170圆柱电池。由AI帮助筛选出的新型电解液材料，解决了电池负极难以使用高含量硅材料的问题，容量上可实现2170电池5Ah到6Ah的提升，还兼顾电池有适用于无人机、人形机器人的高倍率性、高安全性。

为了突破“局部最优解”的性能局限，电池仿真正帮助AI电池创新构建闭环。通过从微观到宏观的多尺度集成仿真，运用建模和材料数据库，帮助电池设计、优化性能。

电池仿真技术创新企业易来科得CEO陈新虹博士预计，到2025年，电池设计效率将提升2-5倍，智能设计将再提升两个数量级。

AI驱动电池制造飞轮效应

特斯拉的德州超级工厂是通过AI技术实现效率飞跃的一大代表性案例。其为自动驾驶系统FSD的训练和优化方面，形成“数据产生优化—优化提升产能—产能反哺数据”的良性循环。

在电池领域，此类良性循环产生飞轮效应已经成为企业间拉开差距的竞争力。

以宁德时代为例，其“灯塔工厂”通过AI模型的实时监测和优化，在推动规模制造的同时保证产线的良率与效率，实现降低单位成本、提高盈利能力。

宁德时代溧阳基地作为其在全球锂电行业的第三座“灯塔工厂”，通过导入AI等数字化技术，实现了产能提升320%，制造成本降低33%，产品单体失效率从百万分之一降低到十亿分之一，二氧化碳排放量减少47.4%。

在固态电池目前急于放大产能的关键节点，AI技术也开始参与推动更大规模的固态电池生产。

2024年末，美国固态电池企业QuantumScape也披露，新一代陶瓷隔膜热处理设备“Cobra”通过AI技术对设备进行优化和升级。“Cobra”设备可使固态电池的生产效率提高了20%，目前已投用，将为2025年QSE-5 B样品的更大规模交付做准备。

从安全到调度的能源网络智能化

智能算法、机器学习模型以及大数据分析能力在电池安全、调度上的增益推动AI在动力、储能领域快速渗透。

在动力电池领域，AI+BMS的应用已经取得了显著的成效。以华为为例，其通过“端–云–大数据-AI”的结合，推出了华为AI BMS系统。该系统能够在云端对电芯数量、充放电、驾驶信息等数据进行实时处理，结合算法库实现电池安全实时预警、电池健康状态评估以及电池寿命优化等功能。

数据显示，华为AI BMS系统可以提前24小时预警电池安全问题，误报率低至0.1%/月，风险预警查全率高达90%。目前，该系统已在华为AITO问界M5、M7车型中得到应用。

此外，Electra的EVE-Ai™技术也是动力电池领域的一大亮点。该技术被嵌入在特斯拉Cybertruck Cyberbeast中，通过实时、数据驱动的续航里程估算，EVE-Ai™技术能够减少续航里程估算的不准确性比例高达20%;同时有相关报道指出，通过预测性维护和退化分析，该技术可将电池寿命延长高达40%。

在储能领域，AI护航电池安全的意义更为重大。海博思创通过积累海量运行数据(20GWh储能电站、1800万颗电池、200TB 数据)，建立多维度模型，实现了对电站运行状态的精准分析和预测。现阶段，海博思创已经可以提前两周左右对潜在安全风险做预警，在电站非运行时间进行预测，提升电站在线寿命。

值得一提的是，安全并不是AI在储能领域的唯一价值，其对经济性的提高是储能领域更为看重的机会。国家电网与华为联合打造的AI能源大脑，通过实时协调大量分布式储能单元，理论上可以有效提高可再生能源的消纳率。

两大挑战：数据资产归属与能耗

然而，AI技术加速导入能源体系也带来了两大挑战：数据资产和AI能耗。

随着电池数据的不断积累和流转，如何确保数据的权属清晰、合规使用成为亟待解决的问题，尤其是在财政部将数据列为第五大生产要素的政策风口下。

2025年2月20日，比亚迪财报中数据资产净值：207.3亿，这个数字不仅相当于其2024年净利润的68%，更意味着比亚迪率先将车机数据转化为可量化、可交易的战略资产。其中‌电池数据流向供应商‌ ，按调用次数与宁德时代分成(有报道指出单次调用费0.83元)。‌

宁德时代等头部电池企业已经开始在数据资产管理方面进行探索和实践，有数据指出，宁德基地搭建了全生命周期全球数字化追溯系统，累计数据资产超过6000亿元。

另一方面，随着AI模型的不断升级和扩大，其能耗问题也日益凸显。以GPT-4等巨型模型为例，其训练成本高昂、能耗巨大。据报道，GPT-4的训练过程消耗了数亿度电能，相当于一个小型发电厂的年发电量。

因此，如何在保证AI性能的同时降低其能耗也是当下备受关注的问题。

同时，物理AI的崛起对电池性能进一步有提高。如特斯拉 Optimus使用电池，机器人、机器狗等运用电池，这种瞬间的能量爆发与物理AI运动控制的配合，要求电池成本、能量密度、倍率性、安全多维度的综合性能更进一步。

或许，在电池技术创新暗流涌动的当下，电池技术也在重新定义AI边界，反向赋能AI产业也成为电池企业的“新机会”，未来将是重新定义能源与智能关系的新时代。