SIMT技术观察是钠远新材（SIMT）推出的一档前沿科技与产业变革深度对话栏目。作为钠远新材技术生态的重要组成部分，本栏目将定期邀请来自新能源、人工智能、材料科学、智能制造等领域的一线博士与科研工作者，以对话的形式，拆解他们在攻克的技术难题、实验室里的最新进展，以及从理论到产业化的真实路径。

👤 本期访谈嘉宾：

闫博德国化学博士，师从德国国家科学院暨工程学院院士Martin Winter教授。曾任远景睿泰动力数智化研发平台负责人，主导从0到1搭建电池数智化研发体系，实现开发周期缩短40%+、数据处理效率提升8倍、循环测试资源节省30%+。现任宁波数字孪生（东方理工）研究院人工智能与能源系统部门副研究员，专注AI与能源系统交叉领域研究，深度联动多家合作企业，共同推进数智化转型项目落地。

发表SCI论文23篇（含Nature Commun.、Adv. Funct. Mater.等），获授权国际专利1项、德国专利1项、中国专利3项。

01、传统研发模式天花板：当“试错法”遇上复杂系统

研发一直是电池发展的命门所在。相关研究指出，全球电池行业研发投入强度维持在6.2%左右，对比A股市场平均2.3%-2.6%的研发投入，若以千亿营收计算，意味着每年将多出40亿元的研发投入。

其中，电芯结构创新与制造工艺优化成为投入重点。但随着电池行业的发展，市场对产品性能、迭代速度的要求越来越高，闫博士指出，过去单纯依赖专家经验直觉和重复实验验证的研发模式，弊端已经越来越明显：

1、研发周期过长，迭代效率低。 传统电池研发需要研发人员手工调整参数、重复测试。单以电芯研发为例，仅循环寿命和日历寿命测试，耗时就以年为单位，极难跟上市场快速迭代的节奏。

2、综合成本高昂，资源浪费严重。 人力、高端设备、原材料消耗巨大。大量“负面实验数据”被直接丢弃，导致可避免的重复失败反复出现，形成巨大的隐形浪费。

3、数据零散且标准不一，知识难以传承。 实验记录散落在个人笔记中，数据孤岛严重，难以跨项目复用。核心人员离职，意味着整条技术路线经验流失，企业宝贵的实验资产无法转化为结构化知识。

4、高度依赖“炒菜式”直觉经验，缺乏科学深层研究。 热衷调整配方比例，却难以解释“为什么好”。难以跳出思维定式理性设计多目标冲突（能量密度、功率、安全、寿命、成本）。

5、探索化学空间的能力极为有限。 材料组合方式数以万计甚至百万计，试错法只能探索冰山一角。工艺参数间的交互作用难以被充分发掘。

6、多尺度、多物理场耦合的难题难以解决。 从原子尺度到热失控蔓延，跨多个时空尺度。传统还原论割裂研究，无法将微观机理与宏观性能有效关联。正是这些弊端，促发了一系列难以调和的矛盾：

这也是行业必须从“手工作坊式试错”转型“数据+AI驱动的理性设计”的核心原因。

细数近年来电池头部企业的数智化转型：

2023年，宁德时代在香港设立聚焦AI for Science的国际研发中心；2025年，比亚迪锂电池与字节跳动Seed及火山引擎共建“AI+高通量联合实验室”；同年5月，吉利汽车与深势科技将生物医药领域的“AI+分子模拟”技术引入动力电池研发。桩桩件件，都指向同一个未来：“数据+AI驱动”的数智化转型将成为电池行业发展的新引擎。

02、系统思维：理解电池这台“复杂机器”的钥匙

对于投入充足的头部企业，数智化转型已经从“锦上添花”变为提升竞争力的核心手段。闫博士搭建的电池数智化研发体系，已成功实现开发周期缩短40%+、数据处理效率提升8倍、循环测试资源节省30%+。

当AI for Science与自动化实验室深度融合，电池技术的迭代速度将从“年”的尺度压缩到“月”甚至“周”的尺度。能否完成数智化转型，很有可能成为企业发展的生死线。

如何才能快速转型？

闫博士作为在行业工作超过十四年的“老兵”，给出了自己的落地经验。首先，要认识到传统还原科学的局限性，用系统化的思维去思考电池产品的研发工作。传统还原论科学认为，整体由部分组成，了解每个部分就能解了整体。

但一颗电池的内部系统，涉及物理、化学、电化学、力学、热学等多学科知识，各组分之间存在复杂的交互作用，极难识别。以电解液配方为例，仅组分间的交互作用对电池性能的定量影响就非常复杂，更不用说电解液组分和材料、极片工艺、电压、温度、电芯形式、电池运行工况、正负极串扰效应等因子间的交互作用。

而电池生产制造过程中的非可控影响因子，如人员调整、温湿度控制、来料批次一致性等，往往对电池性能有较大影响，却很容易被研发人员忽略。

闫博：“所以，仅靠做一些单因子变量试验去培养有效的电池设计直觉，那无异于痴人说梦。以全/半因子设计逻辑去做设计并验证，需要投入的资源又是绝大多数企业无法负担的。但如果以系统性思维去看待电池研发，就会找到新的解法。”

什么是系统思维？

简而言之，是一种把研究对象当作一个由相互关联、相互作用的要素组成的整体，并从这个整体与外部环境、整体与部分、部分与部分之间的相互关系中，去认识和把握事物本质与规律的思维方式。它反对将事物孤立、割裂地看待，强调整体大于部分之和。

以电芯研发为例，一些工程师习惯基于半电池单电极独立测试，筛选出电化学综合表现优异的正极与负极活性材料，然后再匹配具有多类型功能添加剂的电解液方案。众多测试资源倾向于这种拔尖组合设计方案，结果却往往不尽理想。如果从系统思维出发，思路则完全不同。

首先，保证电位适配性：侧重考察电芯在化成之后，正负极活性材料工作电位的适配性，既不让正极侧工作电位过高（容易引发材料相变失效），也不让负极侧工作电位过低（容易引发析锂）。

其次，跟踪电位动态演变：重点关注电芯在工况过程中，正负极活性材料工作电位的演变规律，通过系统设计调整保证正负极工作电位的持续适配。

为了实现这一点，闫博士开发了DCR定量分解技术，可定量识别各类型元器件（电极材料、电解液组分、集流体、辅材、极片工艺等）调整对电芯内部各类型阻抗（RΩ、Rsei、Rct、Rd等）的影响。在积累了足够数据之后，便可构建算法模型，进行系统优化设计。

03、DIKW模型：数智化落地的清晰路径

转变思维模式，只是系统化思维雄关漫道的第一步。

系统化具体来说是由四个部分组成，分别是结构、功能、过程和环境，以及它们之间的循环相互作用。因此，理解复杂系统除了“整体看待”，还需要迭代式探究。“数智化转型落地的一个显著特点，就是业务场景处于循环迭代优化的状态，并不断促进系统给出更理性客观的决策判断。”对于企业的数智化转型，闫博士在多个项目中反复验证后得出的结论是：

重金采购软件系统、部署本地大语言模型、引进大量顶尖AI工程师，这些企业的常规动作，并非是最重要的步骤。重要的是，企业需要根据内部业务场景所处的阶段（流程化→信息化→数字化→数智化）做不同的布局规划。在业务场景中，让数据驱动决策按照DIKW模型的方式自然发生。

DIKW 模型：数据 (Data) → 信息 (Information) → 知识 (Knowledge) → 智慧 (Wisdom)

要实现数据驱动决策，需要完成以下核心事项：明确业务场景边界→梳理业务流程→建设信息化系统→开发数据挖掘算法模型→部署AI Agent。

整个链路的运转逻辑是：业务活动发生时，通过人工填报、智能设备自动采集等方式采集高质量数据（数据质量评价维度包括准确性、精确性、真实性、有效性、全面性、完整性、及时性），这些数据经过数据挖掘技术处理后，生成分析和决策算法模型，模型被部署在信息化系统中，被AI Agent按需调取，助力实现业务场景目标。在这个系统中，人从机械重复性的劳动中被解放出来，去做具有创造性的迭代优化事项。

闫博：“并不是所有的数据都可以被称为数据资产。有大量没有被正确标注和清洗的数据，只能被称为表外矿或者贫矿，这些数据在未来的工业互联网生态系统中的经济价值并不大。”

对于当前无法投入大量资源构建数智化系统的企业来说，开始重视数据资产建设，例如研发数据管理、业务流程标准化、数据挖掘算法模型积累……都是刻不容缓的战略性投入。

04、AI时代，人的价值在哪里？

访谈接近尾声时，聊到AI对年轻人的影响，闫博士的回答从系统思维出发，将问题的范围定义在了大家更关心的商业职场上，给出了一个清晰的框架。“商业的本质是快速发现、洞察和挖掘客户需求，并能快速满足这些需求的过程。”

AI时代以前，为了实现这一目标，需要构建专业的组织团队，通过分工协作来达成目标。但在AI时代，很多商业场景，已经可以通过个人与AI Agent协作来实现目标需求。

那么，系统的架构演变会不会把“个人”也剔除掉，只留下AI Agent？

闫博士认为答案是否定的。其中的关键在于区分人之所能与AI之所不能。

斯坦福大学语言与信息研究中心创始人布莱恩·坎特韦尔·史密斯在《测算与判断》一书中强调，尽管当前AI已经表现出卓越的测算能力，但其仍缺乏道德保证、深刻的语境意识和对本体论敏感型的判断能力。

李飞飞在题为《AI教母：10年后，只会剩下两类工作者》的访谈中也反复强调：AI是工具，不是替代品。真正决定一个人会不会被替代，不是技术本身，而是有没有主动去理解它、使用它、驾驭它。未来两种类型的工作者会是主流：

前1%的顶尖专家：AI可以帮他们筛除90%的重复工作，把精力集中在最需要人类判断力的那10%上，他们的价值得以借助AI得到最大化释放。

高主动性通才：他们可以借助AI自己上手、自己造工具、重新定义工作流、不断优化迭代系统。AI技术的发展让人有更多时间和精力，去做测算之外的事情：判断、创造、共情、在模糊地带做决策。

闫博：“正如我们通过学习使用手机实现便捷沟通，学习使用智能导航实现实时路线判定，学习使用互联网打破信息壁垒，我们也需要学会借助AI工具更好地服务于人，让人摆脱机械的属性，去做具有创造力的事情。”

写在最后

关于下一代电池技术路线的讨论，行业里从未停止过。固态、钠电、硫基、空气电池……各有各的支持者，也各有各的科学或工程瓶颈。闫博士的视角有些不同：“大家都在比能量密度、比循环寿命、比安全性这些性能指标，但我觉得如何通过系统化设计，去最快满足终端客户定制化需求的能力更为重要。”在他看来，最终胜出的技术路线，未必是单项性能最拔尖的，反而可能是最先实现产业生态互联网系统的产品。

在这一产业生态内，投入资源被合理分配，处于生态系统中的企业可以更专注于自己擅长的领域，产出的数据产品可以用来做交易，产业创新积极性被激活。

“恰如消费互联网完全改变了人类生活的模式，借助AI发展的浪潮，相信工业互联网的实现会带来完全不一样的生产分配模式。”

对于钠电，闫博士持明确的乐观态度：“钠电是一个很好的技术，2026年我确实看见钠电这个技术真正走向了产业化。”数据支撑了这一判断。据伯恩斯坦研究，2025年全球钠电池出货量已达9GWh，预计2026年将增至25GWh以上。这个增速得益于整个电池行业积累的研发经验、制造工艺、数据资产，也离不开当下的AI数智化转型。

文中数据来源于公开资料及嘉宾访谈，由钠远新材团队整理撰写