万亿赛道“狂奔” AI4S加速“点亮”电池创新

过去两年,AI 狂奔。但当大语言模型不断刷新生成能力上限时,一个更根本的问题正在被反复提出:AI真的理解现实世界吗?

答案并不乐观。当前主流AI在语言、符号与统计关联上表现惊艳,却依然难以建立对物理世界的稳定认知——它并不真正理解距离、尺度、结构与因果,更谈不上对材料、能量或化学反应的内在把握。

“AI教母”李飞飞在2025年11月再次强调:“人类过于重视语言和符号作为智能的基础。”这一判断,直指当下过度依赖大语言模型的结构性局限。这也意味着,AI的能力与发展空间也远不止于文本、视频这样的二维空间。

2024年的英伟达GTC大会上,黄仁勋就在谈到AI演进的三条关键主线时,将具身智能(Embodied AI)与 AI for Science(AI4S)与大语言模型(LLM)并列。如果说具身智能试图让AI进入现实世界、理解和作用于宏观环境,那么 AI4S 所面对的挑战显然更加艰深——它要让 AI 走入科学本身,进入一个由物理、化学和数学规律共同组成的真实世界。

在这一语境下,AI4S并不是对算力和模型的简单叠加,而是一条明确以Science(科学)为目标的价值赛道。它一方面看到了数据与算法在多维复杂问题中捕捉规律、超越人脑直觉的潜力,另一方面也必须不断回到科学的起点:一个客观真实物理世界。而在许多前沿产业中,这个世界最终都会收敛到一个共同尺度——微观层面的理化分子世界。

正是在这样的背景下,AI4S正从概念走向产业实践,其创造真实经济价值的潜力正通过具体的产业突破得到验证。

基于SES AI的“分子宇宙”(Molecular Universe,MU)平台,已有6款突破性的新型电解质材料完成开发验证,并在全球范围内与超过40家电池及材料企业推进测试与量产导入。AI4S的价值正从一个可计算的微观世界,加速涌向真实的产业洪流。

与此同时,资本市场对AI4S赛道的关注度持续升温。尽管目前能像SES一样实现在真实的产业研发创新突破的企业仍为极少数,但AI4S领域已出现多笔数亿美元级别的大额融资。SandboxAQ在完成3亿美元融资后估值高达56亿美元,Periodic Labs以13亿美元估值完成3亿美元种子轮融资。

全球多家AI4S创新企业的估值跃升至数十亿美元量级,这为理解AI4S的商业价值提供了参考。如果“分子宇宙”不是SES旗下业务部门,而是一个独立公司,其价值也将达到数十亿美元量级。

从医药到电池 AI4S价值赛道爆发

在AI4S尚未被广泛理解之前,中国资本市场其实已经给出过一次清晰的正反馈。2024年,晶泰科技以港股“特专科技第一股”的身份上市,成为 AI4S 赛道中的成功案例之一。

但回溯晶泰从初创公司到上市历程,其成长的核心并非是通用大模型的能力溢出,而是源于其在医药研发这一高度真实、也高度受物理与化学规律约束的垂直领域中,长时间的深耕。这种持续处在真实研发现场中的能力积累,使晶泰在多年之后,逐步获得国际药企与资本市场的双重认可。

这一过程本身,也为AI4S提供了一个重要参照:真正有价值的 AI4S 公司,往往并不诞生于模型能力的竞赛,而是成长于某一具体科学领域的长期实践之中。它们先在微观世界里具备“理解现实”的能力,再在AI4S领域大展拳脚。

电池领域的 SES,出发点同样如此。

这家公司并非源自算法实验室,而是诞生于锂金属电池最为艰难的工程现实之中:从材料、电解液到电芯制造,从实验室样品到车规级验证,SES 在长达十余年的研发过程中,持续直面电化学体系在真实条件下的失效、退化与不确定性。正是在这一过程中,分子层面的行为开始成为绕不开的核心变量——而传统试错方式,已无法承载研发节奏与复杂度的同步提升。

AI4S是AI时代的科研自然结果。而SES与晶泰分别在电池与医药两个领域,走在相似的AI4S发展路径上——不是因为它们都使用 AI,而是因为它们都先走过了足够漫长、足够真实的垂直研发周期。

SES的MU平台已直接催生出覆盖低硅负极、高硅负极、锂金属、高电压LCO、LFP储能以及凝胶电解质等六大关键场景的突破性解决方案,例如:

1、面向电动汽车的低硅负极电解液,在60°C高温存储测试中,性能较行业基准提升26%,相关专利正在申请。

2、面向无人机的高能量密度电池(100%硅碳负极)电解液,目标在1C/1C和4C/1C条件下,实现比商业标杆超过20%的循环寿命提升。

3、面向极致快充需求的电解液,在4C-4C的极速充放电循环条件下,已展现出比传统基线配方更优的循环寿命表现(测试持续进行中)。

4、面向高电压应用场景(如高端3C电子)的电解液,在4.58V超高电压、45°C高温的严苛条件下循环200周后,容量保持率稳定超越行业头部客户的现有基线配方。

5、面向储能(ESS)或电动汽车的LFP体系电解液,在高温循环、高温存储、低温功率等多项关键性能上,达到或超越了全球动力电池龙头的产品。

6、面向3C应用的下一代凝胶电解质,在常温、高温循环以及高温存储测试中,容量保持与厚度稳定性均优于主流商用液态电解液,展现出更佳的综合可靠性。

这些跨越电动汽车、航空、储能与3C电子多元场景的突破,正是“AI for Science”从愿景照进现实的最有力注解。

而回看SES对MU的演进思路,其核心逻辑也愈发清晰:先锚定真实的微观世界,再提炼可被继承的科学规律,同时叠加AI捕捉的数据背后的数学规律,最终实现科研效率的释放。

MU-1已经为电池AI4S应用构建了一个完整的工作流,MU-1.5 的迭代为MU注入智慧(Flavor)并具备物理形态(MU in a Box),围绕工作流更好地运行,向映射客观的电池分子世界(真实)、模拟电池创新的成长语境(规律)、走向能源多元场景研发目标(效率)的真实电池创新做系列强化。

一是真实:用数据打造可计算的电池分子世界

SES 对真实的追求,始于一个朴素而宏大的目标:为电池创新打开被经验禁锢的化学空间。

过去30年,整个电池行业深入研究过的有机分子仅千余种,而20个原子以下的可能分子超过10^11种。MU 的起点,便是耗费巨大算力,将这“分子宇宙”数字化、可视化。从 MU-0 的亿级分子图谱,到 MU-1 基于超过2亿分子 DFT 计算与混合精度建模的物性数据库,SES 构建的并非一个普通的数据库,而是一个映射真实微观理化性质的可计算世界。

这个世界的真实体现在两个层面:

数据源的物理真实性:所有分子数据不仅包括结构,更关键的是附着了由高精度计算(DFT)校准的物化性质(HOMO/LUMO能级、黏度、电导率等),以及来自实际电芯测试(Cell Universe)的性能与失效数据,甚至特意包含了“失败样本”以揭示边界条件。

验证闭环的强制性:MU 的工作流设计始终强调“预测-验证”的闭环。无论是 Formulate 阶段的分子动力学模拟,还是 Predict 阶段的寿命预测,其输出都必须接受真实实验的校验,并将结果反馈回系统,持续修正模型。这迫使AI的推理必须建立在与物理世界一致的约束之上。

MU-1.5在此基础上的深化,是让真实更具象、更可操作,其Design模块新增了对12%硅碳负极和100%硅碳负极搭配高镍正极的专项支持。

SES 将自身在最前沿电池(无人机、航空应用)研发中获得的独家、高质量数据反哺至AI模型,使得虚拟筛选更贴近这些高端应用的真实工况与性能需求。AI所探索的真实,随着电池产业化前沿的推进而不断拓展边界。

二是规律:从关联统计到注入与发现因果洞察

如果仅有海量数据,AI可能只是一个更快的“随机试错机”。MU 的进化方向,是让 AI 逐步理解和运用电池领域的深层规律——既包括人类已知的科学知识,也包括数据中隐藏的、超越人类经验的数理关联。

在MU-1.5中,这一追求迎来了标志性突破:Flavor(风味标签)系统的引入。

此前,Search功能依赖于分子指纹的结构相似性或计算属性的数值逼近,这是一种无偏好的数学关联,而Flavor首次将人类科学家数十年积累的领域智慧进行了系统化的编码。16种标签被分为两类:

7种结果导向:如快充、高电压、不可燃、高温循环——直接对应工程目标。

9种机制导向:如 SEI 稳定剂、CEI 稳定剂、HF 中和剂——直指微观失效机理。

这意味着,AI 的搜索从基于结构的相似,升级到基于功能与机理的相似。当研究者寻找一款快充添加剂时,系统不再仅仅推荐结构类似物,更能推荐那些在机理上被证明能有效促进锂离子快速传输的分子,哪怕它们结构迥异。这相当于将顶级科学家的经验与直觉,转化为可被AI无限复制、组合和拓展的数字化规律。

SES创始人胡启朝在发布会上强调,这是 “将真实智能注入分子宇宙” ,是 AI4S 从提供模型、数据走向提供 “领域专业知识” 的关键一步。它解决的正是“AI不理解化学”的核心痛点。

同时,MU 并未放弃从数据中自主发现规律的能力。其 Predict 模块通过分析海量电芯循环的时序数据(如电压曲线弯曲度、dQ/dV峰位漂移),学习退化模式,仅凭前期数据即可预测长期寿命。这种能力所捕捉的,是可能连科学家都尚未完全清晰阐明的、复杂的高阶数理关联规律。传统方法或许能归纳十几个核心物理化学原理,而AI系统则能识别并利用上千个这样的微观特征与性能之间的数学映射关系,从而实现更精准的预测。

三是效率:从流程工具到私有化、自进化的研发大脑

真实世界是基石,规律认知是引擎,最终所有价值必须兑现为研发效率的质变。

MU 从0 到1构建的 Ask → Search → Formulate → Design → Predict 智能工作流,已系统性地将灵感生成、方向筛选、时间验证三大成本“坍缩”进计算循环。但 MU-1.5 带来的效率革新,更具颠覆性:它让最高效的研发智能,成为企业可私有、可专属、可自主进化的核心资产。

这就是“MU in a Box” 的战略意义。

这个预装了完整 MU 平台、基于 NVIDIA DGX Spark 的一体机,可以实现完全离线、数据不出厂的本地化部署。它解决了顶级电池企业对数据安全的终极顾虑。但更深刻的价值在于:

效率的个性化倍增:企业可以使用自身积累的、规模与价值可能远超SES通用数据库的专有数据,在“盒中”训练专属于自己工艺和化学体系的私人宇宙。胡启朝现场演示了用原仅针对硅基体系的 Design模块,快速学习全新的LFP数据后,预测误差大幅降低。这意味着客户无需等待SES的版本更新,就能让AI工具迅速适配自身最紧迫的研发战线。

效率的生态化演进:SES 的愿景不再是提供一个固化的工具,而是提供一个可自我学习和成长的智能胚体。“你的分子宇宙有一天可能比我们的更强大”,胡启朝此言暗示,MU 正在成为行业智能研发的“操作系统”和“能力基座”。效率的竞争,将升级为企业间“私有智能体”进化速度的竞争。

发布会上披露,借助MU发现的新电解液配方,SES 将锂金属电池能量密度推至500Wh/kg,并将硅碳电池提升至接近400Wh/kg水平。

同时,通过收购储能公司 UZ Energy,SES 获取了海量LFP数据,用于训练Predict模型,进而将其封装为一个小型硬件,为储能系统提供“电池健康预测即服务”——这标志着 MU 所淬炼出的效率能力,开始以软硬结合的形式,产品化为新的商业模式。

AI回归Science “品味即护城河”

回到文章开头所提出的问题——当大语言模型在符号与生成层面不断逼近极限,AI 的下一步价值究竟来自哪里?AI4S给出的答案正逐渐清晰——回到 Science 本身,回到对真实世界理解与判断,并驱动高效研发。

这也正是 AI4S赛道价值开始集中显现的根源所在。“一是真实、二是规律、三是效率”,是从科学实践中生长出来的逻辑链条:真实的微观世界是空间,长期研究沉淀出规律与路径,而 AI 的算力与模型,最终只是放大这种判断、加速其落地的工具。

在这一意义上,AngelList 联合创始人纳瓦尔·拉维坎特提出“在AI时代,品味(Taste)是唯一的护城河”,同样也适用于AI4S。

SES对电池研发的长期深耕,正是这种“科学品味”的来源。对电池这样高度复杂、强约束的领域而言,品味并非主观偏好,而是一种在真实研发中反复校准后形成的判断力。

而MU则用AI4S的方式,提供一个AI时代电池研发工作者的工作台,帮助他们将自己“研发品味”转化为现实世界中可验证的电池性能提升与产业成果。

这正是 AI4S 价值赛道点亮电池创新的内在。