中新经纬6月10日电 题：用全生命周期智能化来应对动力电池挑战
作者 欧阳明高 全国政协常委、中国科学院院士
欧阳明高
中国动力电池已经是世界最大的动力电池产业，但是也面临一系列的挑战，比如增速放缓、利润率降低、产品迭代加快。
要应对这个挑战，我认为很重要的一个手段和工具，就是用全生命周期智能化来支撑设计、制造、管理、回收，以便实现全生命周期的提速、提效、降本。
与此同时，我们迎来了新的机遇，那就是人工智能时代的来临。现在我们已经进入了大模型时代，大家非常熟悉的有ChatGPT，还有不太熟悉的BRT，都是大模型。ChatGPT是GPT的一种，是生成式预训练模型，BRT是双向编码的预模型。这两种模型都是基于Transformer底层神经网络。
什么叫大模型？一般来说都是基于深度学习并与Transformer并行，就可以使参数量放大到百亿、千亿，这样就有可能形成智力表现与专业知识的输出。
对于动力电池来讲，也可以借鉴这个概念。我们可以预训练的神经网络Transformer为基础，来构建电池预训练大模型。
第一是智能设计。现在已经从实验试错到仿真驱动，再到现在的智能化全自动，效率提升1到2个数量级，这是革命性变化。其中的两项核心技术，一个是高精度建模，还有一个就是高效的智能寻优算法。
第二就是智能制造。可以用仿真做数字孪生和缺陷智能检测，用产线大数据做人工智能分析，来实现制造过程的智能化。
第三是智能装备。从单机智能到多机协同智能，到整条生产线一体化智能，一个级别一个级别地上升。
第四是智能感知。我们可以引入多维的传感器，尤其是最重要的电位传感器。基于这些传感器，我们融合机理和人工智能，就可以开发出内部状态的感知算法，来实现对内部状态的评估以及预测。在此基础上，可以通过大模型来进行电池管理。比如进行热失控安全的预警。
第五就是智能回收。比如非破坏性的修复，可以通过小电流进行调控，也有一系列的智能化方法，什么时候开始回收，也需要智能化的寿命预测。
目前我们已经做出了电池行业首个人工智能大模型，不是ChatGPT架构，是基于MAE(掩膜自编码器)架构，达到了十亿级的电子参数。我们的模型可以很迅速地迁移，也就是具有通用性，且不需要人工介入，现在已经发展到第二代。
当然，我们还面临一系列挑战。比如数据量还不够，整个人工智能大模型的可解释性也需要进一步加入电池机理。比如可移植性，现在如何移植到固态电池、全固态电池还需要研究。(本文据欧阳明高6月9日在2023世界动力电池大会(主论坛)上的发言整理，未经本人审阅。)(中新经纬APP)
本文由中新经纬研究院选编，因选编产生的作品中新经纬版权所有，未经书面授权，任何单位及个人不得转载、摘编或以其它方式使用。选编内容涉及的观点仅代表原作者，不代表中新经纬观点。
责任编辑：宋亚芬
【编辑：董湘依】