北京大学联合屹艮科技成功研发出下一代锂电池设计自动化BDA软件，标志着在全球锂电行业，我国率先构建起以人工智能结合跨尺度物理仿真为核心的电池研发新范式，为全球新能源产业升级注入强劲的“中国动能”。
成立于2020年的屹艮科技，是一家专注于工业仿真软件研发的国家高新技术企业，总部位于深圳市南山区。公司创始人兼 CEO、北京大学深圳研究生院新材料学院长聘副教授郑家新，已主持 2 项国家重大项目，发表 SCI 论文160余篇，曾获深圳市自然科学一等奖、深圳市青年科技奖。
近日，就锂电池设计自动化BDA软件的前景，以及我国材料领域工业仿真软件的现状和未来，郑家新接受了证券时报记者专访。
证券时报记者：屹艮科技联合北大研发的BDA电池设计自动化软件，是AI赋能工业的核心成果，当初为何选择锂电池研发作为切入点？
郑家新：新能源是数万亿规模的产业，电池作为核心部件，迫切需要先进的数字化工具来赋能研发，就像EDA软件对芯片行业的作用一样。现在绝大多数新能源企业的研发模式还是靠“手搓试错”，靠调配方反复试验，效率极低，和早期芯片研发很相似。针对这个行业痛点，行业近几年发展出BDA（电池设计自动化）的概念，希望通过数字化工具让电池研发更高效。而且中国有全球领先的新能源产业基础，我们有机会做出能“卡别人脖子”的核心工具，这不是简单的国产替代，而是原始创新。
证券时报记者：BDA软件通过“跨尺度模拟+AI算法”构建全流程智能化平台，具体在材料设计、电极优化、电芯性能预测等环节，AI是如何解决传统工业研发的痛点？
郑家新：电池研发面临三个核心挑战：跨尺度、长流程、多因素。跨尺度是指研发跨越原子分子到电池包9个数量级；长流程从锂矿、石油冶炼等源头材料，到电芯加工、分容、电池包组装，再到BMS管理，产业链绵长；多因素则是每个环节都有环境条件、工艺参数等众多变量，耦合在一起牵一发而动全身。
传统研发靠物理仿真解决不了这些复杂问题，因为电池研发是物理、化学、材料的交叉学科，不像芯片只有物理原理、没有化学反应。我们采用“物理仿真+AI”双轮驱动的模式，就像中西医结合：物理仿真对应西医，有明确的科学原理支撑；AI对应中医，能通过黑箱模型耦合众多复杂因素。AI的作用主要体现在两方面：一是加速模拟，解决传统仿真速度慢的问题；二是处理复杂因素耦合，数十个自变量的相互影响很难用物理方程描述，AI能基于实验数据和仿真数据构建模型，精准预测性能，从而在材料设计、电极优化、电芯定型等环节突破传统试错的局限。
证券时报记者：材料提到BDA能将传统数月的材料实验压缩至数日，这一效率提升背后，AI技术与工业场景的适配难点是什么？如何突破？
郑家新：难点核心在于电池研发的“跨尺度、长流程、多因素”特性，这些特性导致数据复杂、变量耦合度高，AI模型很难直接适配。比如不同环节的参数标准不统一，长流程中每个节点的误差都会影响最终结果，多因素的非线性关系也难以用常规算法捕捉。
我们的突破路径是：一方面依托中国新能源产业的丰富实践，获取大量真实工业数据，这是国外企业不具备的优势；另一方面坚持“物理仿真+AI”双轮驱动，不是单纯依赖AI黑箱，而是用物理原理约束AI模型，确保预测的科学性。同时，我们从2020年就开始在材料电池领域结合AI，是国内最早布局的团队，经过5年“修炼内功”，不断迭代算法，让AI模型更好地适配工业场景的复杂需求。
证券时报记者：目前BDA软件服务多家新能源头部企业，在实际应用中，AI为企业带来的核心价值除了效率，还有哪些维度？
郑家新：核心价值主要是“提效降本”，而且效果非常显著。效率上，传统一款电芯从设计到定型需要1—2年甚至2—3年，用了BDA软件后半年—1年就能完成；材料实验从数月压缩到数日。成本上，以制浆环节为例，传统中式制浆一锅料投入数十万元，往往要试数十锅才能成功，仅这一项就耗费数百万元，而BDA软件通过计算机模拟推荐配方，1—2锅料就能达标，直接节省大量物料成本。
目前我们能帮助企业降低30%—40%的研发成本，终极目标是达到EDA软件的成熟度，届时研发成本能降低90%以上。除了直接的效率和成本优化，AI的精准预测还能间接提升电池安全性能，因为通过仿真模拟能提前规避潜在的工艺缺陷和性能风险，让研发出的电池更稳定可靠。
证券时报记者：从锂电池行业来看，2024年国内锂离子电池出货量达1170吉瓦时、总产值超1.2万亿元，AI在这类规模型工业领域的渗透率如何？
郑家新：目前渗透率还比较低，整个行业仍以传统试错研发为主。虽然新能源产业规模已经达到数万亿，但数字化、智能化工具的应用还处于起步阶段，头部企业也才刚开始逐步引入AI相关的研发工具。这主要是因为行业认知还需要培育，而且适配电池行业的AI工业软件此前几乎是空白，我们的BDA软件是率先实现规模化应用的产品，现在已经服务宁德时代、比亚迪、广汽、贝特瑞等头部企业，正在逐步提升渗透率。
证券时报记者：我国虽是锂电生产应用第一大国，但研发环节仍依赖大量实验试错，这种“跨尺度、长流程、多因素”的挑战，在其他工业领域是否普遍存在？
郑家新：非常普遍。只要是涉及新材料、新配方、新工艺的行业，比如显示、液晶材料、燃料电池、橡胶、塑料、复合材料、磁性材料、精细化工等，都存在类似挑战。这些行业的研发都需要跨越不同尺度的研究，流程链条长，且每个环节都有多个变量相互影响，传统研发模式都是靠反复实验试错，效率低、成本高。这也是我们BDA软件能外溢到其他行业的核心原因，底层算法经过二次开发就能复用。
证券时报记者：AI与工业融合过程中，除了技术适配，还面临哪些现实阻碍？
郑家新：主要有三个方面的阻碍。一是人才储备，AI工业软件需要物理、化学、材料、计算机交叉学科的人才，这类人才在国内非常稀缺，我们公司80%是研发人员，团队70来人，前几年招人都很困难，高校目前也没有对应的专业和课程体系，人才供给跟不上；二是行业认知，部分企业文化相对封闭，对新的数字化工具接受度不高，还有一些企业习惯了传统试错模式，对AI赋能的信任需要时间培育；三是数据安全，工业企业尤其重视核心研发数据，这也是我们采用私有化部署模式的原因，确保企业数据我们看不到，解决他们的后顾之忧。此外，政策支持方面，目前没有定向的扶持，研发补贴多是“大锅饭”，生态建设也需要进一步完善。
证券时报记者：目前BDA软件聚焦新能源领域，你认为在工业领域的应用边界会如何拓展？哪些工业细分领域最具落地潜力？
郑家新：AI在工业领域的应用边界会不断拓宽，核心是从“新能源电池”拓展到所有“新材料、新配方、新工艺”相关的行业。最具落地潜力的细分领域首先是精细化工，比如塑料、胶粘剂、高分子材料等；其次是显示、液晶材料、磁性材料、复合材料等；还有燃料电池、氢能电池相关材料等领域。这些行业的核心需求都是通过优化配方、工艺提升产品性能，降低研发成本，和电池行业的痛点高度契合，我们的BDA底层算法经过二次开发就能适配，落地难度较低。
证券时报记者：从“人工智能+制造”的战略方向来看，未来3—5年AI将给工业生产模式、研发逻辑带来哪些根本性变化？
郑家新：未来3—5年，AI会让工业研发和生产模式发生两大根本性变化。一是研发逻辑从“实验试错”转向“数字仿真+精准预测”，就像芯片行业的EDA软件一样，电池研发工程师会从偏远的工厂研发车间搬到写字楼里，通过数字化工具完成设计，不再依赖大量实体实验；二是生产模式从“标准化大规模制造”向“定制化精准制造”转变，企业能基于用户需求，通过AI快速优化材料配方和生产工艺，比如车厂自研电芯时，能根据车型定位和用户使用习惯，和电芯供应商协同精准研发适配的电池产品。此外，越来越多的工业企业会自研核心材料和部件，就像华为自研芯片一样，掌握核心技术话语权，而AI工具会成为这种转型的核心支撑。
证券时报记者：你如何看待锂电池行业的未来发展？
郑家新：锂电池行业才刚刚开始，远没到尽头。目前它的生命周期还处于小学生阶段，虽然现在存在安全质疑等问题，但随着技术创新会逐步解决。未来的应用场景会非常广泛，低空经济、智能机器人、家庭和工业储能、电动船舶等都需要电池，市场规模会持续扩大，甚至超越芯片行业。而BDA软件会成为新能源产业链必不可少的一环，参照EDA软件200亿美金的市场规模，BDA以及相关新材料软件的市场空间会非常广阔。
校对：赵燕
千里马配资提示：文章来自网络，不代表本站观点。
