مقابلات

ماتياس إنغفارسن، مؤسس Holyvolt ورئيسها التنفيذي – سلسلة مقابلات

Antoine Tardif
أضف Unite.AI إلى مصادرك المفضلة على Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
النقاط الرئيسيةتكمن ميزة Holyvolt في 18 عامًا من بيانات البطاريات الخاصة التي لا يستطيع المنافسون…
عرض المزيد
  • تكمن ميزة Holyvolt في 18 عامًا من بيانات البطاريات الخاصة التي لا يستطيع المنافسون تنزيلها ببساطة.
  • لا تصبح التركيبات الفاشلة بيانات تدريب إلا عندما تفصل عمليات مخبرية قابلة للتكرار بين إخفاقات الكيمياء الحقيقية والشذوذ في الاختبار.
  • قلّص الذكاء الاصطناعي مهمة تصميم تجريبية واحدة من ستة أسابيع إلى ثماني دقائق، لكن العلماء لا يزالون يصممون التجارب ويحكمون عليها.

Mathias Ingvarsson هو مؤسس Holyvolt ورئيسها التنفيذي، وقد أسسها عام 2022 لاستكشاف أساليب جديدة في تكنولوجيا البطاريات. تشمل مسيرته المهنية التوسع الدولي لشركة Tempur-Pedic ومشاريع ريادية في قطاعات متعددة. ويركز في Holyvolt على الجمع بين الخبرة العلمية والبيانات التجريبية والقدرات التصنيعية لتسريع تطوير مواد البطاريات، بما في ذلك من خلال الاستحواذ على Wildcat Discovery Technologies.

Holyvolt تطوّر تقنيات لإنتاج الطاقة وتخزينها، وتجمع بين اكتشاف المواد عالي الإنتاجية وأساليب التصنيع بالطباعة الشبكية الدقيقة. ومن خلال Wildcat Discovery Technologies، تربط منصتها لأبحاث البطاريات بين التجارب المختبرية وبيانات الاختبارات السابقة وتطوير المواد المدعوم بالذكاء الاصطناعي. في هذه المقابلة، يتحدث إنغفارسن عن كيفية استخدام العلماء تعلّم الآلة إلى جانب التجارب العملية، وعن أسباب اعتبار التركيبات غير الناجحة بيانات قيّمة، وما يتطلبه الانتقال من تنبؤات أسرع إلى مواد جرى التحقق من صلاحيتها وإنتاج قابل للتوسع.

تشمل مسيرتك المهنية التوسع الدولي لشركة Tempur-Pedic وعدة مشاريع ريادية. ما الذي دفعك إلى تأسيس Holyvolt عام 2022، وما الفرصة في مجال تكنولوجيا البطاريات التي أقنعتك ببناء شركة في قطاع يتطلب خبرة تقنية عالية؟

أسست شركات في مجالات شتى، من المراتب إلى الملابس الداخلية، لذا قد تبدو البطاريات خطوة تالية غير مألوفة. لكنني لطالما انجذبت إلى القطاعات التي أرى فيها فرصة يغفل عنها الآخرون.

كنت أعرف القليل جدًا عن كيمياء البطاريات عندما أسست Holyvolt، وأعتقد في الواقع أن ذلك ساعدني. أحيانًا يكون عدم معرفة كل الأسباب التي تجعل أمرًا ما مستحيلًا ميزة خارقة. قال Jensen Huang ذات مرة إنه لو كان يعلم مدى صعوبة بناء Nvidia، فربما لم يكن ليبدأ. وأستطيع أن أتفهم ذلك.

ما رأيته هو صناعة بطاريات غربية تحاول هزيمة الصين في منافسة حسمتها الصين بالفعل. كانت الصناعة تستثمر مليارات في محاولة استنساخ تكنولوجيا أمضت الصين عقودًا في إتقانها. ولم أفهم لماذا لا نبذل القدر نفسه من الجهد لتطوير شيء أفضل. ستشغّل البطاريات تقريبًا كل ما يحيط بنا، ورأيت فرصة هائلة لإعادة التفكير في طريقة تطويرها. وهذا ما دفعني إلى تأسيس Holyvolt.

عندما درست الاستحواذ على Wildcat، ما الذي أقنعك بأن سجلها من التجارب يمكن أن يشكل أساسًا لمنصة اكتشاف بالذكاء الاصطناعي؟ وما الذي كان عليك التأكد منه بشأن البيانات إلى جانب حجمها الهائل؟

لفت انتباهي فورًا الحجم الهائل للبيانات: أكثر من 500,000 خلية بطارية خضعت للاختبار على مدى 18 عامًا، و165 مليون دورة. وكلما تعمقنا في دراسة البيانات، ازددنا إعجابًا بدقة التجارب والاختراقات التي حققتها Wildcat بالفعل. ومن الصعب للغاية تكرار بيانات من هذا النوع، جُمعت بانتظام على مدى عقود.

لست عالمًا متخصصًا في البطاريات، لذا استعنت بأشخاص يفوقونني معرفة بهذا المجال بكثير. جاء خبراء في البطاريات والذكاء الاصطناعي وعلوم المواد لزيارة المختبر، وبصراحة، أُذهلوا بما رأوه.

ثم انظر إلى الشركات التي تتعامل مع Wildcat، ومنها BMW وغيرها من الشركات ذائعة الصيت عالميًا، والممتدة عبر سلسلة القيمة بأكملها. فهذه شركات ذات ميزانيات ضخمة للبحث والتطوير، وتضم بعضًا من أفضل العلماء في العالم، وقد لجأت إلى Wildcat طلبًا للمساعدة. وكان ذلك أكبر تأكيد على صحة اختياري. واقتنعت بأن Wildcat أنشأت منصة اكتشاف البطاريات الأكثر طلبًا في العالم. وأعتقد أننا، بفضل الذكاء الاصطناعي، لم نستكشف بعد إلا جزءًا ضئيلًا مما يمكن أن تحققه.

تُعدّ التجارب الفاشلة عنصرًا أساسيًا في تفوقكم في مجال البيانات. هل يمكنك ذكر مثال على ما يمكن للنموذج تعلمه من تركيبة بطارية لم تنجح، وكيف يميّز فريقكم بين إخفاق كيميائي ذي دلالة ومشكلة في طريقة إجراء التجربة؟

الإخفاق جزء من علم الكيمياء. وبهذه الطريقة أحرزنا تقدمًا علميًا على مدى مئات السنين: نجرّب شيئًا، فلا ينجح، فنتعلم منه ثم نعيد المحاولة. وينبغي للذكاء الاصطناعي أن يتعلم بالطريقة نفسها.

أمضينا 18 عامًا في إجراء تجارب بطاريات عالية الإنتاجية، لذا تشمل بياناتنا كل شيء، من التركيبات الفاشلة إلى المواد التي نجحنا في تحسينها. وهذا أمر قيّم للغاية عند تدريب نموذج.

لنأخذ بطاريات الليثيوم المعدنية مثالًا. فعلى خلاف بطاريات الغرافيت التقليدية، قد تشهد انخفاضًا مفاجئًا في السعة يصعب التنبؤ به للغاية. وقد طوّرنا نماذج لتعلّم الآلة تستخدم بيانات فعلية لدورات تشغيل البطاريات، تشمل تركيبات مختلفة للإلكتروليت وتصميمات الأقطاب الكهربائية وبروتوكولات الاختبار، للتنبؤ بموعد احتمال حدوث ذلك الانخفاض.

تستطيع نماذجنا الأولية التنبؤ بهذه الانخفاضات بدرجة معقولة من الثقة، ونعمل على تصميم تجارب أكثر استهدافًا واختبار البطاريات في ظروف مختلفة لتحسين تلك التنبؤات.

بالطبع، لا تكون لهذه البيانات قيمة إلا إذا أمكننا الوثوق بالنتائج. أمضينا سنوات في تحسين إجراءاتنا المختبرية لجعل التجارب قابلة للتكرار بدرجة عالية والحد من الأخطاء. ونجري أيضًا التجربة نفسها مرات متعددة، حتى نتمكن من معرفة ما إذا كانت النتيجة الضعيفة تعكس مشكلة حقيقية في المادة أم خللًا طرأ على عملية الاختبار. وبهذه الطريقة، لا نلقّن نماذجنا استنتاجات خاطئة استنادًا إلى نتيجة واحدة لا تمثل الصورة كاملة.

هل يمكن أن تطلعونا على مراحل دورة اكتشاف، بدءًا من اقتراح نموذج لمادة ما، مرورًا باختبارها في المختبر، ووصولًا إلى إدراج النتائج؟ ما القرارات التي يتخذها الذكاء الاصطناعي، وأين يظل حكم العلماء أساسيًا؟

تبدأ العملية مع علمائنا. فهم يصممون تجربة استنادًا إلى ما يسعون إلى معرفته، ثم تنفّذ منصتنا عالية الإنتاجية الاختبارات. بعد ذلك، يستخدم مهندسو التعلم الآلي لدينا هذه البيانات الأولية لبناء نموذج والتحقق مما إذا كان قادرًا على التنبؤ بنتائج التجارب المستقبلية.

ثم نختبر تلك التنبؤات في المختبر. فإذا تطابقت النتائج، زادت ثقتنا بالنموذج وأمكننا استخدامه لتقييم تركيبات جديدة. أما إذا لم تتطابق، فيبحث علماؤنا عن السبب. أحيانًا يحتاج النموذج إلى مزيد من البيانات، ما يعني تصميم تجارب جديدة بالكامل أو إجراء الاختبارات في ظروف مختلفة. ونُدخل تلك النتائج في النموذج، ثم نحسّنه ونكرر العملية.

هناك حماس كبير لفكرة أن يكتشف الذكاء الاصطناعي مواد جديدة بصورة مستقلة، لكننا نحرص على ألا نبالغ في ادعاءاتنا. ففي هذه المرحلة، لا يزال علماؤنا يصممون التجارب ويتخذون القرارات الأساسية. يساعدنا الذكاء الاصطناعي على وضع التنبؤات، بينما يبيّن لنا مختبرنا مدى صحتها عمليًا. وبفضل الجمع بين خبرة علمائنا والذكاء الاصطناعي، تمكّنا بالفعل من تقليص الوقت اللازم لبعض مهام تصميم التجارب تقليصًا كبيرًا، من أسابيع إلى دقائق معدودة.

تعكس مجموعة البيانات التاريخية المواد التي اختار الباحثون دراستها في السابق. كيف تمنعون نماذجكم من حصر استكشافها في تلك المجالات المألوفة، وكيف تحددون ما إذا كانت الكيمياء غير المألوفة واعدة بما يكفي لتبرير اختبارها فعليًا؟

هذا هو السؤال المناسب تمامًا، وهو سبب اعتقادي بأن مختبرنا أهم حتى من مجموعة بياناتنا.

يتعلم النموذج من البيانات التي تزوّده بها، ولذلك، من الطبيعي أن تكون تنبؤاته أكثر موثوقية بشأن أمور سبق أن صادفها. وتكمن الفرصة الحقيقية في استخدام الذكاء الاصطناعي لاستكشاف مجالات كيميائية جديدة بالكامل، قد لا تتوافر عنها بيانات تاريخية.

وهنا تمنحنا منصتنا عالية الإنتاجية ميزة هائلة. إذ يمكننا بسرعة توليد بيانات تجريبية جديدة وموثوقة لمئات التركيبات، ما يوفر لنماذجنا أساسًا تتعلم منه حتى في مجالات كيميائية غير مألوفة.

ولأننا نستطيع اختبار التنبؤات في المختبر، وإدخال النتائج في نماذجنا، ثم تكرار العملية، يمكننا تحسين دقتها باستمرار. فكل تجربة تجعل التنبؤ التالي أكثر استنارة.

أعتقد أن هذه أكبر ميزة تنافسية لدينا. لدينا بيانات تاريخية تغطي 18 عامًا، لكننا لسنا مقيدين بها. فنحن قادرون على توليد البيانات الجديدة التي نحتاج إليها لاستكشاف تركيبات كيميائية لم تخضع من قبل لدراسة مستفيضة.

كيف تقيسون التحسن الذي يُعزى تحديدًا إلى الذكاء الاصطناعي، بما يتجاوز ما تحققه التجارب المؤتمتة عالية الإنتاجية بحد ذاتها؟ وما المقارنات التي تُظهر أن النماذج تعثر على خيارات أفضل أو تقلل عدد التجارب اللازمة للوصول إلى نتيجة مفيدة؟

هذا في الواقع سؤال صعب، لأن الاكتشاف العلمي جهد جماعي.

تخيّل مجموعة من العلماء يتبادلون الأفكار لحل مشكلة. قد يتوصل أحدهم في نهاية المطاف إلى الحل، لكن تلك الفكرة ربما تكون ثمرة ساعات من النقاش مع جميع الحاضرين. فلمن يُنسب الفضل؟

أعتقد أن علينا النظر إلى الذكاء الاصطناعي بطريقة مماثلة. فهو عضو آخر في فريق البحث، ويمكنه مساعدة العلماء على العثور على المعلومات ذات الصلة بسرعة أكبر، والتعرف على الأنماط في البيانات التجريبية، وفهم المشكلة على نحو أعمق.

تمنحنا منصتنا عالية الإنتاجية بالفعل ميزة كبيرة في سرعة إجراء التجارب. ونعمل الآن على فهم مقدار ما يمكن للذكاء الاصطناعي أن يضيفه إلى ذلك. لا أريد طرح رقم لا يمكننا دعمه على نحو سليم. المهم هو ما إذا كنا نساعد علمائنا على التوصل إلى إجابات أفضل في وقت أقل وبعدد أقل من التجارب.

ينطوي تطوير البطاريات على أهداف متنافسة، منها كثافة الطاقة، وعمر البطارية من حيث دورات الشحن، والسلامة، والتكلفة، وقابلية التصنيع. كيف تحوّلون هذه المفاضلات إلى أهداف للذكاء الاصطناعي؟ وهل يمكن لتغيير الاستخدام المقصود أن يوجهه نحو مواد مختلفة جوهريًا؟

يتوقف ذلك فعلًا على الغرض الذي ستُستخدم البطارية من أجله. فمتطلبات بطارية الطائرة المسيّرة تختلف كثيرًا عن متطلبات بطارية تُستخدم في مركبة كهربائية. وقد تكون الأولوية لكثافة الطاقة في أحد الاستخدامات، ولعمر البطارية من حيث دورات الشحن أو التكلفة في استخدام آخر.

يمكننا تحديد تلك الأهداف بوضوح تام. فكثافة الطاقة، وعمر البطارية من حيث دورات الشحن، والسلامة، والتكلفة، كلها عوامل قابلة للقياس؛ لذا نستطيع تزويد النموذج بأهداف أداء محددة وفقًا للاستخدام المقصود.

أما الصعوبة فتكمن في العمل انطلاقًا من تلك الأهداف رجوعًا إلى تحديد مادة قادرة فعلًا على تحقيقها.

يمكن بالتأكيد أن يؤدي تغيير مجال التطبيق إلى تغيير المواد التي نبحث فيها. لكن لا يزال على علمائنا تحديد التركيبات الكيميائية الواعدة، وتصميم التجارب، واختبار مدى قدرة تلك المواد على تحقيق أهداف الأداء.

تعمل Holyvolt على تطوير مواد كاثود من نوع «ملح صخري مضطرب» خالية من النيكل والكوبالت، تمهيدًا لتسويقها تجاريًا. ما الدور الذي أدّاه الذكاء الاصطناعي في هذا التطوير، وما العقبات المتبقية التي تتطلب حلولًا في التصنيع أو الهندسة تتجاوز اكتشاف المواد؟

تُعدّ تقنية DRX مثالًا رائعًا على أهمية نهجنا. فهناك عدد هائل من التركيبات الممكنة للمواد، واختبارها واحدة تلو الأخرى سيستغرق سنوات.

في Holyvolt، تتيح لنا منصتنا عالية الإنتاجية اختبار مئات التركيبات المختلفة بسرعة، وفهم أثر التغييرات في التركيب الكيميائي على كثافة الطاقة والجهد وعمر البطارية والأداء. وقد تمكّنا من تحديد المواد الواعدة بوتيرة أسرع بكثير مما تتيحه أساليب البحث التقليدية.

نعمل الآن على الجمع بين هذه البيانات التجريبية والتعلّم الآلي لتحديد الأنماط ومساعدة علمائنا على اختيار التركيبات التي ينبغي استكشافها لاحقًا. وكلما أجرينا اختبارات أكثر، تعلّمنا أكثر، وأصبحنا أقدر على توجيه التجارب المستقبلية.

نحرز بالفعل تقدمًا نحو الإنتاج على نطاق تجاري، ومن أبرز مزايانا أننا نستخدم عمليات تصنيع راسخة ومثبتة. لسنا بحاجة إلى تطوير معدات جديدة بالكامل أو إعادة ابتكار طرق إنتاج هذه المواد. وينصب تركيزنا على توسيع نطاق الإنتاج بالتعاون مع شركائنا، مع الحفاظ على أداء متسق وتكاليف تنافسية.

ذكرتَ أن البيانات العلمية المملوكة يمكن أن تشكل ميزة تنافسية أقوى من النماذج نفسها. ما الذي يجعل هذه الميزة تتراكم قيمتها بمرور الوقت، وكيف توازن بين الاستفادة من الخبرات المكتسبة عبر مشاريع العملاء وحماية أبحاث كل عميل السرية وحقوق ملكيته الفكرية؟

بعض أقوى نماذج الذكاء الاصطناعي المتاحة اليوم مفتوحة المصدر، وهي تزداد تحسنًا باستمرار. لكن لا يمكنك ببساطة تنزيل 18 عامًا من أبحاث البطاريات. وهذا ما يجعل بياناتنا قيّمة للغاية.

في Holyvolt، اختبرنا أكثر من 500,000 خلية بطارية عبر أكثر من 165 مليون دورة. ونعرف المواد المستخدمة، وكيفية معالجتها، وأداءها، والمواضع التي أخفقت فيها. ولأننا اتبعنا أساليب اختبار متسقة طوال هذه السنوات، يمكننا بالفعل مقارنة تلك النتائج. ومن الصعب للغاية على أي جهة أخرى تكرار ذلك.

تعلّمنا كل تجربة شيئًا جديدًا. وتساعدنا هذه المعرفة على تحسين نماذجنا، وتقديم تنبؤات أفضل، وتحديد ما ينبغي اختباره لاحقًا. وكلما أجرينا تجارب أكثر، ازدادت قيمة هذه القاعدة المعرفية.

نعمل أيضًا مع بعض الشركات الرائدة في العالم، وهي تأتمننا على أبحاث حساسة. ونأخذ هذه المسؤولية على محمل الجد، ولدينا تدابير حماية قوية لصون المعلومات السرية والملكية الفكرية.

مع توسّعكم في المنصة، ما العائق الأكبر أمام تسريع الاكتشاف اليوم: قدرات النماذج، أم الطاقة الاستيعابية للتجارب، أم الوقت اللازم للتحقق من عمر البطارية، أم عامل آخر؟ وما الإنجاز القابل للقياس الذي تتوقع تحقيقه خلال العامين المقبلين، ويبرهن على أن الذكاء الاصطناعي يغيّر اقتصاديات تطوير البطاريات؟

أعتقد أن أكبر عنق زجاجة اليوم هو الوقت الذي يقضيه العلماء في تصميم التجارب وتحليل نتائجها.

تأملوا العملية التقليدية: يطرح العالم سؤالًا، ويصمم تجربة، ويجري الاختبارات، ويحلل البيانات، ثم يقرر ما الذي سيجربه بعد ذلك. لقد أتمتنا بالفعل جزءًا كبيرًا من الاختبارات العملية من خلال منصتنا عالية الإنتاجية، لكن التفكير اللازم بين هذه الخطوات لا يزال يستغرق وقتًا هائلًا.

استخدمنا مؤخرًا نموذجًا بسيطًا نسبيًا للذكاء الاصطناعي في جزء من عملية تصميم التجارب. فمهمة كانت تستغرق عادةً ستة أسابيع أُنجزت في ثماني دقائق. وهذه نتيجة استثنائية حقًا، وتُظهر ما يمكن تحقيقه.

لكن تسريع تصميم التجارب ليس سوى البداية. فمع مساعدة الذكاء الاصطناعي لنا على تحديد ما ينبغي اختباره بوتيرة أسرع، نحتاج أيضًا إلى زيادة سرعة إجراء تلك التجارب. ولهذا نخطط لتوسيع الطاقة الاستيعابية لمختبراتنا والاستثمار في مزيد من الأتمتة.

خلال العامين المقبلين، أود أن أرى تسارعًا كبيرًا في عملية الاكتشاف بأكملها، من الفكرة الأولى إلى مادة تم التحقق من صلاحيتها. وإذا استطعنا الجمع بين سرعة اتخاذ القرار والقدرة على إجراء مزيد من التجارب، فسنتمكن من استكشاف تركيبات كيميائية جديدة بوتيرة لم تكن ممكنة من قبل. وهكذا يمكن للذكاء الاصطناعي أن يغيّر جذريًا اقتصاديات تطوير البطاريات.

شكرًا على هذه المقابلة الرائعة. وينبغي للقراء الراغبين في معرفة المزيد عن مواد البطاريات، والتجارب عالية الإنتاجية، وتطوير تقنيات الطاقة المدعومة بالذكاء الاصطناعي، زيارة Holyvolt.

أنطوان قائد صاحب رؤية وشريك مؤسس في Unite.AI، يدفعه شغف راسخ بتشكيل مستقبل الذكاء الاصطناعي والروبوتات وتعزيزه. وبصفته رائد أعمال أسس عدة مشروعات، يؤمن بأن الذكاء الاصطناعي سيُحدث تحولًا في المجتمع يضاهي ما أحدثته الكهرباء، وكثيرًا ما يتحدث بحماس عن إمكانات التقنيات التحويلية والذكاء الاصطناعي العام (AGI).

وبصفته مستشرفًا للمستقبل، يكرس جهوده لاستكشاف كيف ستشكل هذه الابتكارات عالمنا. وهو أيضًا مؤسس Securities.io، وهي منصة تركز على الاستثمار في التقنيات المتطورة التي تعيد تعريف المستقبل وتعيد تشكيل قطاعات بأكملها.