Wawancara

Mathias Ingvarsson, Pendiri dan CEO Holyvolt – Seri Wawancara

Antoine Tardif
Tambahkan Unite.AI ke sumber pilihan Anda di Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Poin utamaKeunggulan Holyvolt adalah 18 tahun data baterai eksklusif yang tidak dapat diunduh…
Lihat selengkapnya
  • Keunggulan Holyvolt adalah 18 tahun data baterai eksklusif yang tidak dapat diunduh begitu saja oleh pesaing.
  • Formulasi yang gagal menjadi data pelatihan hanya ketika proses laboratorium yang dapat direproduksi memisahkan kegagalan kimia nyata dari anomali pengujian.
  • AI memangkas satu tugas desain eksperimen dari enam minggu menjadi delapan menit, tetapi para ilmuwan tetap merancang dan menilai eksperimen.

Mathias Ingvarsson adalah pendiri dan CEO Holyvolt, yang ia dirikan pada 2022 untuk mengembangkan pendekatan baru dalam teknologi baterai. Kariernya mencakup ekspansi internasional Tempur-Pedic dan berbagai usaha rintisan di sejumlah industri. Di Holyvolt, ia berfokus menghubungkan keahlian ilmiah, data eksperimen, dan kemampuan manufaktur untuk mempercepat pengembangan material baterai, termasuk melalui akuisisi Wildcat Discovery Technologies.

Holyvolt mengembangkan teknologi produksi dan penyimpanan energi dengan menggabungkan penemuan material berkapasitas tinggi dengan pendekatan manufaktur menggunakan sablon presisi. Melalui Wildcat Discovery Technologies, platform riset baterainya menghubungkan eksperimen laboratorium, data pengujian historis, dan pengembangan material berbasis AI. Dalam wawancara ini, Ingvarsson membahas cara para ilmuwan menggunakan pembelajaran mesin bersama eksperimen fisik, alasan formulasi yang gagal dapat menjadi data berharga, serta hal-hal yang diperlukan untuk beralih dari prediksi yang lebih cepat ke material teruji dan produksi yang dapat ditingkatkan skalanya.

Karier Anda mencakup ekspansi internasional Tempur-Pedic dan sejumlah usaha rintisan. Apa yang mendorong Anda mendirikan Holyvolt pada 2022, dan peluang apa dalam teknologi baterai yang meyakinkan Anda untuk membangun perusahaan di industri yang menuntut keahlian teknis tinggi ini?

Saya telah membangun bisnis di berbagai bidang, mulai dari kasur hingga pakaian dalam, jadi baterai mungkin tampak seperti langkah berikutnya yang tidak biasa. Namun, saya selalu tertarik pada industri yang peluangnya saya lihat, tetapi terlewatkan oleh orang lain.

Saat mendirikan Holyvolt, pengetahuan saya tentang kimia baterai sangat terbatas, dan saya justru merasa hal itu membantu. Terkadang, tidak mengetahui semua alasan mengapa sesuatu tidak bisa dilakukan bisa menjadi kekuatan luar biasa. Jensen Huang pernah berkata bahwa seandainya ia tahu betapa sulitnya membangun Nvidia, mungkin ia tidak akan memulainya. Saya bisa memahami perasaan itu.

Yang saya lihat adalah industri baterai Barat berusaha mengalahkan China dalam persaingan yang sudah dimenangi China. Industri ini menginvestasikan miliaran untuk meniru teknologi yang telah disempurnakan China selama puluhan tahun. Saya tidak mengerti mengapa kita tidak mengerahkan upaya yang sama untuk mengembangkan sesuatu yang lebih baik. Baterai akan menjadi sumber daya bagi hampir segala hal di sekitar kita, dan saya melihat peluang besar untuk memikirkan ulang cara kita mengembangkannya. Itulah yang mendorong saya mendirikan Holyvolt.

Saat mengevaluasi akuisisi Wildcat, apa yang meyakinkan Anda bahwa rekam jejak eksperimennya dapat menjadi fondasi bagi platform penemuan berbasis AI? Apa yang perlu Anda pastikan tentang data tersebut selain jumlahnya yang sangat besar?

Jumlah datanya yang sangat besar langsung menarik perhatian saya: lebih dari 500.000 sel baterai telah diuji selama 18 tahun dan 165 juta siklus. Semakin kami mendalaminya, semakin kami terkesan oleh ketelitian eksperimennya dan terobosan yang telah dicapai Wildcat. Data semacam itu, yang dikumpulkan secara konsisten selama puluhan tahun, sangat sulit untuk ditiru.

Saya bukan ilmuwan baterai, jadi saya mengajak orang-orang yang jauh lebih memahami bidang ini daripada saya. Para ahli di bidang baterai, AI, dan ilmu material datang untuk melihat laboratorium, dan sejujurnya, mereka sangat terkesan.

Lalu, lihat perusahaan-perusahaan yang datang ke Wildcat, termasuk BMW dan perusahaan-perusahaan ternama dunia lainnya di seluruh rantai nilai. Perusahaan-perusahaan ini memiliki anggaran R&D yang sangat besar dan sejumlah ilmuwan terbaik di dunia, tetapi mereka mencari bantuan Wildcat. Bagi saya, itulah bukti paling meyakinkan. Saya semakin yakin bahwa Wildcat telah membangun platform penemuan baterai yang paling dicari di dunia. Dan dengan AI, saya yakin kita baru mulai menjajaki potensinya.

Eksperimen yang gagal merupakan bagian penting dari keunggulan data Anda. Dapatkah Anda memberi contoh tentang apa yang bisa dipelajari model dari formulasi baterai yang tidak berhasil, dan bagaimana tim Anda membedakan kegagalan kimiawi yang bermakna dari masalah dalam pelaksanaan eksperimen?

Kegagalan adalah bagian dari kimia. Begitulah kemajuan ilmiah telah dicapai selama ratusan tahun. Kita mencoba sesuatu, ternyata tidak berhasil, belajar darinya, lalu mencoba lagi. AI perlu belajar dengan cara yang sama.

Selama 18 tahun, kami telah menjalankan eksperimen baterai berkapasitas tinggi. Karena itu, data kami mencakup segala hal, mulai dari formulasi yang gagal hingga material yang berhasil kami optimalkan. Data ini sangat berharga untuk melatih model.

Ambil contoh baterai litium-logam. Tidak seperti baterai grafit konvensional, baterai ini dapat mengalami penurunan kapasitas secara tiba-tiba yang sangat sulit diprediksi. Kami telah mengembangkan model pembelajaran mesin menggunakan data siklus baterai nyata dari berbagai formulasi elektrolit, desain elektroda, dan protokol pengujian untuk memprediksi kapan penurunan tersebut mungkin terjadi.

Model awal kami dapat memprediksi penurunan ini dengan tingkat keyakinan yang cukup baik. Kini, kami merancang eksperimen yang lebih terarah dan menguji baterai dalam berbagai kondisi untuk menyempurnakan prediksi tersebut.

Tentu saja, data itu hanya bernilai jika kita dapat memercayai hasilnya. Selama bertahun-tahun, kami menyempurnakan proses laboratorium agar eksperimen dapat direproduksi dengan tingkat konsistensi tinggi dan kesalahan dapat diminimalkan. Kami juga menjalankan eksperimen yang sama beberapa kali agar dapat mengetahui apakah hasil yang buruk mencerminkan masalah nyata pada material atau sekadar anomali dalam proses pengujian. Dengan begitu, kami tidak mengajari model kami hal yang keliru berdasarkan satu hasil yang tidak mewakili kondisi sebenarnya.

Bisakah Anda menjelaskan tahapan penemuan, mulai dari model yang mengusulkan suatu material hingga pengujian di laboratorium dan penggunaan hasilnya? Keputusan apa yang dibuat AI, dan dalam hal apa penilaian ilmuwan tetap sangat penting?

Prosesnya dimulai dari para ilmuwan kami. Mereka merancang eksperimen berdasarkan hal yang ingin dipelajari, lalu platform eksperimen berkapasitas tinggi kami menjalankan pengujiannya. Setelah itu, para insinyur pembelajaran mesin kami menggunakan data awal tersebut untuk membangun model dan melihat apakah model itu dapat memprediksi hasil eksperimen berikutnya.

Selanjutnya, kami menguji prediksi tersebut di laboratorium. Jika hasilnya sesuai, kami semakin yakin pada model itu dan dapat menggunakannya untuk mengevaluasi formulasi baru. Jika tidak, para ilmuwan kami menyelidiki penyebabnya. Terkadang model membutuhkan lebih banyak data, yang berarti kami perlu merancang eksperimen yang sama sekali baru atau melakukan pengujian dalam kondisi berbeda. Kami memasukkan hasil tersebut kembali ke dalam model, menyempurnakannya, lalu mengulangi prosesnya.

Banyak orang antusias dengan gagasan bahwa AI dapat menemukan material baru secara mandiri, tetapi kami berhati-hati dalam membuat klaim. Pada tahap ini, para ilmuwan kami masih merancang eksperimen dan mengambil keputusan penting. AI membantu kami membuat prediksi, sedangkan laboratorium kami menguji apakah prediksi tersebut benar-benar terbukti. Dengan memadukan keahlian para ilmuwan kami dan AI, kami telah mampu memangkas secara drastis waktu yang dibutuhkan untuk tugas-tugas tertentu dalam perancangan eksperimen, dari berminggu-minggu menjadi hanya beberapa menit.

Kumpulan data historis mencerminkan material yang sebelumnya dipilih para peneliti untuk ditelaah. Bagaimana Anda mencegah model tetap terpaku pada bidang-bidang yang sudah dikenal, dan menentukan kapan suatu kimia yang belum dikenal cukup menjanjikan untuk diuji secara fisik?

Itulah pertanyaan yang tepat, dan itulah sebabnya saya yakin laboratorium kami bahkan lebih bernilai daripada kumpulan data kami.

Model belajar dari data yang diberikan kepadanya, jadi wajar jika model akan lebih andal saat memprediksi hal-hal yang sudah pernah ditemuinya. Peluang sesungguhnya adalah menggunakan AI untuk menjelajahi bidang-bidang kimia yang benar-benar baru, yang mungkin belum memiliki data historis.

Di sinilah platform eksperimen berkapasitas tinggi kami memberi kami keunggulan besar. Kami dapat dengan cepat menghasilkan data eksperimen baru yang andal dari ratusan formulasi, sehingga model kami memiliki landasan untuk belajar, bahkan di bidang kimia yang belum dikenal.

Karena kami dapat menguji prediksi di laboratorium, memasukkan hasilnya kembali ke dalam model, dan mengulangi proses tersebut, kami dapat terus meningkatkan akurasinya. Setiap eksperimen membuat prediksi berikutnya lebih terarah oleh informasi.

Saya yakin inilah keunggulan kompetitif terbesar kami. Kami memiliki data historis selama 18 tahun, tetapi kami tidak dibatasi olehnya. Kami mampu menghasilkan data baru yang dibutuhkan untuk menjajaki bidang-bidang kimia yang sebelumnya belum diteliti secara menyeluruh.

Bagaimana Anda mengukur peningkatan yang secara khusus dihasilkan oleh AI, di luar manfaat yang sudah diberikan oleh eksperimen otomatis berkapasitas tinggi? Perbandingan seperti apa yang menunjukkan bahwa model menemukan kandidat yang lebih baik atau mengurangi jumlah eksperimen yang dibutuhkan untuk memperoleh hasil yang berguna?

Sebenarnya, ini pertanyaan yang sulit, karena penemuan ilmiah merupakan hasil kerja tim.

Bayangkan sekelompok ilmuwan sedang bertukar gagasan untuk memecahkan suatu masalah. Pada akhirnya, satu orang mungkin menemukan solusinya, tetapi gagasan itu bisa saja muncul setelah berjam-jam berdiskusi dengan semua orang di ruangan tersebut. Siapa yang pantas mendapat pujian?

Menurut saya, kita sebaiknya memandang AI dengan cara serupa. AI adalah anggota lain dari tim riset. AI dapat membantu ilmuwan menemukan informasi yang relevan dengan lebih cepat, mengenali pola dalam data eksperimen, dan memahami masalah secara lebih mendalam.

Platform eksperimen berkapasitas tinggi kami sudah memberi kami keunggulan besar dalam hal kecepatan menjalankan eksperimen. Kini, kami berupaya memahami seberapa jauh lagi AI dapat membantu. Saya tidak ingin menyebutkan angka yang tidak dapat kami dukung dengan bukti yang memadai. Yang penting adalah apakah kami membantu para ilmuwan mendapatkan jawaban yang lebih baik dengan waktu lebih singkat dan eksperimen lebih sedikit.

Pengembangan baterai melibatkan berbagai sasaran yang saling bersaing, termasuk kepadatan energi, masa pakai siklus, keselamatan, biaya, dan kemudahan produksi. Bagaimana Anda menerjemahkan kompromi di antara sasaran-sasaran itu menjadi tujuan bagi AI, dan apakah perubahan pada aplikasi yang dituju dapat mengarahkannya pada material yang secara mendasar berbeda?

Hal itu benar-benar bergantung pada tujuan penggunaan baterai. Baterai untuk drone memiliki persyaratan yang sangat berbeda dari baterai untuk kendaraan listrik. Dalam satu aplikasi, kepadatan energi mungkin menjadi prioritas, sedangkan dalam aplikasi lain, masa pakai siklus atau biaya yang lebih diutamakan.

Kami dapat menetapkan sasaran tersebut dengan cukup jelas. Kepadatan energi, masa pakai siklus, keselamatan, dan biaya semuanya dapat diukur, sehingga kami dapat memberikan sasaran kinerja spesifik kepada model berdasarkan aplikasinya.

Bagian tersulitnya adalah menelusuri kembali sasaran-sasaran tersebut untuk menemukan material yang benar-benar mampu memenuhinya.

Mengubah penerapannya tentu dapat mengubah material yang kami teliti. Namun, para ilmuwan kami tetap harus menentukan kimia material mana yang menjanjikan, merancang eksperimen, dan menguji apakah material tersebut dapat memenuhi target kinerja.

Holyvolt tengah mengembangkan material katoda berstruktur batuan-garam tak teratur yang bebas nikel dan kobalt hingga siap dikomersialkan. Apa peran AI dalam pengembangan tersebut, dan kendala apa yang masih memerlukan solusi manufaktur atau rekayasa di luar penemuan material?

DRX adalah contoh yang sangat baik tentang pentingnya pendekatan kami. Ada sangat banyak kemungkinan kombinasi material, dan mengujinya satu per satu akan memakan waktu bertahun-tahun.

Di Holyvolt, platform pengujian berkapasitas tinggi kami memungkinkan kami menguji ratusan formulasi berbeda dengan cepat dan memahami bagaimana perubahan kimia memengaruhi kepadatan energi, tegangan, masa pakai baterai, dan kinerja. Kami dapat mengidentifikasi material yang menjanjikan jauh lebih cepat daripada yang dimungkinkan oleh metode penelitian tradisional.

Kini kami menggabungkan data eksperimen tersebut dengan pembelajaran mesin untuk mengidentifikasi pola dan membantu para ilmuwan kami menentukan formulasi mana yang perlu diteliti selanjutnya. Semakin banyak yang kami uji, semakin banyak yang kami pelajari, dan semakin baik pula kami dapat mengarahkan eksperimen selanjutnya.

Kami sudah membuat kemajuan menuju produksi berskala komersial, dan salah satu keunggulan terbesar kami adalah penggunaan proses manufaktur yang sudah mapan. Kami tidak perlu mengembangkan peralatan yang sepenuhnya baru atau merancang ulang cara memproduksi material ini. Fokus kami adalah meningkatkan skala produksi bersama para mitra sambil mempertahankan kinerja yang konsisten dan biaya yang kompetitif.

Anda berpendapat bahwa data ilmiah eksklusif dapat menjadi keunggulan kompetitif yang lebih kuat daripada model itu sendiri. Apa yang membuat keunggulan tersebut terus bertambah seiring waktu, dan bagaimana Anda menyeimbangkan pembelajaran dari proyek pelanggan dengan perlindungan terhadap riset rahasia dan kekayaan intelektual setiap pelanggan?

Beberapa model AI paling canggih yang tersedia saat ini bersifat sumber terbuka, dan kemampuannya terus meningkat. Namun, Anda tidak bisa begitu saja mengunduh 18 tahun penelitian baterai. Itulah yang membuat data kami begitu berharga.

Di Holyvolt, kami telah menguji lebih dari 500.000 sel baterai selama lebih dari 165 juta siklus. Kami mengetahui material apa yang digunakan, bagaimana material tersebut diproses, bagaimana kinerjanya, dan di bagian mana kegagalannya terjadi. Karena selama ini kami menggunakan metode pengujian yang konsisten, kami dapat membandingkan hasil-hasil tersebut. Hal itu sangat sulit ditiru oleh pihak lain.

Setiap eksperimen mengajarkan sesuatu kepada kami. Pengetahuan itu membantu kami menyempurnakan model, membuat prediksi yang lebih baik, dan menentukan apa yang perlu diuji selanjutnya. Semakin banyak eksperimen yang kami lakukan, semakin berharga pula landasan tersebut.

Kami juga bekerja sama dengan beberapa perusahaan terkemuka di dunia, yang memercayakan riset sensitif kepada kami. Kami menanggapi tanggung jawab itu dengan serius dan telah menerapkan perlindungan yang kuat untuk menjaga informasi rahasia dan kekayaan intelektual.

Seiring Anda mengembangkan platform ini, apa kendala terbesar yang menghambat penemuan lebih cepat saat ini: kemampuan model, kapasitas eksperimen, waktu yang dibutuhkan untuk memvalidasi masa pakai baterai, atau hal lain? Tonggak terukur apa dalam dua tahun ke depan yang akan menunjukkan bahwa AI mengubah ekonomi pengembangan baterai?

Menurut saya, hambatan terbesar saat ini adalah waktu yang dihabiskan para ilmuwan untuk merancang eksperimen dan menganalisis hasilnya.

Bayangkan proses tradisional. Seorang ilmuwan mengajukan pertanyaan, merancang eksperimen, menjalankan pengujian, menganalisis data, lalu memutuskan apa yang akan dicoba selanjutnya. Kami telah mengotomatiskan sebagian besar pengujian fisik melalui platform berkapasitas tinggi kami, tetapi proses berpikir di antara tahapan-tahapan itu masih memakan banyak waktu.

Baru-baru ini, kami menerapkan model AI yang relatif sederhana pada sebagian proses perancangan eksperimen. Pekerjaan yang biasanya memakan waktu enam minggu selesai dalam delapan menit. Hasil itu sungguh luar biasa dan menunjukkan kemungkinan yang terbuka.

Namun, mempercepat perancangan eksperimen baru permulaan. Seiring AI membantu kami menentukan lebih cepat apa yang perlu diuji, kami juga perlu meningkatkan kecepatan pelaksanaan eksperimen tersebut. Karena itulah kami berencana memperluas kapasitas laboratorium dan berinvestasi lebih lanjut dalam otomatisasi.

Dalam dua tahun ke depan, saya ingin melihat seluruh proses penemuan kami dipercepat secara signifikan, dari gagasan pertama hingga material yang tervalidasi. Jika kami dapat memadukan pengambilan keputusan yang lebih cepat dengan kemampuan menjalankan lebih banyak eksperimen, kami dapat menjajaki kimia baru dengan kecepatan yang sebelumnya tidak mungkin dicapai. Dengan cara itulah AI dapat mengubah secara mendasar ekonomi pengembangan baterai.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin mempelajari lebih lanjut tentang material baterai, eksperimen berkapasitas tinggi, dan pengembangan teknologi energi berbasis AI dapat mengunjungi Holyvolt.

Antoine adalah pemimpin visioner dan mitra pendiri Unite.AI, yang didorong oleh semangat tak tergoyahkan untuk membentuk dan memajukan masa depan AI dan robotika. Sebagai pengusaha yang telah mendirikan beberapa perusahaan, ia percaya bahwa AI akan mengubah masyarakat secara mendasar seperti listrik. Ia kerap berbicara dengan antusias tentang potensi teknologi disruptif dan kecerdasan buatan umum (AGI).

Sebagai futuris, ia berdedikasi untuk menelusuri bagaimana inovasi ini akan membentuk dunia kita. Ia juga merupakan pendiri Securities.io, platform yang berfokus pada investasi dalam teknologi mutakhir yang mendefinisikan ulang masa depan dan mengubah berbagai sektor secara menyeluruh.