สัมภาษณ์

Mathias Ingvarsson ผู้ก่อตั้งและประธานเจ้าหน้าที่บริหารของ Holyvolt – ชุดสัมภาษณ์

Antoine Tardif
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
ประเด็นสำคัญความได้เปรียบของ Holyvolt คือข้อมูลแบตเตอรี่เฉพาะ proprietory เป็นเวลา 18…
ดูเพิ่มเติม
  • ความได้เปรียบของ Holyvolt คือข้อมูลแบตเตอรี่เฉพาะ proprietory เป็นเวลา 18 ปีที่คู่แข่งไม่สามารถดาวน์โหลดได้ง่ายๆ
  • สูตรที่ล้มเหลวจะกลายเป็นข้อมูลฝึกสอนก็ต่อเมื่อกระบวนการในห้องปฏิบัติการที่ทำซ้ำได้แยกความล้มเหลวทางเคมีจริงออกจากความผิดปกติในการทดสอบ
  • AI ลดงานออกแบบการทดลองหนึ่งงานจากหกสัปดาห์เหลือแปดนาที แต่นักวิทยาศาสตร์ยังคงออกแบบและตัดสินการทดลอง

Mathias Ingvarsson เป็นผู้ก่อตั้งและประธานเจ้าหน้าที่บริหารของ Holyvolt ซึ่งเขาก่อตั้งขึ้นในปี 2022 เพื่อพัฒนาแนวทางใหม่ ๆ ด้านเทคโนโลยีแบตเตอรี่ เส้นทางอาชีพของเขาครอบคลุมทั้งการขยายธุรกิจ Tempur-Pedic ไปยังต่างประเทศและการทำธุรกิจในหลายอุตสาหกรรม ที่ Holyvolt เขามุ่งเชื่อมโยงความเชี่ยวชาญทางวิทยาศาสตร์ ข้อมูลจากการทดลอง และศักยภาพด้านการผลิต เพื่อเร่งการพัฒนาวัสดุแบตเตอรี่ รวมถึงผ่านการเข้าซื้อกิจการ Wildcat Discovery Technologies

Holyvolt พัฒนาเทคโนโลยีการผลิตและกักเก็บพลังงาน โดยผสานการค้นหาวัสดุด้วยกระบวนการคัดกรองปริมาณงานสูงเข้ากับแนวทางการผลิตด้วยการพิมพ์สกรีนที่มีความแม่นยำสูง แพลตฟอร์มวิจัยแบตเตอรี่ของบริษัทซึ่งดำเนินงานผ่าน Wildcat Discovery Technologies เชื่อมโยงการทดลองในห้องปฏิบัติการ ข้อมูลการทดสอบในอดีต และการพัฒนาวัสดุด้วย AI ในบทสัมภาษณ์นี้ Ingvarsson พูดถึงวิธีที่นักวิทยาศาสตร์ใช้แมชชีนเลิร์นนิงควบคู่ไปกับการทดลองจริง เหตุใดสูตรผสมที่ไม่สำเร็จจึงเป็นข้อมูลที่มีคุณค่า และต้องทำอย่างไรจึงจะต่อยอดจากการคาดการณ์ที่รวดเร็วขึ้นไปสู่วัสดุที่ผ่านการตรวจสอบยืนยันและการผลิตที่ขยายขนาดได้

เส้นทางอาชีพของคุณครอบคลุมทั้งการขยายธุรกิจ Tempur-Pedic ไปยังต่างประเทศและการทำธุรกิจหลายอย่าง อะไรทำให้คุณก่อตั้ง Holyvolt ในปี 2022 และโอกาสใดในด้านเทคโนโลยีแบตเตอรี่ที่ทำให้คุณตัดสินใจสร้างบริษัทในอุตสาหกรรมที่ต้องอาศัยความเชี่ยวชาญทางเทคนิคสูงเช่นนี้?

ผมสร้างธุรกิจมาแล้วตั้งแต่ธุรกิจที่นอนไปจนถึงชุดชั้นใน ดังนั้นแบตเตอรี่อาจดูเป็นก้าวต่อไปที่ไม่ธรรมดา แต่ผมมักสนใจอุตสาหกรรมที่มองเห็นโอกาสซึ่งคนอื่นมองข้ามอยู่เสมอ

ตอนเริ่ม Holyvolt ผมรู้เรื่องเคมีของแบตเตอรี่น้อยมาก และจริง ๆ แล้วผมคิดว่านั่นช่วยผมได้ บางครั้งการไม่รู้เหตุผลทั้งหมดว่าทำไมบางอย่างถึงทำไม่ได้ก็เป็นพลังพิเศษอย่างหนึ่ง Jensen Huang เคยกล่าวว่า ถ้าเขารู้ว่าการสร้าง Nvidia นั้นยากแค่ไหน เขาก็คงไม่เริ่มทำ ผมเข้าใจความรู้สึกนั้น

สิ่งที่ผมเห็นคืออุตสาหกรรมแบตเตอรี่ในโลกตะวันตกกำลังพยายามเอาชนะจีนในเกมที่จีนชนะไปแล้ว อุตสาหกรรมนี้ทุ่มเงินหลายพันล้านเพื่อพยายามลอกเลียนเทคโนโลยีที่จีนใช้เวลาหลายสิบปีพัฒนาจนสมบูรณ์ ผมไม่เข้าใจว่าทำไมเราจึงไม่ทุ่มเทแรงกายแรงใจเท่าเดิมเพื่อพัฒนาสิ่งที่ดีกว่า แบตเตอรี่จะเป็นแหล่งพลังงานให้กับแทบทุกสิ่งรอบตัวเรา และผมมองเห็นโอกาสมหาศาลที่จะคิดทบทวนวิธีพัฒนาแบตเตอรี่ นั่นคือเหตุผลที่ทำให้ผมเริ่มต้น Holyvolt

ตอนที่คุณพิจารณาเข้าซื้อ Wildcat อะไรทำให้คุณเชื่อว่าประวัติการทดลองของบริษัทจะเป็นรากฐานให้กับแพลตฟอร์มค้นพบวัสดุด้วย AI ได้ และนอกเหนือจากปริมาณข้อมูลมหาศาลแล้ว คุณต้องตรวจสอบอะไรเกี่ยวกับข้อมูลเหล่านั้นบ้าง?

ปริมาณข้อมูลมหาศาลดึงดูดความสนใจของผมทันที มีการทดสอบเซลล์แบตเตอรี่มากกว่า 500,000 เซลล์ตลอด 18 ปี รวม 165 ล้านรอบ ยิ่งเราศึกษามากขึ้น เรายิ่งประทับใจกับความเข้มงวดของการทดลองและความก้าวหน้าที่ Wildcat ทำได้แล้ว ข้อมูลลักษณะนี้ซึ่งเก็บรวบรวมอย่างสม่ำเสมอตลอดหลายทศวรรษนั้นยากมากที่จะทำซ้ำ

ผมไม่ใช่นักวิทยาศาสตร์ด้านแบตเตอรี่ จึงดึงผู้ที่มีความรู้มากกว่าผมเข้ามาร่วมงาน ผู้เชี่ยวชาญด้านแบตเตอรี่ AI และวัสดุศาสตร์ได้มาดูห้องปฏิบัติการ และพูดตามตรง พวกเขาประทับใจมาก

จากนั้นก็มีบริษัทต่าง ๆ เข้ามาหา Wildcat รวมถึง BMW และบริษัทที่มีชื่อเสียงระดับโลกอีกหลายแห่งจากทุกภาคส่วนของห่วงโซ่คุณค่า บริษัทเหล่านี้มีงบประมาณด้านการวิจัยและพัฒนามหาศาล รวมถึงมีนักวิทยาศาสตร์ที่เก่งที่สุดในโลกอยู่ในองค์กร แต่พวกเขากลับมาขอความช่วยเหลือจาก Wildcat นั่นเป็นเครื่องยืนยันที่สำคัญที่สุดสำหรับผม ผมเชื่อมั่นว่า Wildcat สร้างแพลตฟอร์มค้นพบแบตเตอรี่ที่เป็นที่ต้องการมากที่สุดในโลกขึ้นมาได้แล้ว และผมเชื่อว่าเมื่อใช้ AI เราเพิ่งเริ่มค้นพบศักยภาพของแพลตฟอร์มนี้เท่านั้น

การทดลองที่ไม่สำเร็จเป็นส่วนสำคัญของความได้เปรียบด้านข้อมูลของคุณ พอจะยกตัวอย่างได้ไหมว่าโมเดลเรียนรู้อะไรได้บ้างจากสูตรแบตเตอรี่ที่ไม่ประสบผลสำเร็จ และทีมของคุณแยกแยะอย่างไรระหว่างความล้มเหลวทางเคมีที่มีนัยสำคัญกับปัญหาจากวิธีดำเนินการทดลอง?

ความล้มเหลวเป็นส่วนหนึ่งของเคมี นี่คือวิธีที่เราสร้างความก้าวหน้าทางวิทยาศาสตร์มาตลอดหลายร้อยปี เราลองทำบางอย่าง เมื่อไม่สำเร็จก็เรียนรู้จากมัน แล้วลองอีกครั้ง AI ก็ต้องเรียนรู้ในแบบเดียวกัน

เราใช้เวลา 18 ปีทำการทดลองแบตเตอรี่แบบคัดกรองปริมาณงานสูง ข้อมูลของเราจึงครอบคลุมตั้งแต่สูตรผสมที่ไม่สำเร็จไปจนถึงวัสดุที่เราปรับปรุงจนได้ผลตามต้องการ ซึ่งมีคุณค่าอย่างยิ่งต่อการฝึกโมเดล

ลองดูแบตเตอรี่ลิเธียมเมทัล แบตเตอรี่ชนิดนี้ต่างจากแบตเตอรี่กราไฟต์แบบดั้งเดิมตรงที่ความจุอาจลดลงอย่างฉับพลัน ซึ่งคาดการณ์ได้ยากมาก เราพัฒนาโมเดลแมชชีนเลิร์นนิงโดยใช้ข้อมูลการทดสอบรอบการชาร์จและคายประจุของแบตเตอรี่จริง ซึ่งครอบคลุมสูตรอิเล็กโทรไลต์ การออกแบบขั้วไฟฟ้า และระเบียบวิธีการทดสอบที่แตกต่างกัน เพื่อคาดการณ์ว่าความจุอาจลดลงเมื่อใด

โมเดลรุ่นแรกของเราคาดการณ์การลดลงเหล่านี้ได้ด้วยความเชื่อมั่นในระดับที่สมเหตุสมผล และเรากำลังออกแบบการทดลองที่เจาะจงมากขึ้น พร้อมทดสอบแบตเตอรี่ภายใต้สภาวะต่าง ๆ เพื่อปรับปรุงการคาดการณ์ให้แม่นยำยิ่งขึ้น

แน่นอนว่าข้อมูลเหล่านั้นจะมีคุณค่าก็ต่อเมื่อเราเชื่อถือผลลัพธ์ได้ เราใช้เวลาหลายปีในการปรับปรุงกระบวนการทำงานในห้องปฏิบัติการ เพื่อให้การทดลองทำซ้ำแล้วได้ผลสอดคล้องกันสูงและลดข้อผิดพลาดให้น้อยที่สุด นอกจากนี้ เรายังทำการทดลองเดียวกันซ้ำหลายครั้ง เพื่อแยกให้ออกว่าผลลัพธ์ที่ไม่ดีเกิดจากปัญหาของวัสดุจริง ๆ หรือเป็นความผิดปกติในกระบวนการทดสอบ วิธีนี้ช่วยให้เราไม่สอนแบบจำลองด้วยข้อสรุปที่ผิดจากผลลัพธ์เพียงครั้งเดียวซึ่งไม่เป็นตัวแทนของภาพรวม

ช่วยอธิบายวงจรการค้นพบให้ฟังได้ไหม ตั้งแต่แบบจำลองเสนอวัสดุชนิดหนึ่ง ไปจนถึงการทดสอบในห้องปฏิบัติการและนำผลลัพธ์กลับมาใช้ประกอบการวิเคราะห์ AI เป็นผู้ตัดสินใจเรื่องใดบ้าง และส่วนใดที่ยังจำเป็นต้องอาศัยวิจารณญาณของนักวิทยาศาสตร์

กระบวนการเริ่มต้นจากนักวิทยาศาสตร์ของเรา พวกเขาออกแบบการทดลองตามสิ่งที่ต้องการศึกษา แล้วแพลตฟอร์มทดลองปริมาณสูงของเราก็ดำเนินการทดสอบ จากนั้นวิศวกรด้านการเรียนรู้ของเครื่องจะใช้ข้อมูลชุดแรกนี้สร้างแบบจำลอง และตรวจสอบว่าแบบจำลองสามารถทำนายผลการทดลองในอนาคตได้หรือไม่

จากนั้นเราจะทดสอบการคาดการณ์เหล่านั้นในห้องปฏิบัติการ หากผลลัพธ์ตรงกัน เราก็จะมั่นใจในแบบจำลองมากขึ้น และนำไปประเมินสูตรองค์ประกอบใหม่ ๆ ได้ หากผลไม่ตรงกัน นักวิทยาศาสตร์ของเราจะตรวจสอบว่าเพราะเหตุใด บางครั้งแบบจำลองต้องใช้ข้อมูลเพิ่ม ซึ่งหมายความว่าเราต้องออกแบบการทดลองใหม่ทั้งหมด หรือทดสอบภายใต้เงื่อนไขที่แตกต่างออกไป เราจะป้อนผลลัพธ์เหล่านั้นกลับเข้าไปในแบบจำลอง ปรับปรุงแบบจำลอง แล้วทำกระบวนการนี้ซ้ำ

ผู้คนตื่นเต้นกันมากกับแนวคิดที่ว่า AI จะค้นพบวัสดุใหม่ได้ด้วยตัวเอง แต่เราระมัดระวังในการกล่าวอ้างเรื่องนี้ ในขั้นนี้ นักวิทยาศาสตร์ของเรายังคงเป็นผู้ออกแบบการทดลองและตัดสินใจในเรื่องสำคัญ AI ช่วยให้เราคาดการณ์ได้ ส่วนห้องปฏิบัติการของเราช่วยตรวจสอบว่าการคาดการณ์เหล่านั้นเป็นจริงหรือไม่ การผสานความเชี่ยวชาญของนักวิทยาศาสตร์เข้ากับ AI ช่วยให้เราลดเวลาที่ต้องใช้กับงานออกแบบการทดลองบางประเภทได้อย่างมาก จากหลายสัปดาห์เหลือเพียงไม่กี่นาที

ชุดข้อมูลในอดีตสะท้อนให้เห็นว่านักวิจัยเคยเลือกศึกษาเฉพาะวัสดุชนิดใด คุณทำอย่างไรไม่ให้แบบจำลองยึดติดอยู่กับขอบเขตที่คุ้นเคย และจะพิจารณาได้อย่างไรว่าคุณสมบัติทางเคมีที่ไม่คุ้นเคยมีแนวโน้มดีพอที่จะคุ้มค่ากับการทดสอบจริง

นั่นเป็นคำถามที่ตรงประเด็นมาก และเป็นเหตุผลที่ผมเชื่อว่าห้องปฏิบัติการของเรามีคุณค่ามากกว่าชุดข้อมูลของเราเสียอีก

แบบจำลองเรียนรู้จากข้อมูลที่คุณป้อนให้ ดังนั้นจึงเป็นเรื่องธรรมดาที่จะคาดการณ์ได้แม่นยำกว่าเมื่อทำนายสิ่งที่เคยพบเห็นมาแล้ว โอกาสที่แท้จริงคือการใช้ AI สำรวจขอบเขตใหม่ ๆ ของเคมี ซึ่งอาจไม่มีข้อมูลในอดีตให้ใช้

แพลตฟอร์มทดลองปริมาณสูงของเราทำให้เราได้เปรียบอย่างมากในเรื่องนี้ เราสามารถสร้างข้อมูลการทดลองใหม่ที่เชื่อถือได้จากสูตรองค์ประกอบหลายร้อยแบบอย่างรวดเร็ว ทำให้แบบจำลองมีพื้นฐานสำหรับเรียนรู้ แม้ในขอบเขตทางเคมีที่ไม่คุ้นเคย

และเพราะเราสามารถทดสอบการคาดการณ์ในห้องปฏิบัติการ ป้อนผลลัพธ์กลับเข้าไปในแบบจำลอง แล้วทำกระบวนการนี้ซ้ำได้ เราจึงปรับปรุงความแม่นยำของแบบจำลองได้อย่างต่อเนื่อง การทดลองแต่ละครั้งช่วยให้การคาดการณ์ครั้งถัดไปมีข้อมูลประกอบมากขึ้น

ผมเชื่อว่านี่คือข้อได้เปรียบในการแข่งขันที่สำคัญที่สุดของเรา เรามีข้อมูลย้อนหลัง 18 ปี แต่ไม่ได้ถูกจำกัดอยู่แค่ข้อมูลเหล่านั้น เรายังสามารถสร้างข้อมูลใหม่ที่จำเป็น เพื่อสำรวจคุณสมบัติทางเคมีที่ยังไม่เคยมีการศึกษาอย่างทั่วถึงมาก่อน

คุณวัดได้อย่างไรว่าการปรับปรุงนั้นเกิดจาก AI โดยเฉพาะ มากกว่าจะเป็นผลจากการทดลองอัตโนมัติปริมาณสูงที่มีอยู่แล้ว มีการเปรียบเทียบแบบใดที่แสดงว่าแบบจำลองค้นพบตัวเลือกที่ดีกว่า หรือลดจำนวนการทดลองที่ต้องทำก่อนจะได้ผลลัพธ์ที่นำไปใช้ประโยชน์ได้

ที่จริงแล้วนี่เป็นคำถามที่ตอบยาก เพราะการค้นพบทางวิทยาศาสตร์ต้องอาศัยการทำงานเป็นทีม

ลองนึกถึงกลุ่มนักวิทยาศาสตร์ที่กำลังระดมความคิดเพื่อแก้ปัญหาหนึ่ง คนหนึ่งอาจเป็นผู้คิดหาทางออกได้ในที่สุด แต่แนวคิดนั้นอาจเกิดจากการพูดคุยกันนานหลายชั่วโมงกับทุกคนในห้อง แล้วใครควรได้รับเครดิต

ผมคิดว่าเราควรมอง AI ในลักษณะเดียวกัน โดยถือว่าเป็นสมาชิกอีกคนหนึ่งของทีมวิจัย AI ช่วยให้นักวิทยาศาสตร์ค้นหาข้อมูลที่เกี่ยวข้องได้เร็วขึ้น มองเห็นรูปแบบในข้อมูลการทดลอง และทำความเข้าใจปัญหาได้ลึกซึ้งยิ่งขึ้น

แพลตฟอร์มทดลองปริมาณสูงของเราทำให้เราได้เปรียบอย่างมากอยู่แล้วในด้านความรวดเร็วในการทดลอง ตอนนี้เรากำลังศึกษาว่า AI จะช่วยให้เราก้าวหน้าไปได้อีกไกลแค่ไหน ผมไม่อยากยกตัวเลขที่เราไม่สามารถยืนยันได้อย่างเหมาะสม สิ่งสำคัญคือเราช่วยให้นักวิทยาศาสตร์ของเราได้คำตอบที่ดีขึ้น โดยใช้เวลาน้อยลงและทำการทดลองน้อยครั้งลงหรือไม่

การพัฒนาแบตเตอรี่ต้องคำนึงถึงเป้าหมายหลายด้านที่อาจขัดแย้งกัน เช่น ความหนาแน่นพลังงาน อายุการใช้งานเป็นรอบ ความปลอดภัย ต้นทุน และความสามารถในการผลิต คุณแปลงข้อแลกเปลี่ยนเหล่านี้ให้เป็นเป้าหมายสำหรับ AI อย่างไร และการเปลี่ยนแอปพลิเคชันที่ต้องการใช้งานจะทำให้ AI หันไปหาวัสดุที่แตกต่างกันโดยพื้นฐานได้หรือไม่

เรื่องนี้ขึ้นอยู่กับว่าแบตเตอรี่จะนำไปใช้ทำอะไร แบตเตอรี่สำหรับโดรนมีข้อกำหนดแตกต่างจากแบตเตอรี่สำหรับรถยนต์ไฟฟ้าอย่างมาก สำหรับการใช้งานอย่างหนึ่ง คุณอาจให้ความสำคัญกับความหนาแน่นพลังงาน แต่อีกกรณีหนึ่งอาจให้ความสำคัญกับอายุการใช้งานเป็นรอบหรือต้นทุน

เรากำหนดเป้าหมายเหล่านั้นได้ค่อนข้างชัดเจน ทั้งความหนาแน่นพลังงาน อายุการใช้งานเป็นรอบ ความปลอดภัย และต้นทุนล้วนวัดได้ เราจึงกำหนดเป้าหมายด้านประสิทธิภาพให้แบบจำลองได้อย่างเฉพาะเจาะจงตามการใช้งาน

ส่วนที่ยากคือการย้อนจากเป้าหมายเหล่านั้นกลับไปหาวัสดุที่ทำให้ได้ผลตามต้องการจริง ๆ

การเปลี่ยนแอปพลิเคชันอาจทำให้วัสดุที่เราศึกษาเปลี่ยนไปได้อย่างแน่นอน แต่นักวิทยาศาสตร์ของเรายังคงต้องพิจารณาว่าเคมีของวัสดุแบบใดมีแนวโน้มที่ดี ออกแบบการทดลอง และทดสอบว่าวัสดุเหล่านั้นจะทำได้ตามเป้าหมายด้านประสิทธิภาพหรือไม่

Holyvolt กำลังผลักดันวัสดุแคโทดโครงสร้างเกลือหินไร้ระเบียบ (DRX) ที่ปราศจากนิกเกิลและโคบอลต์ไปสู่การใช้งานเชิงพาณิชย์ AI มีบทบาทอย่างไรในการพัฒนานี้ และยังมีอุปสรรคใดบ้างที่ต้องอาศัยการผลิตหรือวิศวกรรมเข้ามาแก้ไข นอกเหนือจากการค้นพบวัสดุ?

DRX เป็นตัวอย่างที่ดีมากว่าทำไมแนวทางของเราจึงสำคัญ วัสดุสามารถนำมาผสมกันได้เป็นจำนวนมหาศาล และหากต้องทดสอบทีละชุดก็อาจใช้เวลาหลายปี

ที่ Holyvolt แพลตฟอร์มทดสอบปริมาณงานสูงของเราช่วยให้ทดสอบสูตรที่แตกต่างกันได้หลายร้อยสูตรอย่างรวดเร็ว และทำความเข้าใจได้ว่าการเปลี่ยนแปลงองค์ประกอบทางเคมีส่งผลต่อความหนาแน่นพลังงาน แรงดันไฟฟ้า อายุการใช้งานแบตเตอรี่ และประสิทธิภาพอย่างไร เราค้นพบวัสดุที่มีแนวโน้มดีได้เร็วกว่าที่วิธีวิจัยแบบดั้งเดิมจะทำได้มาก

ตอนนี้เรากำลังนำข้อมูลการทดลองมาผสานกับแมชชีนเลิร์นนิง เพื่อค้นหารูปแบบและช่วยให้นักวิทยาศาสตร์ตัดสินใจว่าจะศึกษาสูตรใดต่อไป ยิ่งเราทดสอบมากเท่าไร เราก็ยิ่งเรียนรู้มากขึ้น และยิ่งชี้นำการทดลองในอนาคตได้ดียิ่งขึ้น

เรากำลังมีความคืบหน้าไปสู่การผลิตในระดับเชิงพาณิชย์แล้ว และข้อได้เปรียบสำคัญประการหนึ่งของเราคือการใช้กระบวนการผลิตที่ได้รับการยอมรับและใช้งานอย่างแพร่หลาย เราไม่จำเป็นต้องพัฒนาอุปกรณ์ใหม่ทั้งหมดหรือคิดค้นวิธีผลิตวัสดุเหล่านี้ขึ้นมาใหม่ สิ่งที่เราให้ความสำคัญคือการขยายกำลังการผลิตร่วมกับพันธมิตร โดยยังคงรักษาประสิทธิภาพให้สม่ำเสมอและควบคุมต้นทุนให้แข่งขันได้

คุณเคยกล่าวว่าข้อมูลทางวิทยาศาสตร์ที่เป็นกรรมสิทธิ์อาจสร้างความได้เปรียบในการแข่งขันได้มากกว่าตัวโมเดลเอง อะไรทำให้ความได้เปรียบนี้ทวีมูลค่าขึ้นเมื่อเวลาผ่านไป และคุณสร้างสมดุลระหว่างการเรียนรู้จากโครงการของลูกค้าต่าง ๆ กับการปกป้องงานวิจัยที่เป็นความลับและทรัพย์สินทางปัญญาของลูกค้าแต่ละรายอย่างไร?

โมเดล AI ที่ทรงพลังที่สุดบางส่วนในปัจจุบันเป็นโอเพนซอร์ส และมีแต่จะยิ่งพัฒนาขึ้น แต่คุณไม่สามารถดาวน์โหลดงานวิจัยด้านแบตเตอรี่ที่สั่งสมมานาน 18 ปีได้ นั่นคือสิ่งที่ทำให้ข้อมูลของเรามีคุณค่ามาก

ที่ Holyvolt เราทดสอบเซลล์แบตเตอรี่ไปแล้วกว่า 500,000 เซลล์ ผ่านการทดสอบมากกว่า 165 ล้านรอบ เราทราบว่ามีการใช้วัสดุชนิดใด ผ่านกระบวนการอย่างไร ให้ผลเป็นอย่างไร และเกิดความเสียหายตรงไหน และเพราะเราดำเนินการทดสอบด้วยวิธีที่สม่ำเสมอมาตลอดหลายปี เราจึงสามารถนำผลลัพธ์เหล่านั้นมาเปรียบเทียบกันได้ ซึ่งเป็นสิ่งที่ผู้อื่นทำตามได้ยากอย่างยิ่ง

การทดลองทุกครั้งสอนให้เราได้เรียนรู้บางอย่าง ความรู้นั้นช่วยให้เราปรับปรุงโมเดล คาดการณ์ได้แม่นยำขึ้น และตัดสินใจได้ว่าจะทดสอบอะไรต่อไป ยิ่งเราทำการทดลองมากเท่าไร รากฐานความรู้นี้ก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น

เรายังทำงานร่วมกับบริษัทชั้นนำระดับโลกหลายแห่ง ซึ่งไว้วางใจให้เราดูแลงานวิจัยที่ละเอียดอ่อน เราจริงจังกับความรับผิดชอบนี้ และมีมาตรการคุ้มครองที่เข้มงวดเพื่อปกป้องข้อมูลที่เป็นความลับและทรัพย์สินทางปัญญา

ขณะที่คุณขยายแพลตฟอร์ม อะไรคือข้อจำกัดสำคัญที่สุดที่ทำให้การค้นพบยังไม่รวดเร็วขึ้นในวันนี้ ไม่ว่าจะเป็นความสามารถของโมเดล ศักยภาพในการทดลอง ระยะเวลาที่ต้องใช้เพื่อยืนยันอายุการใช้งานแบตเตอรี่ หรือปัจจัยอื่นใด และความสำเร็จที่วัดผลได้ข้อใดในช่วงสองปีข้างหน้า จะแสดงให้เห็นว่า AI กำลังเปลี่ยนแปลงเศรษฐศาสตร์ของการพัฒนาแบตเตอรี่?

ผมคิดว่าคอขวดสำคัญที่สุดในตอนนี้คือเวลาที่นักวิทยาศาสตร์ต้องใช้ในการออกแบบการทดลองและวิเคราะห์ผล

ลองนึกถึงกระบวนการแบบดั้งเดิม นักวิทยาศาสตร์ตั้งคำถาม ออกแบบการทดลอง ดำเนินการทดสอบ วิเคราะห์ข้อมูล แล้วจึงตัดสินใจว่าจะลองทำอะไรต่อไป เราทำให้การทดสอบเชิงปฏิบัติการส่วนใหญ่เป็นระบบอัตโนมัติแล้วผ่านแพลตฟอร์มทดสอบปริมาณงานสูงของเรา แต่การคิดวิเคราะห์ระหว่างขั้นตอนเหล่านั้นยังต้องใช้เวลามหาศาล

เมื่อไม่นานมานี้ เรานำโมเดล AI ที่ค่อนข้างเรียบง่ายมาใช้กับกระบวนการออกแบบการทดลองบางส่วน งานที่ปกติต้องใช้เวลาหกสัปดาห์กลับใช้เวลาเพียงแปดนาที ผลลัพธ์นี้น่าทึ่งมากและแสดงให้เห็นว่าเราสามารถทำอะไรได้บ้าง

แต่การเร่งการออกแบบการทดลองเป็นเพียงจุดเริ่มต้นเท่านั้น เมื่อ AI ช่วยให้เราระบุสิ่งที่จะทดสอบได้เร็วขึ้น เรายังต้องเพิ่มความเร็วในการดำเนินการทดลองด้วย นั่นคือเหตุผลที่เราวางแผนจะขยายขีดความสามารถของห้องปฏิบัติการและลงทุนเพิ่มในระบบอัตโนมัติ

ในช่วงสองปีข้างหน้า ผมอยากเห็นเร่งกระบวนการค้นพบทั้งหมดให้เร็วขึ้นอย่างมาก ตั้งแต่แนวคิดแรกเริ่มไปจนถึงวัสดุที่ผ่านการตรวจสอบยืนยัน หากเราผสานการตัดสินใจที่รวดเร็วขึ้นเข้ากับความสามารถในการทำการทดลองให้มากขึ้นได้ เราก็จะสำรวจเคมีรูปแบบใหม่ ๆ ด้วยความเร็วที่ไม่เคยเป็นไปได้มาก่อน นี่คือวิธีที่ AI จะพลิกโฉมเศรษฐศาสตร์ของการพัฒนาแบตเตอรี่ได้อย่างแท้จริง

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับวัสดุแบตเตอรี่ การทดลองปริมาณงานสูง และการพัฒนาเทคโนโลยีพลังงานที่ขับเคลื่อนด้วย AI สามารถเยี่ยมชม Holyvolt ได้

อองตวนเป็นผู้นำที่มีวิสัยทัศน์และหุ้นส่วนผู้ก่อตั้ง Unite.AI โดยมีความมุ่งมั่นอย่างไม่เปลี่ยนแปลงในการกำหนดทิศทางและส่งเสริมอนาคตของ AI และหุ่นยนต์ ในฐานะผู้ประกอบการที่ก่อตั้งธุรกิจมาแล้วหลายแห่ง เขาเชื่อว่า AI จะสร้างการเปลี่ยนแปลงครั้งใหญ่ต่อสังคมเช่นเดียวกับไฟฟ้า และมักกล่าวถึงศักยภาพของเทคโนโลยีที่พลิกโฉมโลกและ AGI อย่างกระตือรือร้น

ในฐานะ นักอนาคตศาสตร์ เขาทุ่มเทให้กับการสำรวจว่านวัตกรรมเหล่านี้จะกำหนดรูปแบบโลกของเราอย่างไร นอกจากนี้ เขายังเป็นผู้ก่อตั้ง Securities.io ซึ่งเป็นแพลตฟอร์มที่มุ่งเน้นการลงทุนในเทคโนโลยีล้ำสมัยที่กำลังนิยามอนาคตใหม่และเปลี่ยนโฉมอุตสาหกรรมทั้งภาคส่วน