Phỏng vấn

Mathias Ingvarsson, Nhà sáng lập kiêm Tổng giám đốc Holyvolt – Loạt bài phỏng vấn

Antoine Tardif
Thêm Unite.AI vào các nguồn ưu tiên của bạn trên Google
Mathias Ingvarsson, Founder and CEO of Holyvolt
Điểm chínhLợi thế của Holyvolt là 18 năm dữ liệu pin độc quyền mà các đối thủ không thể chỉ tải…
Xem thêm
  • Lợi thế của Holyvolt là 18 năm dữ liệu pin độc quyền mà các đối thủ không thể chỉ tải xuống.
  • Các công thức thất bại chỉ trở thành dữ liệu huấn luyện khi các quy trình phòng thí nghiệm có thể tái tạo tách được lỗi hóa học thực sự khỏi các bất thường khi thử nghiệm.
  • AI đã rút ngắn một nhiệm vụ thiết kế thí nghiệm từ sáu tuần xuống còn tám phút nhưng các nhà khoa học vẫn thiết kế và đánh giá thí nghiệm.

Mathias Ingvarsson là Nhà sáng lập kiêm Tổng giám đốc Holyvolt, công ty do ông thành lập năm 2022 nhằm theo đuổi những hướng tiếp cận mới trong công nghệ pin. Sự nghiệp của ông trải dài từ quá trình mở rộng hoạt động quốc tế của Tempur-Pedic đến các dự án kinh doanh ở nhiều ngành nghề. Tại Holyvolt, ông tập trung kết nối chuyên môn khoa học, dữ liệu thực nghiệm và năng lực sản xuất để đẩy nhanh quá trình phát triển vật liệu pin, trong đó có việc mua lại Wildcat Discovery Technologies.

Holyvolt phát triển các công nghệ sản xuất và lưu trữ năng lượng, kết hợp hoạt động khám phá vật liệu thông lượng cao với phương pháp in lưới chính xác trong sản xuất. Thông qua Wildcat Discovery Technologies, nền tảng nghiên cứu pin của công ty kết nối các thử nghiệm trong phòng thí nghiệm, dữ liệu thử nghiệm được lưu trữ từ trước và hoạt động phát triển vật liệu ứng dụng AI. Trong cuộc phỏng vấn này, Ingvarsson chia sẻ cách các nhà khoa học sử dụng học máy song song với thí nghiệm thực tế, lý do các công thức không thành công vẫn có thể tạo ra dữ liệu giá trị, cũng như những gì cần làm để chuyển từ dự đoán nhanh hơn sang vật liệu đã được kiểm chứng và sản xuất ở quy mô lớn.

Sự nghiệp của ông trải dài từ quá trình mở rộng hoạt động quốc tế của Tempur-Pedic đến một số dự án kinh doanh. Điều gì đã thôi thúc ông thành lập Holyvolt vào năm 2022, và cơ hội nào trong lĩnh vực công nghệ pin đã thuyết phục ông xây dựng công ty trong một ngành đòi hỏi chuyên môn kỹ thuật cao đến vậy?

Tôi đã xây dựng doanh nghiệp trong đủ lĩnh vực, từ nệm đến đồ lót, nên pin có thể là bước đi tiếp theo khá khác thường. Nhưng tôi luôn bị thu hút bởi những ngành mà tôi nhận thấy có cơ hội người khác chưa nhìn ra.

Khi bắt đầu Holyvolt, tôi biết rất ít về hóa học pin và thực ra tôi nghĩ điều đó đã giúp ích cho mình. Đôi khi, không biết hết mọi lý do khiến một việc không thể thực hiện lại là một lợi thế đặc biệt. Jensen Huang từng nói rằng nếu biết việc xây dựng Nvidia khó khăn đến mức nào, có lẽ ông đã không bắt đầu. Tôi hiểu cảm giác đó.

Điều tôi chứng kiến là ngành pin phương Tây đang cố đánh bại Trung Quốc trong một cuộc chơi mà Trung Quốc đã thắng. Ngành này đầu tư hàng tỷ đô la để cố tái tạo công nghệ mà Trung Quốc đã mất hàng chục năm hoàn thiện. Tôi không hiểu tại sao chúng ta không dành chính nguồn lực đó để phát triển thứ gì đó tốt hơn. Pin sẽ cung cấp năng lượng cho hầu hết mọi thứ xung quanh chúng ta, và tôi nhận thấy cơ hội to lớn để suy nghĩ lại về cách phát triển pin. Chính điều đó đã thôi thúc tôi thành lập Holyvolt.

Khi cân nhắc mua lại Wildcat, điều gì đã thuyết phục ông rằng lịch sử thử nghiệm của công ty có thể trở thành nền tảng cho một nền tảng khám phá ứng dụng AI? Ngoài khối lượng dữ liệu khổng lồ, ông cần xác minh điều gì về dữ liệu?

Quy mô dữ liệu lập tức thu hút sự chú ý của tôi: hơn 500.000 cell pin đã được thử nghiệm trong 18 năm, với 165 triệu chu kỳ. Càng tìm hiểu, chúng tôi càng ấn tượng trước tính chặt chẽ của các thí nghiệm và những đột phá mà Wildcat đã đạt được. Dữ liệu loại này, được thu thập nhất quán trong nhiều thập kỷ, vô cùng khó tái tạo.

Tôi không phải là nhà khoa học về pin, nên tôi mời những người am hiểu hơn mình tham gia. Các chuyên gia về pin, AI và khoa học vật liệu đến thăm phòng thí nghiệm, và thành thật mà nói, họ vô cùng ấn tượng.

Sau đó, hãy nhìn vào những công ty tìm đến Wildcat, trong đó có BMW và nhiều công ty danh tiếng toàn cầu khác trên khắp chuỗi giá trị. Đây là những công ty có ngân sách R&D khổng lồ và sở hữu một số nhà khoa học giỏi nhất thế giới, vậy mà họ lại tìm đến Wildcat để được hỗ trợ. Với tôi, đó là sự xác nhận có ý nghĩa nhất. Tôi tin chắc Wildcat đã xây dựng được nền tảng khám phá pin được săn đón nhiều nhất thế giới. Và với AI, tôi tin rằng chúng ta mới chỉ khai thác được một phần rất nhỏ tiềm năng của công nghệ này.

Các thí nghiệm thất bại là một phần cốt lõi tạo nên lợi thế dữ liệu của ông. Ông có thể chia sẻ ví dụ về những gì mô hình có thể học được từ một công thức pin không thành công, cũng như cách đội ngũ phân biệt một thất bại hóa học có ý nghĩa với vấn đề phát sinh trong quá trình tiến hành thí nghiệm không?

Thất bại là một phần của hóa học. Khoa học đã tiến bộ suốt hàng trăm năm qua bằng cách đó. Ta thử một điều gì đó, nó không hiệu quả, ta rút kinh nghiệm rồi thử lại. AI cũng cần học theo cách tương tự.

Chúng tôi đã tiến hành các thí nghiệm pin thông lượng cao suốt 18 năm, vì vậy dữ liệu bao gồm mọi thứ, từ các công thức thất bại đến những vật liệu mà chúng tôi đã tối ưu hóa thành công. Đây là nguồn dữ liệu vô cùng giá trị để huấn luyện mô hình.

Hãy lấy pin lithium-kim loại làm ví dụ. Không giống pin graphite truyền thống, loại pin này có thể bị sụt dung lượng đột ngột và rất khó dự đoán. Chúng tôi đã phát triển các mô hình học máy sử dụng dữ liệu chu kỳ sạc-xả thực tế của pin với nhiều công thức chất điện phân, thiết kế điện cực và quy trình thử nghiệm khác nhau để dự đoán thời điểm hiện tượng sụt dung lượng có thể xảy ra.

Các mô hình ban đầu của chúng tôi có thể dự đoán những lần sụt dung lượng này với độ tin cậy khá tốt. Chúng tôi đang thiết kế các thí nghiệm có mục tiêu cụ thể hơn và thử nghiệm pin trong những điều kiện khác nhau để cải thiện các dự đoán đó.

Dĩ nhiên, dữ liệu đó chỉ có giá trị nếu chúng ta có thể tin cậy vào kết quả. Chúng tôi đã dành nhiều năm hoàn thiện quy trình trong phòng thí nghiệm để bảo đảm các thí nghiệm có thể tái lập với độ tin cậy cao và giảm thiểu sai sót. Chúng tôi cũng tiến hành cùng một thí nghiệm nhiều lần để xác định liệu kết quả kém có phản ánh vấn đề thực sự của vật liệu hay chỉ là bất thường trong quá trình thử nghiệm. Nhờ vậy, chúng tôi không khiến các mô hình rút ra bài học sai lầm từ một kết quả đơn lẻ, không mang tính đại diện.

Bạn có thể giải thích từng bước trong một chu trình khám phá, từ lúc mô hình đề xuất một vật liệu đến khi phòng thí nghiệm thử nghiệm và đưa kết quả vào mô hình không? AI đưa ra những quyết định nào, và ở khâu nào phán đoán của nhà khoa học vẫn đóng vai trò thiết yếu?

Quy trình bắt đầu từ các nhà khoa học của chúng tôi. Họ thiết kế thí nghiệm dựa trên điều mình muốn tìm hiểu, rồi nền tảng thông lượng cao của chúng tôi tiến hành các phép thử. Sau đó, các kỹ sư học máy sử dụng dữ liệu ban đầu này để xây dựng mô hình và đánh giá xem mô hình có thể dự đoán kết quả của những thí nghiệm sau hay không.

Tiếp theo, chúng tôi kiểm tra những dự đoán đó trong phòng thí nghiệm. Nếu kết quả khớp với dự đoán, chúng tôi tin tưởng mô hình hơn và có thể dùng mô hình để đánh giá các công thức mới. Nếu không, các nhà khoa học sẽ tìm hiểu nguyên nhân. Đôi khi mô hình cần thêm dữ liệu, đồng nghĩa với việc phải thiết kế các thí nghiệm hoàn toàn mới hoặc thử nghiệm trong những điều kiện khác nhau. Chúng tôi đưa những kết quả đó trở lại mô hình, tinh chỉnh mô hình rồi lặp lại quy trình.

Nhiều người rất hào hứng với khả năng AI tự khám phá các vật liệu mới, nhưng chúng tôi thận trọng với những gì mình tuyên bố. Ở giai đoạn này, các nhà khoa học của chúng tôi vẫn thiết kế thí nghiệm và đưa ra những quyết định then chốt. AI giúp chúng tôi đưa ra dự đoán, còn phòng thí nghiệm cho biết những dự đoán đó có thực sự đứng vững khi kiểm chứng hay không. Nhờ kết hợp chuyên môn của các nhà khoa học với AI, chúng tôi đã có thể rút ngắn đáng kể thời gian cần thiết cho một số công việc thiết kế thí nghiệm, từ vài tuần xuống chỉ còn vài phút.

Bộ dữ liệu lịch sử phản ánh những vật liệu mà các nhà nghiên cứu trước đây đã chọn để tìm hiểu. Làm thế nào để các mô hình không chỉ quanh quẩn trong những lĩnh vực quen thuộc đó, đồng thời xác định khi nào một hệ hóa học chưa quen thuộc đủ triển vọng để đáng tiến hành thử nghiệm thực tế?

Đó chính là câu hỏi cần đặt ra, và cũng là lý do tôi tin rằng phòng thí nghiệm của chúng tôi còn có giá trị hơn cả bộ dữ liệu.

Mô hình học từ dữ liệu được cung cấp, vì vậy đương nhiên sẽ dự đoán đáng tin cậy hơn đối với những điều nó từng gặp. Cơ hội thực sự nằm ở việc dùng AI để khám phá những lĩnh vực hóa học hoàn toàn mới, nơi có thể chưa tồn tại dữ liệu lịch sử.

Đó là lúc nền tảng thông lượng cao mang lại cho chúng tôi lợi thế rất lớn. Chúng tôi có thể nhanh chóng tạo ra dữ liệu thực nghiệm mới, đáng tin cậy cho hàng trăm công thức, giúp mô hình có cơ sở để học hỏi ngay cả trong những lĩnh vực hóa học chưa quen thuộc.

Vì có thể kiểm tra các dự đoán trong phòng thí nghiệm, đưa kết quả trở lại mô hình rồi lặp lại quy trình, chúng tôi có thể liên tục cải thiện độ chính xác của mô hình. Mỗi thí nghiệm giúp dự đoán tiếp theo có thêm cơ sở.

Tôi tin đó là lợi thế cạnh tranh lớn nhất của chúng tôi. Chúng tôi có 18 năm dữ liệu lịch sử, nhưng không bị giới hạn bởi dữ liệu đó. Chúng tôi có khả năng tạo ra dữ liệu mới cần thiết để khám phá những hệ hóa học chưa từng được nghiên cứu kỹ lưỡng.

Làm thế nào để đo lường phần cải thiện cụ thể nhờ AI, ngoài những gì hoạt động thử nghiệm tự động, thông lượng cao đã mang lại? Những phép so sánh nào cho thấy mô hình đang tìm ra các ứng viên tốt hơn hoặc giảm số thí nghiệm cần thiết để đạt được kết quả hữu ích?

Thực ra, đây là một câu hỏi khó vì khám phá khoa học là nỗ lực của cả một nhóm.

Hãy hình dung một nhóm nhà khoa học cùng bàn bạc để tìm lời giải cho một vấn đề. Cuối cùng, một người có thể tìm ra giải pháp, nhưng ý tưởng đó có thể xuất phát từ hàng giờ thảo luận với tất cả những người khác trong phòng. Vậy công lao thuộc về ai?

Tôi nghĩ chúng ta nên nhìn nhận AI theo cách tương tự. AI là một thành viên khác trong nhóm nghiên cứu. Công nghệ này có thể giúp các nhà khoa học tìm thông tin liên quan nhanh hơn, nhận ra các quy luật trong dữ liệu thực nghiệm và hiểu vấn đề sâu sắc hơn.

Nền tảng thông lượng cao đã mang lại cho chúng tôi lợi thế rất lớn về tốc độ tiến hành thí nghiệm. Hiện chúng tôi đang tìm hiểu xem AI có thể giúp cải thiện tốc độ đó thêm bao nhiêu. Tôi không muốn đưa ra một con số mà mình không thể chứng minh thỏa đáng. Điều quan trọng là liệu chúng tôi có giúp các nhà khoa học tìm được câu trả lời tốt hơn trong thời gian ngắn hơn và với ít thí nghiệm hơn hay không.

Quá trình phát triển pin đòi hỏi phải cân bằng nhiều mục tiêu có thể xung đột, trong đó có mật độ năng lượng, tuổi thọ chu kỳ, độ an toàn, chi phí và khả năng sản xuất. Làm thế nào để chuyển những đánh đổi đó thành mục tiêu cho AI, và liệu việc thay đổi ứng dụng dự kiến có thể hướng AI tới những vật liệu khác biệt căn bản hay không?

Điều đó thực sự tùy thuộc vào mục đích sử dụng của pin. Pin dùng cho máy bay không người lái có yêu cầu rất khác so với pin dành cho xe điện. Với ứng dụng này, bạn có thể ưu tiên mật độ năng lượng; với ứng dụng khác, tuổi thọ chu kỳ hoặc chi phí có thể quan trọng hơn.

Chúng tôi có thể xác định khá rõ các mục tiêu đó. Mật độ năng lượng, tuổi thọ chu kỳ, độ an toàn và chi phí đều có thể đo lường, vì vậy chúng tôi có thể đặt ra các mục tiêu hiệu năng cụ thể cho mô hình dựa trên ứng dụng.

Phần khó là tìm ngược từ những mục tiêu đó ra một vật liệu thực sự có thể đáp ứng chúng.

Việc thay đổi ứng dụng chắc chắn có thể làm thay đổi những vật liệu mà chúng tôi nghiên cứu. Nhưng các nhà khoa học của chúng tôi vẫn phải xác định những hóa học nào có triển vọng, thiết kế các thí nghiệm và kiểm tra xem những vật liệu đó có đáp ứng được các mục tiêu về hiệu năng hay không.

Holyvolt đang thúc đẩy quá trình thương mại hóa vật liệu catốt có cấu trúc muối đá mất trật tự (DRX), không chứa niken và coban. AI đã đóng vai trò gì trong quá trình phát triển đó, và những trở ngại còn lại nào cần được giải quyết bằng các giải pháp sản xuất hoặc kỹ thuật thay vì chỉ khám phá vật liệu?

DRX là một ví dụ điển hình cho thấy cách tiếp cận của chúng tôi quan trọng ra sao. Có vô số tổ hợp vật liệu khả thi, và nếu thử nghiệm lần lượt từng tổ hợp thì sẽ mất nhiều năm.

Tại Holyvolt, nền tảng thử nghiệm thông lượng cao giúp chúng tôi nhanh chóng kiểm tra hàng trăm công thức khác nhau và tìm hiểu tác động của những thay đổi về thành phần hóa học đến mật độ năng lượng, điện áp, tuổi thọ pin và hiệu năng. Nhờ đó, chúng tôi xác định được các vật liệu có triển vọng nhanh hơn nhiều so với khả năng của những phương pháp nghiên cứu truyền thống.

Hiện chúng tôi đang kết hợp dữ liệu thực nghiệm đó với học máy để nhận diện các quy luật và giúp các nhà khoa học quyết định nên khảo sát công thức nào tiếp theo. Càng thử nghiệm nhiều, chúng tôi càng hiểu rõ hơn và càng có thể định hướng tốt hơn cho các thí nghiệm trong tương lai.

Chúng tôi đã đạt được tiến triển trong việc hướng tới sản xuất ở quy mô thương mại, và một trong những lợi thế lớn nhất của chúng tôi là sử dụng các quy trình sản xuất đã được thiết lập vững chắc. Chúng tôi không cần phát triển thiết bị hoàn toàn mới hay tìm cách làm lại từ đầu quy trình sản xuất những vật liệu này. Trọng tâm của chúng tôi là mở rộng sản xuất cùng các đối tác, đồng thời duy trì hiệu năng ổn định và chi phí cạnh tranh.

Ông từng lập luận rằng dữ liệu khoa học độc quyền có thể là lợi thế cạnh tranh mạnh hơn chính các mô hình. Điều gì khiến lợi thế đó ngày càng gia tăng theo thời gian, và ông cân bằng việc tích lũy kiến thức từ các dự án của khách hàng với việc bảo vệ nghiên cứu mật và sở hữu trí tuệ của từng khách hàng như thế nào?

Một số mô hình AI mạnh nhất hiện nay là mã nguồn mở, và chúng ngày càng tốt hơn. Nhưng không thể chỉ tải xuống 18 năm nghiên cứu về pin. Chính điều đó khiến dữ liệu của chúng tôi có giá trị đến vậy.

Tại Holyvolt, chúng tôi đã thử nghiệm hơn 500.000 cell pin qua hơn 165 triệu chu kỳ. Chúng tôi biết những vật liệu nào đã được sử dụng, chúng được xử lý ra sao, hoạt động như thế nào và hỏng ở đâu. Và vì đã áp dụng các phương pháp thử nghiệm nhất quán trong suốt những năm qua, chúng tôi thực sự có thể so sánh các kết quả đó. Đây là điều vô cùng khó để bất kỳ ai khác tái lập.

Mỗi thí nghiệm đều giúp chúng tôi hiểu thêm điều gì đó. Kiến thức ấy giúp chúng tôi cải thiện mô hình, đưa ra dự đoán chính xác hơn và quyết định nên thử nghiệm điều gì tiếp theo. Càng tiến hành nhiều thí nghiệm, nền tảng kiến thức đó càng trở nên có giá trị.

Chúng tôi cũng hợp tác với một số công ty hàng đầu thế giới, và họ tin tưởng giao cho chúng tôi những nghiên cứu nhạy cảm. Chúng tôi coi trọng trách nhiệm đó và đã triển khai các biện pháp bảo vệ vững chắc để bảo vệ thông tin mật và sở hữu trí tuệ.

Khi mở rộng nền tảng, đâu là yếu tố hạn chế lớn nhất khiến quá trình khám phá hiện nay chưa thể diễn ra nhanh hơn: năng lực của mô hình, năng lực thử nghiệm, thời gian cần để xác thực tuổi thọ pin hay điều gì khác? Trong hai năm tới, cột mốc có thể đo lường nào sẽ chứng minh AI đang làm thay đổi hiệu quả kinh tế của quá trình phát triển pin?

Theo tôi, nút thắt lớn nhất hiện nay là thời gian các nhà khoa học dành cho việc thiết kế thí nghiệm và phân tích kết quả.

Hãy hình dung quy trình truyền thống. Một nhà khoa học đặt câu hỏi, thiết kế thí nghiệm, tiến hành thử nghiệm, phân tích dữ liệu rồi quyết định nên thử điều gì tiếp theo. Chúng tôi đã tự động hóa phần lớn khâu thử nghiệm thực tế nhờ nền tảng thông lượng cao, nhưng việc suy nghĩ giữa các bước đó vẫn tốn rất nhiều thời gian.

Gần đây, chúng tôi đã áp dụng một mô hình AI tương đối đơn giản vào một phần của quy trình thiết kế thí nghiệm. Một công việc thường mất sáu tuần đã được hoàn thành trong tám phút. Đó là kết quả thực sự phi thường, cho thấy những khả năng có thể đạt được.

Nhưng đẩy nhanh khâu thiết kế thí nghiệm mới chỉ là bước khởi đầu. Khi AI giúp chúng tôi xác định nhanh hơn nên thử nghiệm điều gì, chúng tôi cũng cần tăng tốc độ tiến hành các thí nghiệm đó. Vì vậy, chúng tôi dự định mở rộng năng lực phòng thí nghiệm và đầu tư thêm vào tự động hóa.

Trong hai năm tới, tôi muốn thấy chúng tôi đẩy nhanh đáng kể toàn bộ quá trình khám phá, từ ý tưởng ban đầu đến vật liệu đã được kiểm chứng. Nếu kết hợp khả năng ra quyết định nhanh hơn với năng lực tiến hành nhiều thí nghiệm hơn, chúng tôi có thể khảo sát các hệ hóa học mới với tốc độ trước đây đơn giản là không thể đạt được. Đó là cách AI có thể làm thay đổi căn bản hiệu quả kinh tế của quá trình phát triển pin.

Cảm ơn ông về cuộc phỏng vấn tuyệt vời này. Độc giả muốn tìm hiểu thêm về vật liệu pin, thử nghiệm thông lượng cao và phát triển công nghệ năng lượng ứng dụng AI có thể truy cập Holyvolt.

Antoine là một nhà lãnh đạo có tầm nhìn và đối tác sáng lập của Unite.AI, được thôi thúc bởi niềm đam mê bền bỉ trong việc định hình và thúc đẩy tương lai của AI và công nghệ robot. Là doanh nhân đã thành lập nhiều công ty, ông tin rằng AI sẽ làm thay đổi xã hội sâu sắc như điện năng và thường hào hứng nói về tiềm năng của các công nghệ đột phá và trí tuệ nhân tạo tổng quát (AGI).

Với vai trò là một nhà tương lai học, ông dành tâm huyết khám phá cách những đổi mới này sẽ định hình thế giới. Ông cũng là người sáng lập Securities.io, một nền tảng tập trung đầu tư vào các công nghệ tiên tiến đang định nghĩa lại tương lai và tái định hình toàn bộ các ngành.