访谈

Mathias Ingvarsson,Holyvolt 创始人兼首席执行官——访谈系列

Antoine Tardif
将 Unite.AI 添加到您在 Google 上的首选来源
Mathias Ingvarsson, Founder and CEO of Holyvolt
要点Holyvolt的优势在于18年的专有电池数据,竞争对手无法简单地下载这些数据。
查看更多
  • Holyvolt的优势在于18年的专有电池数据,竞争对手无法简单地下载这些数据。
  • 只有当可复现的实验室流程将真正的化学失败与测试异常区分开时,失败的配方才会成为训练数据。
  • 人工智能将一项实验设计任务从六周缩短到八分钟,但科学家仍然设计和评判实验。

Mathias Ingvarsson 是 Holyvolt 的创始人兼首席执行官。他于 2022 年创立这家公司,旨在探索电池技术的新路径。他的职业经历涵盖 Tempur-Pedic 的国际扩张,以及涉足多个行业的创业项目。在 Holyvolt,他致力于整合科学专业知识、实验数据和制造能力,以加快电池材料的开发,其中包括收购 Wildcat Discovery Technologies。

Holyvolt 致力于开发能源生产与储存技术,将高通量材料发现与精密丝网印刷制造方法结合起来。通过 Wildcat Discovery Technologies,其电池研究平台将实验室实验、历史测试数据与 AI 辅助材料开发连接起来。在本次访谈中,Ingvarsson 谈到科学家如何将机器学习与实体实验结合使用、失败的配方为何也能成为有价值的数据,以及如何从更快地做出预测,走到材料验证和规模化生产。

您的职业经历涵盖 Tempur-Pedic 的国际扩张和多个创业项目。是什么促使您在 2022 年创立 Holyvolt?电池技术领域的什么机遇让您决心在这个技术门槛极高的行业创办公司?

我创办过各种类型的企业,从床垫到内衣都有,所以电池看起来或许是个不太寻常的下一步。但我一直对那些我认为存在他人尚未发现的机会的行业很感兴趣。

我创办 Holyvolt 时,对电池化学知之甚少,而我其实觉得这反倒有所帮助。有时,不知道某件事无法实现的种种理由,反而是一种超能力。Jensen Huang 曾说,如果他当初知道创办 Nvidia 有多难,或许就不会开始了。我很能理解这种感受。

我看到的是,西方电池产业正试图在一场中国早已胜出的比赛中击败中国。整个行业投入数十亿美元,试图复制中国花了数十年才完善的技术。我不明白,为什么我们不把同样的精力投入到开发更好的技术上。电池将为我们周围几乎所有事物提供动力,而我看到了重新思考电池开发方式的巨大机遇。这就是我创办 Holyvolt 的原因。

您在评估收购 Wildcat 时,是什么让您相信它积累的实验记录能够成为 AI 发现平台的基础?除了数据量庞大之外,您还需要确认这些数据具备哪些条件?

数据量之大立刻引起了我的注意:在 18 年间测试了 50 多万个电池单体,累计进行了 1.65 亿次循环。我们了解得越多,就越为实验的严谨性以及 Wildcat 已取得的突破所折服。数十年来以一致方式收集的这类数据,极难复制。

我不是电池科学家,所以我请来了比我懂得多得多的人。电池、AI 和材料科学领域的专家来实验室参观,说实话,他们都大为震撼。

再看看那些找上 Wildcat 的公司,其中包括 BMW,以及整个价值链上的其他世界知名企业。这些公司拥有庞大的研发预算,也有全球顶尖的科学家,却仍向 Wildcat 寻求帮助。对我来说,这是最有力的验证。我由此确信,Wildcat 已经打造出全球最受追捧的电池发现平台。而借助 AI,我相信我们对它的潜力才刚刚开始探索。

失败实验是你们数据优势的核心组成部分。能否举例说明模型可以从失败的电池配方中学到什么?你们的团队又如何区分有意义的化学反应失败与实验操作问题?

失败是化学研究的一部分。数百年来,科学进步正是这样实现的:尝试某种方法,发现行不通,从中吸取经验,然后再次尝试。AI 也需要以同样的方式学习。

过去 18 年里,我们一直在进行高通量电池实验,因此数据涵盖了从失败的配方到已成功优化的材料。这对训练模型极有价值。

以锂金属电池为例。与传统石墨电池不同,这类电池可能会突然出现容量下降,而且这种情况很难预测。我们利用不同电解液配方、电极设计和测试方案下获得的真实电池循环数据,开发了机器学习模型,用于预测何时可能发生这种容量下降。

我们的初始模型已经能够以相当可靠的置信度预测这些容量下降。我们正在设计更有针对性的实验,并在不同条件下测试电池,以进一步改进预测结果。

当然,只有结果值得信赖,这些数据才有价值。多年来,我们不断改进实验室流程,以确保实验具有很高的可重复性并尽量减少误差。我们还会对同一实验进行多次重复测试,以判断不理想的结果究竟反映了材料本身确实存在问题,还是测试过程中的异常。这样一来,我们就不会让模型根据单个缺乏代表性的结果学到错误结论。

能否带我们了解一个完整的发现周期:从模型提出一种材料,到实验室对其进行测试并将结果纳入模型?哪些决策由 AI 作出,哪些环节仍离不开科学家的判断?

这一过程始于我们的科学家。他们根据要探究的问题设计实验,再由我们的高通量平台开展测试。随后,机器学习工程师会利用这些初始数据构建模型,并检验模型能否预测后续实验的结果。

接下来,我们会在实验室检验这些预测。如果结果吻合,我们就会更加信任模型,并用它评估新的配方。如果结果不吻合,我们的科学家就会调查原因。有时模型需要更多数据,这意味着要设计全新的实验,或在不同条件下进行测试。我们会将这些结果反馈给模型,对其加以改进,然后重复这一过程。

AI 自主发现新材料令人振奋,但对于相关成果,我们始终谨慎表述。现阶段,实验仍由科学家设计,关键决策也仍由他们作出。AI 帮助我们进行预测,而实验室则负责检验这些预测是否经得起实际验证。将科学家的专业知识与 AI 结合后,我们已经大幅缩短了某些实验设计任务所需的时间,从数周缩短到几分钟。

历史数据反映了研究人员过去选择探索的材料。你们如何避免模型局限于这些熟悉的领域?又如何判断一种陌生的化学体系是否足够有前景,值得进行实体测试?

这确实问到了关键所在,也正因如此,我认为实验室比数据集更有价值。

模型会从输入的数据中学习,因此在预测它见过的事物时,自然会更加可靠。真正的机遇在于利用 AI 探索全新的化学领域,而这些领域可能没有可用的历史数据。

这正是我们的高通量平台带来巨大优势的地方。我们可以针对数百种配方,迅速生成新的可靠实验数据,即使是在陌生的化学领域,也能为模型学习打下基础。

而且,由于我们可以在实验室检验预测结果、将结果反馈给模型并重复这一过程,因此能够持续提高模型的准确性。每一次实验都会让下一次预测更加有据可依。

我认为这是我们最大的竞争优势。我们拥有18年的历史数据,但并不受其局限。我们有能力生成所需的新数据,探索此前尚未得到充分研究的化学体系。

如何衡量 AI 本身带来的改进,而不是自动化高通量实验已经实现的成果?哪些对比结果表明,模型找到了更好的候选材料,或减少了获得有用结果所需的实验次数?

这确实是个难题,因为科学发现是团队合作的成果。

想象一群科学家一起集思广益解决一个问题。最终也许由一个人提出了解决方案,但这个想法可能源于在场所有人经过数小时讨论的成果。那功劳应该归谁?

我认为我们也应该以类似的方式看待 AI。它是研究团队中的一员。它可以帮助科学家更快地找到相关信息、识别实验数据中的模式,并更深入地理解问题。

我们的高通量平台已经让我们能够以极快的速度开展实验,带来了巨大优势。现在,我们正在努力了解 AI 还能在多大程度上进一步提升效率。我不想随口给出一个无法得到充分依据支持的数字。关键在于,我们是否能帮助科学家用更少的时间和更少的实验找到更好的答案。

电池开发需要权衡多项目标,包括能量密度、循环寿命、安全性、成本和可制造性。你们如何将这些权衡转化为 AI 的优化目标?改变预期应用场景,会不会引导 AI 找到本质上不同的材料?

这确实取决于电池的用途。无人机用电池与电动汽车用电池的要求截然不同。在一种应用中,你可能会优先考虑能量密度;在另一种应用中,则可能更看重循环寿命或成本。

这些目标都可以明确界定。能量密度、循环寿命、安全性和成本都可以测量,因此我们可以根据具体应用,为模型设定明确的性能目标。

难点在于如何从这些目标倒推,找到真正能够实现这些目标的材料。

改变应用方案确实会影响我们研究哪些材料。但我们的科学家仍然需要判断哪些化学体系前景看好、设计实验,并测试这些材料能否达到性能指标。

Holyvolt正推动无镍、无钴的无序岩盐正极材料走向商业化。AI在这一研发过程中发挥了什么作用?目前还有哪些障碍需要通过制造或工程解决方案来克服,而非仅靠材料发现?

无序岩盐正极材料(DRX)是一个很好的例子,说明了我们的方法为何重要。可能的材料组合数量极其庞大,若逐一测试,可能需要数年时间。

在Holyvolt,我们的高通量平台能够快速测试数百种不同配方,并帮助我们了解化学成分的变化如何影响能量密度、电压、电池寿命和性能。相比传统研究方法,我们能够更快地发现有前景的材料。

现在,我们正将这些实验数据与机器学习相结合,以识别规律,并帮助科学家决定接下来探索哪些配方。测试得越多,学到的就越多,也就越能为未来的实验指明方向。

我们已经在朝商业化规模生产稳步推进,而我们最大的优势之一,是采用了成熟的制造工艺。我们不需要开发全新的设备,也不必彻底改变这些材料的生产方式。我们的重点是与合作伙伴扩大产能,同时保持稳定的性能和有竞争力的成本。

您曾指出,专有科学数据可能比模型本身更具竞争优势。这种优势为何会随时间不断累积?在跨客户项目汲取经验的同时,您如何保护每位客户的机密研究成果和知识产权?

如今一些最强大的AI模型采用开源方式,而且还在不断进步。但你无法直接下载18年的电池研究成果。这正是我们的数据如此宝贵的原因。

在Holyvolt,我们已经对超过50万个电池单体进行了测试,累计循环次数超过1.65亿次。我们知道使用了哪些材料、这些材料经过了怎样的处理、表现如何,以及在何处失效。多年来,我们始终采用一致的测试方法,因此能够对测试结果进行比较。其他任何人都很难复制这一点。

每一次实验都会让我们有所收获。这些知识帮助我们改进模型、提高预测准确性,并决定下一步测试什么。实验做得越多,这一知识基础就越有价值。

我们还与一些全球领先企业合作,而他们信任我们,将敏感研究交由我们处理。我们认真承担这份责任,并采取了严格的保护措施,以保障机密信息和知识产权的安全。

随着平台不断扩展,如今阻碍发现进程加快的最大因素是什么:模型能力、实验能力、电池寿命验证所需的时间,还是其他因素?未来两年,哪些可量化的里程碑能够证明AI正在改变电池开发的经济效益?

我认为,目前最大的瓶颈是科学家花在设计实验和分析结果上的时间。

想想传统的流程:科学家提出问题、设计实验、开展测试、分析数据,然后决定下一步尝试什么。我们已经通过高通量平台将许多实际测试工作自动化,但这些步骤之间的思考仍然需要耗费大量时间。

最近,我们在实验设计流程的一部分中应用了一种相对简单的AI模型。原本通常需要六周的工作,现在只用了八分钟。这一结果相当惊人,也展现了AI的潜力。

不过,加快实验设计只是第一步。随着AI帮助我们更快地确定测试内容,我们也需要提高开展实验的速度。因此,我们计划扩大实验室能力,并进一步投入自动化。

未来两年,我希望我们能大幅加快整个发现流程,从最初的想法到获得经过验证的材料。如果能将更快的决策与开展更多实验的能力结合起来,我们就能以过去根本无法实现的速度探索新的化学体系。AI正是以这种方式从根本上改变电池开发的经济效益。

感谢您接受这次精彩的采访。希望进一步了解电池材料、高通量实验和AI赋能的能源技术开发的读者,请访问Holyvolt。

安托万是一位富有远见的领导者,也是 Unite.AI 的创始合伙人。他怀着坚定的热情,致力于塑造和推动人工智能与机器人技术的未来。作为一名多次创业的企业家,他相信人工智能将像电力一样深刻地改变社会,并经常热情地谈论颠覆性技术和通用人工智能(AGI)的潜力。

作为一名未来学家,他致力于探索这些创新将如何塑造我们的世界。此外,他还是 Securities.io 的创始人。该平台专注于投资正在重新定义未来、重塑整个行业的前沿技术。