电池研发 AI 转型，“Do's and Don'ts”是什么？

各位同行好，最近在推电池研发部门的AI转型，梳理了初步思路，想听听大家的实战经验。

Do's：

不遗余力地留存与结构化数据

推动数字化部门演进为运维+信息化+AI+数字孪生一体化

促进一线业务早日接入AI（先搞"并行小队"模式）

相信AI的终极能力

Don'ts：

AI研发平台≠文档电子化、流程在线化

缺少关键构效关系（不够专业）

数字化与业务部门"两张皮"

AI研发平台≠昂贵的境外大系统

三大行动建议：

推进研发流程自动化（利用OpenClaw等先进自动化架构，避免重复造轮子，核心在于专业Tool/Skill搭建）

建设企业数据库（利用电池性能仿真软件提供的高精度"设计-性能"构效关系积累企业电池型号数据库，重视CPD数据资产建设）

聚焦核心算法研发（聚焦数值求解、寻优、神经网络三类算法，重点发展AI与物理世界融合的混合科学计算）

想请教大家几个问题：

以上这些点在你们实际落地时，哪些最难？踩过什么坑？

电池研发场景里，AI目前真正能落地的环节有哪些？哪些还是"看起来美好，实际用不了"？

混合科学计算这块，有没有已经跑通的案例可以分享？

欢迎各位拍砖、补充、分享经验 🙏

楼主提到的三大行动建议，我逐条说点实际感受：
流程自动化这块——OpenClaw这类架构确实比自己从零搭省事，但坑在于"专业Tool/Skill"的积累。电池领域太垂直了，通用工具链直接拿过来用，适配成本可能比自研还高。我们现在的做法是：底层框架用现成的，但上层的电化学领域工具包全部自己写，大概花了4个人月，但后续效率提升很明显。
企业数据库这块——说得太对了。我们吃过最大的亏就是前期数据没结构化，仿真跑了几千个case，结果要调数据的时候发现参数命名都不统一，根本没法喂给模型。现在回头在做数据治理，痛苦程度可想而知。建议从第一个项目开始就定好数据规范，哪怕慢一点。
混合科学计算——这是最有价值但也最难的方向。纯数据驱动的模型在电池场景里天花板很低，因为数据量永远不够、噪声永远很大。PINN（物理信息神经网络）我们试过，在小样本场景下确实比纯ML好，但训练稳定性是个大问题，还在调。

看到楼主把"两张皮"列进Don'ts，我真是又欣慰又心酸 😂
说几个实操中的真实痛点：
第一，数据权限问题。 研发部门对数据非常敏感，尤其是竞品分析和核心配方相关的。我们推数据平台的时候，研发那边第一反应是"数据放到你们平台上安全吗"。这个信任问题花了大半年才解决，最后是通过私有化部署+分级权限+审计日志才打消顾虑。
第二，关于"昂贵的境外大系统"。 我们之前评估过几家的方案，报价动辄几百万，但落地后发现70%的功能用不上，真正需要的定制化部分反而做不了。最后选了开源底座+自研模块的路子，成本降了60%，灵活性反而更高。
第三点建议补充：不要忽视数据标注的人力成本。 AI训练需要大量标注数据，但电池领域的标注不是随便找个人就能做的，必须是懂电化学的人。这部分人力预算一定要提前规划。

我们团队规模小（30人左右），AI转型的思路跟大厂不太一样，分享一下我们的路径：
核心逻辑是：小团队不要追求"平台"，先追求"用起来"。
我们没有搞什么数字化部门演进，就是研发工程师自己学Python、学ML，从最痛的点切入。比如我们第一个AI落地的场景是电解液配方筛选——原来靠经验+试错，现在用贝叶斯优化，筛选效率提升了3倍左右。这个case让全团队看到了价值，后面的推广就顺了。
楼主说的"并行小队"，在小团队里其实就是"每个人都是并行小队" 😂 但大团队确实有必要专门设这种机制。
一个踩过的坑： 早期我们太追求算法先进性，上了GNN做分子性质预测，结果数据量不够，模型过拟合严重。后来老老实实回到随机森林+XGBoost，反而效果更稳。建议是：先让简单模型跑通业务闭环，再逐步升级算法复杂度。

从学术界的角度看这个转型，我觉得楼主提到的"构效关系"是整件事的命门。
电池材料的问题在于：结构-性能关系的物理机制远没有完全搞清楚。 这意味着纯数据驱动的方法天然有天花板。我看到的比较有前景的方向是两个：
高通量计算+AI辅助筛选。 用DFT算大量候选材料的电子结构，再用ML加速筛选。这条路在固态电解质筛选上已经有不错的结果。
多尺度建模+AI代理模型。 从原子尺度到电芯尺度，用AI替代部分耗时的物理仿真，但保留物理约束。
但说实话，这两个方向对团队的要求都很高——既要有计算化学背景，又要有ML能力，还要懂电池工程。这种复合型人才非常稀缺。
给楼主的建议： 如果团队里没有计算材料学背景的人，建议尽快引入，或者跟高校建立联合实验室。这不是锦上添花，是基础设施。

我投了几家电池产业链的AI公司，也看过很多传统电池企业的转型项目，说几个观察：
关于"相信AI的终极能力"—— 我同意方向，但想加一个限定条件：相信，但要分阶段兑现。 我见过太多企业把AI当万能药，第一年砸钱，第二年没看到ROI就开始质疑，第三年砍项目。AI在电池研发里的价值兑现路径是：先提效（自动化实验设计、数据分析），再辅助决策（配方推荐、工艺优化），最后才是真正的"AI驱动发现"。每一步都需要不同的时间周期和投入。
关于企业数据库—— 这可能是整个转型里ROI最高的一件事。原因很简单：数据是护城河，算法不是。你用的模型别人也能用，但你积累了几年的电池性能数据库，竞争对手拿不到。所以我的建议是：数据库建设的优先级应该高于算法研发。 先把数据资产做厚，算法后面随时可以补。
最后补一个Don't：不要为了AI而AI。 有些环节人工做就是比AI高效，比如早期的概念设计阶段，工程师的直觉和领域知识目前还是碾压AI的。把AI用在它真正擅长的重复性、高维度、大数据量的环节，别硬上。

我们去年也是这么推的——数字化部门先搭了个平台，结果一线研发根本不用，因为他们觉得"这东西帮不了我发论文、出方案"。后来改成并行小队模式，每个重点项目配一个数字化同事跟着跑，从需求端就介入，情况才好转。

不过我想补充一个Don't：不要指望AI在12个月内产出颠覆性成果。电池研发的周期本身就长，AI的价值在中长期才显现。如果管理层没有这个耐心，项目很容易在半年评审时被砍掉。我们当时是跟CEO对齐了"18个月出阶段性成果"的预期，才撑过前期的阵痛。

另外"两张皮"那个问题，根源其实是KPI没打通。数字化部门的KPI是系统上线数，研发部门的KPI是项目进度和专利数，目标不一致，协作就是空话。建议从绩效层面就把两者绑在一起。