?昇科能源：电池AI大模型是大规模电池服务的必然选择

6月9日，在2023世界动力电池大会主论坛上，清华大学教授、中国科学院院士欧阳明高表示，用电池全生命周期智能化应对动力电池产业新挑战。作为欧阳明高院士课题组的孵化企业，昇科能源在大会期间隆重发布全球首个电池AI大模型PERB2.0。

实现完全通用，效率大幅提升

作为现代产业集群的一个重要组成部分，动力电池产业伴随着新能源汽车产业快速发展，电池规模、种类快速增长，多个场景对电池的统一高效服务也提出新的诉求。比如新能源二手车交易场景，对不同车型的电池寿命进行精准预测就是一大痛点，再比如电池相关的保险市场，对大规模的电池进行风险定量评估至关重要。

现有的电池管理系统很难满足上述诉求，BMS是针对特定车型的单车电池进行基础功能管理，面对大规模电池的服务需要的超大规模的存储和算力，BMS并不具备，而且BMS的算法模型无法解决多类型、多任务、全周期的电池服务问题。

电池AI大模型PERB2.0采用了基于MAE（Masked Autoencoder）的自研架构，这是一种非对称的编码解码结构，扩展性和泛化能力极强。利用这种掩码技术，PERB2.0仅用25%的电池时序数据，就可以还原全部电池信息，还原度达到99%以上。

这样的架构使PERB2.0完全通用化，一是适用所有电池类型，三元 、铁锂、圆柱、方壳、软包、10Ah、280Ah……通通都可以；二是同时解决多个任务，之前，一个任务需要一个模型，现在一个模型可以同时解决不同任务，如安全预警、故障溯源、健康状态评估、早期寿命预测等等。

PERB2.0带来生产效率的大幅提升。首先，相比传统模型，整体的准确率提升了20%。异常检出率从75%提升到了93%，误报率从2%降低到了0.1%以下，寿命评估误差率低于2%，比Nature论文报道的误差率还低了30%。其次是效率提升了3倍，对于同样的电池寿命的计算，仅需原来三分之一的数据量就可以达到相同的精度，比如做电池寿命的估计，之前必须要得到60%的DOD，现在只要20%。最后是成本降低，在训练中，获取有效标签成本极高，大模型能够利用极少标签完成训练。为了达到相同的故障检出精度，原来需要100个故障的标签，现在只需10个，成本降低了10倍。

开启广泛应用，赋能行业伙伴

电池AI大模型的出现，将会催生更多的商业模式，也将会走进我们每个人生活，解锁全新的新能源生活体验。

插入视频

| 小满用电，储充检智能服务新体验 |

“我们已经与中国最大的财险公司人保财险签署合作协议，并同步签出首张“光储充检”项目保单，未来人保财险出具的电池保险背后都有电池AI大模型提供技术支撑；我们已经在帮助国内的软包电池龙头孚能科技，不断提升电池的研发效率，帮助它精准分析和预测电池性能；我们在持续赋能国际能源集团壳牌，打造0事故充电网络，大模型安全保障了近千万个充电订单，有效防护了上百次高危充电；我们正在帮助国家电网打造安全储能网络，为超过200MWh的储能站提供精细化风险管理解决方案；我们已经在与中国汽车流通协会一道，共同破解二手车电池评估的难题”，昇科能源CEO褚政宇博士介绍，“大模型也将为宜宾的数字经济添砖加瓦”。

电池AI大模型是一项意义深远的革命性技术，它抹平了不同电池类型之间的鸿沟，大幅降低了工作门槛和成本，原来需要十几个人干几个月的事，现在1个人几天就完成了。昇科能源认为，使用电池AI大模型构建人工智能服务平台是大规模电池服务的必然选择，作为一项基础设施，它就像一个大潮，电池AI大模型这个潮能把所有的上下游伙伴都往上推。

机理Know-How积淀深厚，参数量行业第一

褚政宇博士强调，电池大模型不是语义模型，与ChatGPT相比，采用了类似的思想，但解决的问题完全不同，是一个新物种。

由于电池系统是一个具有高度非线性、伪周期性的电化学系统，和传统机械电气系统是有本质差别的，导致电池系统的监控预警和状态估计算法开发难度远大于传统机电系统。昇科能源依托欧阳明高院士团队与清华大学车辆学院电池安全实验室进行了多年科研探索，有着深厚的机理沉淀，这是大多数AI团队所不具备的优势。

在成果转化及业务推进过程中，昇科能源建立了完备的实验及实车数据库，积累了海量不同类型、不同阶段的电池数据，支撑大模型全流程开发及验证。目前，PERB2.0用来训练的电池数据量超过2.5TWh、覆盖了442种电池类型和60GWh的电池规模，大模型参数量达到了12亿，位列行业第一。