SES AI靠AI Agent解決電動車最大難題，幫電池研發加快10年|數位時代 BusinessNext

一天跑完5,000組電解液配方，這款AI Agent解決電動車最大難題！省下電池10年研發時間

SES AI利用AI分子宇宙平台，透過大數據分析與機器學習，在數以億計的化學組合中快速篩選電解質與正負極材料，將數年的材料研發流程壓縮至數周。

在全球電動車市場進入白熱化的今天，無論是特斯拉還是傳統汽車車廠，當所有人都在尋找更輕、更安全的鋰金屬電池時，一項新電池材料從研發到量產，往往需要耗費長達10年。

為了打破電池研發時間的限制，全球鋰金屬電池廠商SES AI近期開發出一款「分子宇宙（Molecular Universe）」AI Agent平台，將原本需要10年的電池材料研究時間縮短至幾週、甚至幾天的時間就可以完成。

「人類科學家需要吃飯、喝咖啡，還會疲勞；但AI Agent一天能處理數萬篇論文，且擁有完美的記憶力。」SES AI創辦人暨執行長胡啟朝近期接受《The Neuron》Podcast 專訪時說道，過去他們試圖開發更好的電池、尋找新材料；現在則變成開發出AI平台去尋找新電池材料。

SES AI不只是全球首家推出100Ah鋰金屬電池的公司，還是唯一同時與通用汽車（GM）、現代（Hyundai）、本田（Honda）三大汽車車廠簽署聯合開發電動車電池協議的新創企業。

AI代理人化身電池廠最強科學大腦，一天跑完5,000組電解液配方

為什麼現階段全球電池研發會面臨停滯？胡啟朝給出一個驚人數字：「宇宙中潛在的小分子數量高達10的60次方，而人類在過去40年間，僅僅篩選過約1,000個分子。」目前探索的範圍，連萬分之一都不到，僅僅觸及冰山一角。

胡啟朝分享，傳統電池研發分為3個階段：創意構思、候選材料過濾與驗證。一般來說資深科學家需要花費1個月才能構思一個好點子，但AI代理人幾分鐘就可以處理數萬篇學術論文，並且對所有細節擁有完美記憶。這也意味著，過去需要一個月的構思期，現在被壓縮為幾分鐘。

這種速度落差，在進入到電池的「實驗階段」後變得更加驚人。傳統實驗室依賴初級科學家手動調配電解液配方，一天最多完成10到20組；但在SES AI的自動化實驗室中分子宇宙平台，一個上午就能跑完5,000組配方。

同時，一般電動車電池通常需要8到15年的保固期，必須進行長年的循環測試來驗證電池壽命，但透過SES AI的分子宇宙平台與機器學習模型，科學家只需要擷取電池前兩週的測試數據，AI就能精準預測電池在8年後的衰減狀況，讓原本鋰金屬電池研發週期從線性增長變成指數型噴發。

這種速度的飛躍，讓鋰金屬電池的商業化落地從可能變成了必然，同時鋰金屬電池也比目前的鋰離子電池更輕、能量密度更高，卡車可以載重數量更多、無人機也能飛得更遠。胡啟朝直言，當初因為市面上沒有人能提供這樣的工具，SES AI索性自己動手開發。

延伸閱讀：「停止照豐田說的做」豐田前社長的告別演說：連6年銷售冠軍，為何仍說正在打一場生存之戰？

跨越數字、物理鴻溝，AI正在寫出「非人類語言」的科學定律

然而，AI在科學領域的應用不單純是「提速」，更在於「發現未知的規律」。

SES AI開發的分子宇宙平台採用雙層架構：底層是由實驗室原始數據訓練的「基礎模型」（Foundation Model）；上層則是以 GPT-5 或 Gemini 等前沿模型為基礎的AI代理人。他們動員50名頂尖科學家，教導這些通用AI特定知識，像是高溫穩定性的分子結構特徵。

胡啟朝分享他的觀察，傳統上科學家會用約20個大腦能理解的物理參數，如容量、時間、溫度來描述電池行為。但AI在處理相同數據時，會自動生成超過1,000個參數。

「我們無法解釋這些參數代表什麼物理意義，這就像是另一種不屬於人類的語言。」他說，儘管過程是個「黑盒子」，但預測結果卻比人類更精準，只要結果能被物理實驗驗證，它就是有效的科學。

這套AI平台不僅被用於材料開發，還能延伸至電池的全生命週期管理「Avatar」（阿凡達）系統。每一顆電池從生產線上走下來時，可能在3,000多個生產步驟中產生微小缺陷，而現在透過AI監控，結合駕駛者的駕駛習慣，能夠精準預測電池的健康狀態。

舉例來說，像是在虛擬電廠應用中，資料中心或儲能設備必須決定何時參與電力調度。透過AI監控，系統可以精確計算：如果現在為了賺取電費價差而進行一次高強度放電，會讓電池壽命從8年縮短到 7.5年嗎？這種基於數據的決策，將讓能源管理的效率達到極致。

最後，胡啟朝展示SES AI利用資料中心強大的算力運作分子宇宙平台，開發出更高效的鋰金屬電池；而這些電池，再最終回頭去供電給資料中心，解決AI算力攀升帶來的電力渴求。「這是一個完美的循環。」他笑著說。對於正在焦慮轉型期的業者而言，這道AI曙光，或許來得正是時候。

延伸閱讀：
日本汽車業已逼近「生存關鍵點」！本田近70年來首次淨虧損背後，揭日本競爭力流失真相
 駕艙機車Lean3個人版4/8開放預訂！駕艙機車是什麼？價格多少？交通規則一次看

資料來源：YouTube、SES AI 官網

從AI模型到AI經濟，企業競爭焦點轉向算力與Token調度能力

過去市場談AI，焦點多半放在模型參數、推論效能與模型能力，但在大型語言模型推論需求暴增的現下，AI Infra早已從單純GPU採購演變成涵蓋機櫃、網路、儲存、散熱與電力的整體工程；企業真正需要的，不是更多GPU、而是如何更有效率地調度與利用算力。

尤其在NVIDIA提出Token Factory概念後，全球AI產業正逐步從模型競賽轉向「AI經濟」，亦即，影響企業AI決策的再也不是使用哪個模型、部署多少GPU，而是消耗多少Token、產生多少AI服務，以及算力是否能被有效共享與調度。

換言之，在AI新世界，算力調度能力的重要水漲船高。對此，陳文裕十分認同的說：「企業想要提升AI競爭力，不僅要掌握模型與應用，還必須進一步思考如何有效切割GPU資源、讓不同部門甚至集團子公司共享算力、延長舊世代GPU的使用壽命，甚至是如何將閒置算力轉變成可交易的資源等。」

事實上，這也是大量AI資料中心（AIDC）跟新世代AI雲端服務（Neo Cloud）業者出現的原因，包括CoreWeave、Nebius、Lambda Labs、GMI Cloud等業者皆試圖以更具彈性的方式，提供企業所需的GPU服務與AI算力平台。

看準這波趨勢，數位無限除透過AI-Stack提供GPU切片、模型部署、模型管理與MLOps等服務，協助客戶提升GPU使用率，更進一步推出ixCSP平台，讓雲端服務供應商與新世代AI雲端業者，能從過去單純販售GPU資源轉型為提供GPU as a Service、Token as a Service與Model as a Service等創新AI服務。

以Software Defined AI Infrastructure助企業以「通用化、鬆耦合」迎戰瞬變AI世代

因應AI新世代帶來的挑戰：模型快速升級、算力需求攀升、GPU世代交替迅速，企業在追逐AI落地的同時，勢必得面臨基礎建設更新速度過快、硬體投資壓力升高，以及資源利用效率難以最佳化等挑戰。

為協助企業在AI快速演進與基礎建設投資之間取得平衡，數位無限的作法是，透過AI-Stack將底層硬體抽象化，以Token或模型服務形式提供，讓企業客戶、AIDC與Neo Cloud業者可以延長不同世代與不同品牌的AI硬體設備的生命週期、創造更高的使用價值、甚至是展開更多元的營收模式。

例如，高雄醫學大學附設中和紀念醫院便透過數位無限的AI-Stack解決GPU資源調度效率不彰問題，加速39項AI模型進入臨床應用階段，成功建立起「從模型開發到臨床落地」的完整生態系統。而日本精密製造大廠–Union Tool Co.–則是透過AI-Stack簡化GPU資源共享、加速AI模型的開發與測試腳步，為提升生產效率做最佳準備。

「如果大型企業或AIDC業者擁有閒置資源，也可以透過ixCSP平台，把算力共享或調度給集團內部團隊、子公司，甚至上下游合作夥伴使用，進一步提升整體資源利用率。」數位無限執行長陳文裕如是說道。

隨著AI從工具演變成企業核心基礎建設，企業真正需要的，也不再只是單一模型，而是一套能持續適應AI快速演進的AI Infra，而這與數位無限近年來的重要轉型方向一致：從AI管理軟體提供者轉型為軟體定義AI基礎建設供應商，更好協助客戶打造具備「通用化」與「鬆耦合」特性的AI基礎建設。

除以AI-Stack與ixCSP協助客戶提升算力使用效率與價值，數位無限亦計畫與硬體合作夥伴推出Agentic AI一體機方案，協助企業快速建立可驗證、可部署、可切割、可共享的AI運算環境，降低企業從PoC走向實際導入的門檻，加速AI落地。

總的來說，隨著AI競爭從模型能力延伸到算力治理，企業比拚的不僅是導入速度，而是能否建立一套足夠彈性、可持續演進的AI Infra，而這與數位無限的發展目標一致，將持續不斷優化產品服務，化身企業搶進AI新世代的關鍵合作夥伴。