我想用 AI 分析電池測試資料並提早篩掉沒希望的配方

我想用 AI 分析電池測試資料並提早篩掉沒希望的配方的流程

1. 先把測試資料標準化

   每家測試設備的輸出格式都不一樣，這是這行的第一道牆。Voltaiq 的通用電池資料本體論就是在解這件事，Ohm 則做多模態測試資料接入。這一步的價值其實不在 AI，是「資料不再只存在某個工程師的隨身硬碟裡」——換人就斷的知識最貴。

2. 用早期資料做配方篩選，但只用來排除

   從前 50 圈的曲線推估最終衰退並附上信賴區間。正確用法不是「模型說這組會活 800 圈所以選它」，而是「這組的 95% 區間落在 400 到 900，另一組落在 200 到 350，後者可以先砍」。用來排除、不用來拍板，即使模型偏差你也不會付出大代價。

3. 跑機制層的分析找出衰退原因

   Energsoft 走物理知識驅動路線，提供 dQ/dV 分析、阻抗建模與鋰析出偵測，官網公開標價每月 999 美元起，是這個領域少見不用先詢價的選項。鋰析出抓到的是徵兆不是直接證據，定位是「篩選出可疑樣本再去拆」，能省下大量無效拆解。

4. 把異常偵測接到量產與場域

   量產爬坡期最怕某一批電芯出現微小的容量衰退偏移，等季報表發現時已經出了幾萬顆。Voltaiq 的告警是在資料層持續比對；要管上線後的安全，Eatron 的模型跑在車上的 BMS 晶片裡，因為真的熱失控時網路可能已經斷了，雲端來不及反應。