一家电池公司转变方向

总部位于马萨诸塞州的SES AI多年来一直致力于为电动汽车开发先进的锂金属电池，如今正进行一项重要的战略转向。公司不再押注大规模电池制造作为未来，而是将重点转向基于人工智能的材料发现，同时继续只为无人机等较小市场生产电池。

这一变化之所以值得注意，是因为它折射出更广泛的行业现实。首席执行官钱超胡（Qichao Hu）直言不讳地描述了经济性问题，称大多数西方电池公司要么已经失败，要么正在走向失败。在他看来，在西方建立可持续的制造业务已变得异常困难。这种严峻判断无论是否被普遍证明正确，都有助于解释为何SES AI正在把自身重新定位到软件、授权和材料开发上，而不是高产量电芯生产。

从有前景的电池化学体系到更狭窄的市场

公司的根源可以追溯到麻省理工学院，当时胡的研究生研究聚焦于用于石油和天然气勘探的电池。目标是制造能够承受120摄氏度以上高温、并在地下提供更长续航的电芯。团队选择了一种固态聚合物锂金属架构，以锂金属为负极、聚合物为电解质。

这种化学体系有望比传统锂离子电池实现显著更高的能量密度，而传统锂离子电池通常使用石墨负极和液态电解质。这个底层构想成为Solid Energy的基础，这家初创公司由胡于2012年创立。它在2013年获得首笔私人投资，随后随着市场扩大，逐渐把关注点从地下工业用途转向电动汽车。

在调整化学体系以使其在低温下表现更好之后，公司在马萨诸塞州建起了一座试点工厂。当时，这一雄心符合更广泛的行业叙事：美国和欧洲的先进电池初创公司希望凭借能够超越当今电芯的下一代化学体系，为即将到来的电动汽车热潮提供供应。

为什么这一转向不仅仅关乎一家公司的命运

SES AI的新方向表明，在主导性的亚洲供应链之外建设大规模先进电池生产的商业可行性已经变得更难，而不是更容易。公司并没有完全离开电池行业，但它正在退回到业务中最资本密集的部分之外。相反，它强调一个电池材料发现平台，该平台可以授权给其他企业，或用于开发可直接销售的材料。

这一区别意义重大。大规模制造电池需要巨额资本、稳定的原材料供应、工艺经验，以及能够同时满足质量和成本目标的供应链。相比之下，材料发现虽然技术要求依然很高，但物理基础设施需求更轻，更适合围绕工具、授权和知识产权构建的软件式模式。

这一转变也发生在电动汽车电池行业的敏感时期。根据原文，近期一些领先的美国电动汽车电池公司已经倒闭，另一些公司则在进行剧烈的战略调整。这些失败和收缩提出的不仅是商业问题，也是地缘政治问题：如果西方企业继续在制造经济性上挣扎，那么电气化交通背后的技术和生产基础将由谁掌控？

把人工智能当作生存策略

SES AI并不是把人工智能当作一个边缘项目。公司正在把人工智能驱动的材料发现定位为自己的未来。它表示，这个平台可以授权给其他电池制造商，也可以用来识别公司能够直接商业化的材料。这反映出能源和先进制造领域的一个更广泛趋势，即企业越来越把机器学习视为加速材料筛选、优化化学体系、缩短识别有前景候选材料所需时间的一种方式。

不过，对SES AI来说，这一转向似乎不只是机会问题，也是生存和聚焦的问题。如果大规模电芯制造在公司的经营环境中结构性地缺乏吸引力，那么向价值链上游的发现工具移动，或许比继续追逐仍然难以实现的制造规模更具可行路径。

公司仍在为无人机生产电池，这一市场规模较小，对产量的要求低于电动汽车。这一点很重要，因为它表明SES AI并没有完全放弃实体产品，而是在把制造野心收缩到所需规模更容易管理的市场。

更广泛的影响

如果更多西方电池公司走上同样的道路，影响可能会相当大。这将意味着电池创意产生的地方与电池产品大规模制造的地方出现分离。研发和软件可能继续在美国和欧洲保持强势，而大规模生产能力则集中到别处。这将影响产业战略、供应安全，以及全球能源转型中的力量平衡。

向电动汽车的转型不仅取决于消费者需求和充电网络，也取决于谁能够以有竞争力的成本融资、建设并运营电池工厂。因此，像SES AI这样的公司认为人工智能材料发现比电动汽车规模制造更具可行性，这不仅是内部重组，更是在向行业现状发出信号。

仍然存在不确定性。转向并不保证成功，人工智能驱动的材料发现也仍需证明自己能够产生足以证明这一转变合理的商业优势。但SES AI的举动，是西方初创公司试图从实验室前景走向工业规模时，电池业务变得多么艰难的一个具体例子。

更窄但更清晰的身份

SES AI最初是为了解决一个高难度的电池问题，后来又试图为电动汽车时代定位自己。如今，它正在围绕自己在电池生态系统中的更精选角色重新定义公司。公司仍会继续与电池打交道，但其核心赌注已不再是自己会制造海量电池，而是人工智能能够帮助发现他人所需的材料。

这或许会被证明是一次务实的后撤、一个新商业模式的早期雏形，或者两者兼有。无论如何，这一决定都凸显了当今清洁能源经济中的一个关键事实：技术突破只是挑战的一部分。要在工业竞赛中将其大规模实现并存活下来，则是完全不同的问题。

本文基于 MIT Technology Review 的报道。阅读原文。