电池材料初创公司Sila于周二在华盛顿州摩西湖的工厂正式投产,这一里程碑事件可能为更长续航、更快充电的电动汽车铺平道路。该工厂初期产能足以为2万至5万辆电动汽车提供电池材料,是西方首个大规模硅负极工厂,未来扩产后可满足多达250万辆汽车的需求。
硅负极技术承诺将锂离子电池的能量密度提高多达50%。Sila联合创始人兼首席执行官Gene Berdichevsky认为,该公司已研发14年的这项技术,可能是美国在全球电池竞争中获得优势地位的最佳机会。
"当你发明新东西时,在发明地生产会容易得多,"他向TechCrunch表示。
Sila目前已与松下和梅赛德斯签署负极材料供应协议。虽然汽车制造商及其供应商将是该工厂的主要关注对象,但Berdichevsky表示,公司还向无人机制造商、卫星公司和消费电子公司销售产品。
该初创公司并非唯一研发硅负极材料的公司。同样在摩西湖设有业务的Group14公司,目前在与SK Innovation合作开发的韩国工厂生产其专有混合材料。总部位于加利福尼亚州弗里蒙特的Amprius公司,目前在美国生产兆瓦时级别的材料,并与中国合作伙伴生产吉瓦时级别的产品。
但Berdichevsky表示,Sila在摩西湖的工厂经过近两年建设,"确实是美国首个汽车级硅负极工厂"。该公司去年筹集了3.75亿美元来帮助资助这个项目。
在华盛顿州,Sila发现了几乎完美的要素汇集,包括廉价的水电、充足的土地以及重要原材料的附近供应商,这些条件使其得以建设该设施。
"这项技术的成本结构取决于低成本能源——这是一大投入要素——以及一些关键前体物质,而华盛顿州具备这些条件,"他说。
摩西湖工厂首批材料将用于向客户展示,该材料与他们过去几年在加利福尼亚州阿拉米达研发生产线上采样的材料保持一致。
"我们对此很有信心,但显然要以事实为准,"Berdichevsky说。
他表示,几年后,使用Sila材料制造的电池应该比使用西方供应商石墨负极材料制造的电池更便宜。(中国公司生产石墨负极成本更低,但它们也获得慷慨的国家补贴,环境法规较少,Berdichevsky说。)
硅负极还可以让汽车制造商在保持相同性能水平的同时,减少电池中其他昂贵材料(包括镍)的使用量。"现在你拥有相同的性能,外加快速充电能力,外加国内供应,而且成本更低,"他说。
如果需求强劲,Sila计划在摩西湖之外扩张。
"没有哪个西方汽车制造商的首席执行官不相信,在十年内,或者最多15年内,他们将销售几乎全部的电动汽车,"Berdichevsky说。"如果你展望10年后,美国可能有1000万辆电动汽车,所以我们需要多个生产基地。"
最终,该公司还将寻求扩展到欧洲和亚洲,但出生于乌克兰的Berdichevsky坚定地致力于美国市场。
"作为一个国家,如果你不制造东西,你的自豪感从何而来?"他说。"我认为作为一个国家,继续学习做这些事情并创建生态系统非常重要,这样我们就永远不会再次落后。"
Q&A
Q1:硅负极技术相比传统石墨负极有什么优势?
A:硅负极技术承诺将锂离子电池的能量密度提高多达50%,能够为电动汽车提供更长续航里程和更快充电速度,同时还能减少电池中镍等昂贵材料的使用量,在保持相同性能的基础上降低成本。
Q2:Sila摩西湖工厂的产能规模如何?
A:该工厂初期产能足以为2万至5万辆电动汽车提供电池材料,是西方首个大规模硅负极工厂。未来扩产后可满足多达250万辆汽车的需求,公司已筹集3.75亿美元用于项目建设。
Q3:为什么Sila选择在华盛顿州建厂?
A:华盛顿州提供了近乎完美的建厂条件,包括廉价的水电资源、充足的土地以及重要原材料的附近供应商。硅负极技术的成本结构需要低成本能源作为重要投入,华盛顿州完全具备这些优势条件。
好文章,需要你的鼓励
从浙江安吉的桌椅,到广东佛山的沙发床垫、河南洛阳的钢制家具,再到福建福州的竹藤制品,中国各大高度专业化的家具产业带,都在不约而同地探索各自的数字化出海路径。
哥伦比亚大学研究团队开发了MathBode动态诊断工具,通过让数学题参数按正弦波变化来测试AI的动态推理能力。研究发现传统静态测试掩盖了AI的重要缺陷:几乎所有模型都表现出低通滤波特征和相位滞后现象,即在处理快速变化时会出现失真和延迟。该方法覆盖五个数学家族的测试,为AI模型选择和部署提供了新的评估维度。
研究人员正探索AI能否预测昏迷患者的医疗意愿,帮助医生做出生死决策。华盛顿大学研究员Ahmad正推进首个AI代理人试点项目,通过分析患者医疗数据预测其偏好。虽然准确率可达三分之二,但专家担心AI无法捕捉患者价值观的复杂性和动态变化。医生强调AI只能作为辅助工具,不应替代人类代理人,因为生死决策依赖具体情境且充满伦理挑战。
这项研究首次发现AI推理模型存在"雪球效应"问题——推理过程中的小错误会逐步放大,导致AI要么给出危险回答,要么过度拒绝正常请求。研究团队提出AdvChain方法,通过训练AI学习"错误-纠正"过程来获得自我纠错能力。实验显示该方法显著提升了AI的安全性和实用性,用1000个样本达到了传统方法15000个样本的效果,为AI安全训练开辟了新方向。