行业背景与挑战 - 截至2025年6月，中国生成式AI用户规模达5.15亿人，普及率为36.5% [1] - 电池等硬科技领域的核心研发挑战源于理化世界和分子层级的法则，验证新材料需经历漫长而昂贵的试错周期 [1] - 电池应用边界正快速拓展，涵盖电动化深化、规模储能及AI驱动的智能终端，催生对能量密度、充电速度等性能的千百种差异化需求 [2] - 产业竞争焦点从规模与成本转向研发速度与创新精度，快速、精准迭代的能力成为赢得竞争的核心 [3] - 行业普遍面临近八成研发开支消耗在验证无效方案过程中的现实困境 [7] SES AI的MU系列迭代与核心突破 - MU-0于4月发布，首次勾勒"分子宇宙"样貌，将材料发现起点从人类经验库搬到整个化学宇宙 [8] - MU-0.5于7月推出Deep Space功能，实现从回答问题到理解需求的跨越，能通过多轮反问厘清研发边界条件 [8] - MU-1于10月20日全球发布，形成一个完整的AI研发智能体，通过五功能串联成可量化投入产出比的闭环智能工作流 [3][9] - MU-1通过三层递进的置换逻辑系统性地压缩研发周期：置换灵感成本、置换方向成本、置换时间成本 [9] MU-1闭环工作流的技术细节 - 提问与检索：基于多智能体大语言模型和专有RAG逻辑，具备科研式对话能力，能将模糊需求转化为可执行的计算约束 [11][12] - 检索功能由分子图谱与计算导航系统驱动，支持局部优化和越界搜索，在固态体系中调用自研极化力场评估分子间极化与界面稳定性 [13][14] - 配液与设计：Formulate作为虚拟实验室，通过DFT校准的分子动力学和机器学习预测约13项关键物化属性，虚拟实验误差控制在工程可接受范围 [16] - Design在Formulate之上承担工程化判断，利用自有Cell Universe电芯级数据库提供半定量参考，输出包含方向性、强度和置信度的指导信息 [18][19] - 预测：基于自有Cell Universe提取上千个曲线指纹，仅凭前100次循环数据即可外推预测千次循环后的容量保持率与SOH转折点 [21][22] - 通用模型在寿命预测任务上的平均误差约为15–17%，针对特定客户化学体系的模型误差可压缩至5%以内 [23] 技术路径的支撑体系与商业逻辑 - MU-1的运作基座建立在三层互补的数据体系上：语义与知识层（Proprietary RAG）、分子与理化属性层（Molecular Map & Computation Tool）、电芯实验层（Cell Universe） [29][30][31] - 数据库策略强调高质量，坚持"没有垃圾文献"，并保留失败与边缘样本以训练模型识别退化机制与边界条件 [29][32][33] - 采用混合精度物理建模策略，以DFT高精度计算提供基准，结合极化力场和ML预测，数据库已基于超过2亿个分子的DFT计算结果生成 [34] - 产品设计关注产业可迁移性与商业合理性，支持模块独立使用或整套闭环，提供云端与私有化双轨架构，用户可进行本地化部署以提升预测精度 [36][37] - MU-1作为智能化研发基建，让研发具备可迁移、可复用、可自我进化的能力，推动产业从顺序试验转向模拟与实验的并行迭代 [38]