公司核心技术与产品 - 北京大学与屹艮科技联合成功研发出下一代锂电池设计自动化BDA软件，标志着在全球锂电行业率先构建起以人工智能结合跨尺度物理仿真为核心的电池研发新范式[1] - BDA软件采用“物理仿真+AI”双轮驱动模式，AI的作用主要体现在加速模拟以及处理复杂因素耦合，从而在材料设计、电极优化、电芯定型等环节突破传统试错的局限[2] - BDA软件能将传统一款电芯从设计到定型所需的1-2年甚至2-3年时间缩短至半年-1年，将材料实验从数月压缩至数日[3] - 以制浆环节为例，传统中式制浆一锅料投入数十万元，往往要试数十锅才能成功，仅此一项耗费数百万元，而BDA软件通过计算机模拟推荐配方，1-2锅料就能达标，直接节省大量物料成本[3][4] - 目前BDA软件能帮助企业降低30%-40%的研发成本，终极目标是达到EDA软件的成熟度，届时研发成本能降低90%以上[4] - BDA软件已服务宁德时代、比亚迪、广汽、贝特瑞等新能源头部企业，正在逐步提升行业渗透率[4] 公司背景与市场定位 - 屹艮科技成立于2020年，是一家专注于工业仿真软件研发的国家高新技术企业，总部位于深圳市南山区[1] - 公司创始人兼CEO、北京大学深圳研究生院新材料学院长聘副教授郑家新，已主持2项国家重大项目，发表SCI论文160余篇，曾获深圳市自然科学一等奖、深圳市青年科技奖[1] - 公司选择锂电池研发作为切入点，是因为新能源是数万亿规模的产业，电池作为核心部件迫切需要先进的数字化工具赋能研发，且中国有全球领先的新能源产业基础，有机会做出能“卡别人脖子”的核心工具，进行原始创新[1] - 公司从2020年就开始在材料电池领域结合AI，是国内最早布局的团队，经过5年“修炼内功”不断迭代算法[3] - 公司团队约70人，其中80%是研发人员[6] 行业痛点与挑战 - 电池研发面临三个核心挑战：跨尺度（研发跨越原子分子到电池包9个数量级）、长流程（从源头材料到电池包组装产业链绵长）、多因素（每个环节都有众多变量耦合）[2] - 目前整个新能源行业仍以传统试错研发为主，数字化、智能化工具的应用还处于起步阶段，AI在规模型工业领域的渗透率还比较低[4] - 2024年国内锂离子电池出货量达1170吉瓦时、总产值超1.2万亿元，但行业认知仍需培育，且适配电池行业的AI工业软件此前几乎是空白[4] - “跨尺度、长流程、多因素”的挑战在涉及新材料、新配方、新工艺的行业普遍存在，如显示、液晶材料、燃料电池、橡胶、塑料、复合材料、磁性材料、精细化工等[5] 技术突破与竞争优势 - 技术突破路径一方面依托中国新能源产业的丰富实践获取大量真实工业数据，这是国外企业不具备的优势；另一方面坚持“物理仿真+AI”双轮驱动，用物理原理约束AI模型，确保预测的科学性[3] - AI的精准预测能间接提升电池安全性能，因为通过仿真模拟能提前规避潜在的工艺缺陷和性能风险[4] - BDA软件的底层算法经过二次开发就能复用到其他存在类似研发痛点的工业领域[5] - 公司采用私有化部署模式，确保企业核心研发数据安全，解决客户的后顾之忧[6] 行业发展与未来展望 - AI在工业领域的应用边界会不断拓宽，核心是从“新能源电池”拓展到所有“新材料、新配方、新工艺”相关的行业[6] - 最具落地潜力的细分领域首先是精细化工（如塑料、胶粘剂、高分子材料等），其次是显示、液晶材料、磁性材料、复合材料等，还有燃料电池、氢能电池相关材料等领域[6] - 未来3-5年，AI将让工业研发逻辑从“实验试错”转向“数字仿真+精准预测”，生产模式从“标准化大规模制造”向“定制化精准制造”转变[7] - 锂电池行业生命周期还处于早期阶段，未来应用场景将非常广泛，包括低空经济、智能机器人、家庭和工业储能、电动船舶等，市场规模会持续扩大，甚至超越芯片行业[8] - 参照EDA软件200亿美金的市场规模，BDA以及相关新材料软件的市场空间会非常广阔[8] 面临的现实阻碍 - 人才储备是主要阻碍之一，AI工业软件需要物理、化学、材料、计算机交叉学科的人才，这类人才在国内非常稀缺，高校目前也没有对应的专业和课程体系[6] - 行业认知是另一阻碍，部分企业文化相对封闭，对新的数字化工具接受度不高，对AI赋能的信任需要时间培育[6] - 政策支持方面，目前没有定向的扶持，研发补贴多是“大锅饭”，生态建设也需要进一步完善[6]

西门子工业AI发展历程 - 1964年德国爱尔兰根西门子数据中心诞生世界首批计算机生成图像 由工业数学家Georg Nees通过Zuse Graphomat Z64绘图仪实现 [2][3][4] - 1965年全球首个算法艺术展览Computer grafik在斯图加特大学举办 Georg Nees为唯一参展艺术家 [4] - 1966年西门子设立爱尔兰根研究中心 该园区成为工业4 0技术孵化母体 [5] - 60年后该工厂部署超100项AI应用 数字孪生技术成为核心 机器人可识别陌生零件并完成微米级精密操作 [6][7] Industrial Copilot智能体系统 - 获2024年工业界奥斯卡赫尔墨斯奖 实现自然语言指令生成150行自动化代码 开发效率提升50% 代码部署时间缩短30% [11][14] - 系统架构包含前台Industrial Copilot（人机交互接口）与后台Orchestrator（任务调度中枢） 支持多智能体协同作业 [15][17] - 典型应用场景：自然语言指令触发订单生产全流程 包括设备状态检查、产线调整、物料核算、AGV路径规划等 全程可视化监控 [18][19][20][22] 工业基础模型(IFM)技术壁垒 - 基于150PB多模态工业数据构建 包含时间序列模型GTT（1240亿参数）等专项模型 深度理解工程语义与工业逻辑 [24][25][35] - 与通用大模型本质差异：专精机器语言解析（图纸几何/PLC代码/传感器时序） 严格遵循工业安全约束 [26][27][28] - 数据采集需兼容Modbus/OPC UA/CAN等协议 处理毫秒至小时级多频数据 解决缺失值/异常点等质量问题 [43][45][47] 西门子工业AI生态优势 - 覆盖CAD/EDA/CAE/PLM/MES等全品类工业软件 服务全球40+行业40万+客户 PLC控制器占全球工厂1/3份额 [36][37][40] - 拥有1500名AI专家（250人专注基础研究） 500+活跃AI专利家族 欧洲AI专利申请量第一 [64] - 2024年战略动作：百亿美元收购Altair强化工业仿真 并购Dotmatics拓展生物医药领域 [67][68] 历史积淀与未来布局 - 1973年取得首项AI专利 1990年代推出全球首个神经网络焊接系统 2023年快速接入ChatGPT/DeepSeek等前沿技术 [58][59][60] - 2025年WAIC中国首秀Industrial Copilot系统 展示自主生产场景 [72] - 核心竞争力：百年工程知识沉淀+行业know-how 构建25年内难以复制的护城河 [32][54]