3 月 5 日消息，IBM、矿业勘探初创公司 KoBold Metals 和斯坦福大学正在利用 AI 技术来搜寻新的电池材料，它们的研究可以使电池的材料和矿物开采环节更加环保。

有学者预计，2050 年电动汽车将会达到 20 亿辆，将消耗大量锂、钴等金属用作电池材料，也会产生一系列环境问题。

为此 KoBold Metals 公司正在联合斯坦福大学开发一种 AI 智能体技术，以此搜寻那些开采时对环境影响最小的金属矿脉，有可能提高 20 倍的勘探效率。IBM 则使用现有电解质材料数据训练 AI，使 AI 可以设计出较为环保的分子电解质材料。

IBM AI 技术链接：点此查看

一、用 AI 加速勘探，应对金属需求急剧扩张

KoBold Metals 与斯坦福大学地球资源预测中心合作开发了一个 AI 智能体，这项技术可以帮助勘探者决定工作的地点与方式。

双方一起完善了 AI 智能体的顺序决策算法，来确定勘探者下一步应如何收集数据，如在现场上空驾驶飞机、收集钻探样本等。

斯坦福大学地质学家 Jef Caers 教授称，AI 智能体可以加快勘探决策过程，使勘探者能够一次评估多个地点。

他将该技术比作自动驾驶汽车，该车辆不仅可以收集、处理周围环境数据，还能根据环境数据采取行动，进行导航或改变车辆行驶速度。

而 KoBold Metals 的 AI 智能体技术，可以通过分析土壤样品、卫星的高光谱成像、历史中存留的手写钻探报告等数据，应用机器学习方法来预测矿体成分异常的位置。

▲ AI 可视化描绘了井眼电磁模型的预测图，左图为真实值，右图为预测值（来源：KoBold Metals）

KoBold Metals 联合创始人兼 CEO 库尔特 · 豪斯（Kurt House）称，当地下的各种矿藏都被发现时，人们意识到需要大规模改变当前能源种类，这种改变需要用到更多的金属矿物。

KoBold Metals 主要寻找铜、钴、镍和锂等矿物，而这些金属是电动汽车、太阳能板、智能手机等设备电池的关键材料。

根据《自然》12 月份的一篇论文，全球电动汽车的数量在 2019 年为 750 万辆，随着各国减少温室气体排放的努力，2050 年这个数字可能会变成 20 亿辆。

该论文的作者称，为这些车辆提供动力每年需要 12 太瓦（10^12 瓦）时的电量，大约为当前美国年发电总量的 10 倍，这意味着金属供应链将急剧扩张。

二、AI 智能体速度超人类 20 倍，降低勘探成本

Jef Caers 说：“如果我们现在想要减轻温室效应并摆脱化石燃料，我们需要在几年内制造更多的电池，不能再等待 10-20 年来期待发现更多的金属矿物。”

当前几乎所有的锂离子电池都使用钴，这种金属的主要供应地是刚果民主共和国，那里的成年人和儿童经常需要冒着生命危险进行开采。

铜也是一种重要的材料，但是铜开采的过程中需要大量的水资源，而目前大部分的铜矿都来自智利阿塔卡马沙漠附近的缺水地区。

在这种情况下，矿业公司很难在扩大开采的同时，不对当地的生态环境和人民生活造成破坏。

▲ Kurt House 在项目现场（来源：KoBold Metals）

Kurt House 称，如果想要减少开采对环境的影响，通常需要多次地址考察，以寻找优质的矿脉，而该 AI 智能体可以减少考察时间与成本。

这些步骤之前对于勘探公司来说成本较高，风险较大，所以公司经常为了避免浪费资源而行动缓慢。

而 AI 智能体做出这种决策的速度大概比人类快 20 倍，还能减少矿物勘探中的误报频率。Jef Caers 认为，这在地质科学中是一个全新的领域。

受比尔 · 盖茨领导的 Breakthrough Energy Ventures 基金支持，KoBold Metals 已经在澳大利亚、北美和撒哈拉以南非洲等三处地点进行了勘测，预计今年将收集到这三处地点的现场数据，这些数据也将首次证实 AI 智能体判断的准确程度。

三、IBM 训练 AI，设计新分子材料代替钴、锂成分

IBM 研究人员也在寻找电池中钴、锂等成分的代替成分，以设计符合可持续理念的电池。

其研究团队正在使用 AI 技术，来识别并测试比当前锂离子电池更加安全和高效的电解质。

该项目侧重于那些现有并且可以马上投入市场的材料，但是另外一项相关研究则希望创建新分子材料代替现有材料。

IBM 的 AI 专家使用生成模型（Generative Models）来训练 AI 学习已知材料的分子结构和这些材料的粘度、熔点、电子导电率等物理性质。

根据 IBM 专家 Seiji Takeda 和 Young-hye 的邮件，他们使用已知的电解质材料数据进行 AI 训练，以此来设计合适的电解质或离子导电聚合物。

一旦完成 AI 训练，研究人员就可以要求 AI“设计一种符合 X、Y 和 Z 特性的新型分子电解质材料”，AI 模型就会参考结构特征关系，设计候选材料。

目前 IBM 已经通过这种方法创建了一种名为 photoacid generators 的新分子，该分子可以帮助生产更环保的计算设备。

IBM 还通过这种技术，设计了更先进的高分子复合膜，其二氧化碳吸收效果更好，可以应用于碳捕捉技术中。

Seiji Takeda 和 Young-hye 称，设计更具可持续性的电池将会是他们的下一个目标。

结语：从决策到执行，AI 正提速材料创新

KoBold Metals 和 IBM 的研究证明，AI 技术可以在地质学和材料学领域发挥更大作用。在这两项研究中，AI 技术涉及了收集数据、分析数据、决策与执行等多个环节，正在逐步改变各领域的思维方式。

这或许将推动这两个领域更多的与 AI 领域研究者进行交流、合作。如果这两项 AI 研究成功，都可以有效地降低对环境的破坏，更好地推动可持续发展，也在展示了 AI 在这两个领域的前沿应用。

同时我们也看到，随着电动汽车产业的快速发展，电池技术的未来前景十分可观，这可能是电能替代化石燃料的重要一步。

本文由LinkNemo爬虫[Echo]采集自[https://www.ithome.com/0/538/415.htm]