中文啦

手机浏览器扫描二维码访问

第1819章 鱼（第2页）

“但现在看，你这最优解，”李乐指了指窗外特斯拉工厂的大致方向，“表现可不怎么优美。跟放烟花似的，当然，很灿烂。”

“路上总有颠簸。”马圣的语气毫无波澜。

“现在是唯一能在能量密度、成本和供应链成熟度上取得平衡的方案。安全问题，是工程问题。而工程问题，”他盯着李乐，“总能解决。用更好的BMS，更严密的热管理，更极致的系统控制。”

“想法挺好。可看你那电池管理系统现在的水平，啧啧啧，巧克力味的狗屎或许闻着香，可它还是狗屎。”

马圣灰棕色的眼睛倏地亮了一下，不是恼怒，而是一种近乎兴奋的探究。“你看出来了？”他身体微微前倾。

“不是我，”李乐坦然一指曹鹏，“是我弟说的。”

曹鹏正努力对付着厚实的牛肉饼，一听这话，差点噎住，幽怨地瞪了李乐一眼，那意思是“你又卖我”。

只得点头，“嗯，几千节串联并联，木桶效应放到最大，不一致性、局部热失控是大概率事件。刚才那火的颜色和燃烧状态，很像电解液或高分子材料燃烧，扑救困难，说明热管理和隔离可能没做好。BMS如果不够精细，预警和干预就……”

“你懂这个？”

李乐替曹鹏回答了，语气里带着点自家孩子被夸的得意和炫耀，“我弟，卡内基梅隆的计算机博士，专攻机器学习和人工智能底层算法，很牛逼的好不好。”

马圣放下汉堡，抽了张纸巾擦手，动作很慢，目光却牢牢锁在曹鹏脸上，像发现了新的矿脉，“具体研究方向？如何应用于复杂系统控制？”

这章没有结束，请点击下一页继续阅读！

曹鹏被对方灼热的目光看得有些不适，但谈到专业，语气便自然沉稳下来，“我现在的方向更偏重基于统计学习的模型优化和特征提取。比如，用多层神经网络做稀疏编码，来学习高维传感器信号中的特征模式，理论上可以用于更精准的电池状态估计和健康状态预测。传统的基于等效电路模型的方法，在动态工况和电池老化后误差会变大。”

“神经网络？黑箱模型。不可解释性在安全关键系统里是致命伤。”马圣立刻反驳，但并非否定，而是挑战，“你怎么确保它的输出在极端边界条件下仍然可靠？怎么防止过拟合？实时性如何？”

“所以需要混合架构。”曹鹏语速加快，显然被问题激发了表达欲，“不是纯黑箱。可以用物理模型提供基础框架和约束，用神经网络作为补偿器或特征提取器，学习模型偏差和非线性部分。解释性可以通过注意力机制、对中间层激活的可视化来部分解决。实时性靠模型剪枝、量化和专用硬件加速。”

马圣手指无意识地在桌面上敲击，“数据呢？高质量的训练数据从哪里来？尤其是故障数据、极端工况数据，你们实验室有吗？”

“这正是难点。”曹鹏承认，“仿真数据可以部分弥补，但和真实数据总有差距。我们实验室也在搭建更精细的电池测试平台，尝试用强化学习在仿真环境里探索边界，但最终还需要实车数据闭环。”

“我们可以提供数据。”马圣立刻说，仿佛这是个再自然不过的交易，“真实的、残酷的、包括各种失败工况的数据。你的算法，可以在我们的平台上验证、迭代。这是双赢。”

曹鹏沉吟了一下，摇摇头，“算法思路可以讨论，但直接应用……你们的系统架构我不了解，软硬件耦合太深。而且，”他顿了顿，看了李乐一眼，还是决定说实话，“神经网络模型即使再优化，在现有车载控制器算力下，做复杂实时估计，挑战很大。更实际的是先优化现有的基于模型的估计算法，比如扩展卡尔曼滤波或无迹卡尔曼滤波，引入更准确的电池模型参数在线辨识。”

接下来近半个小时，两人就着油腻的桌面和在吃剩的薯条包装纸上的写写画画，进入了深度的技术攻防。