电池化学选择权：AI辅助研发与技术组合估值

1. 界定交易与估值问题

分析应从待作出的决策开始。种子轮或成长股权融资、战略投资、合资、许可、收购、项目融资或组合出售，都有特定的估值基准日、范围、资金需求、控制结构和证据门槛。科学前景应转化为该交易所承载的权利、资产、义务和开发路径。

核心问题是：在可用资本和时间范围内，哪些化学选项能够产生达到应用认证要求的性能与现金。模型应区分研究候选物、受保护的发明、已验证材料、原型电芯、中试工艺、客户项目和商业化生产。还应将运营平台的价值与单项化学路径的价值分开。

决策证据应被冻结并注明日期。每项重大主张都应说明其来源、测试条件、不确定性、责任人和验证状态。可解决的缺口应纳入尽职调查；剩余不确定性可影响价格、分阶段出资、里程碑、保证、治理、清算优先权、许可范围或或有对价。这将科学上的选择权转化为交易时间表。

2. 确立法律、科学和经济边界

该边界应识别法律实体、实验室、试验线、设备、数据、样本、专利、软件、许可、赠款、合作协议和人员依赖关系。与大学、国家实验室、客户和供应商的关系可分配背景知识产权、前景发明、发表权和商业领域。估值不能假设公司并不控制的权利。

科学边界应识别正极、负极、电解质、隔膜、界面、电芯设计、化成协议、电池管理系统和电池包假设。所主张的化学体系可能依赖若干互补组件。经济边界应显示哪些组件为专有、采购、许可或通过受限关系供应。

共享设备和数据既能带来收益，也会造成依赖。尽职调查应审查访问权、重置成本、可转让性、控制权变更条款、赠款义务和出口管制。预测应仅包含在拟议交易后仍能存续、并可在有文件记录的权利下运营的能力。

3. 构建化学体系选项树

该选项树应按材料体系、电芯架构和预期应用，对现有锂离子改进方案和新兴技术路径进行映射。分支可包括磷酸铁锂（LFP）和富锰正极、富镍体系、富硅或锂金属负极、钠离子、固态、锂硫、铁空气和液流电池体系。每个分支都应说明其与现有技术是竞争、互补，还是服务于不同的使用场景。

用受控组合、自有权利和目标应用替换示例分支。

当各分支依赖同一未解决机理时，该树应防止将宽泛的专利族或研究平台呈现为若干独立商业资产。它还应揭示共享学习、共同基础设施和不兼容的制造路线。选项应按达到下一决策关口所需的证据和资本进行分组。

4. 在比较化学体系之前先定义目标应用

电池价值因应用而异。乘用车、重型运输、航空、消费电子、工业设备、短时电网储能和长时储能需要在能量密度、功率、循环寿命、日历寿命、安全性、温度、充电速率、占地面积、重量和成本之间取得不同平衡。某种化学体系可能在某类应用中占优，而在另一类应用中不具经济性。

应用说明应定义工作循环、运行环境、使用寿命、充电模式、保修、系统边界和客户约束。它应纳入电池包或系统层面的影响，而不是仅依赖电芯指标。热管理、包容、控制和辅助系统设备可能改变材料结果所暗示的优势。

商业模型应识别买方、采购路径、替代方案、认证流程和支付意愿。可服务市场并不能证明产品适配性。价值应来自客户能够测试并可签约的特定性能成本主张。

5. 建立科学证据台账

表1. 电池化学证据台账

证据字段应适配材料体系、电芯形态和预期应用。

每项主张都应关联组成、批次、工艺、样品、电芯设计、测试方案、原始数据、分析代码、结果和审核人。更正应保留先前数值和生效日期。重复次数、缺失数据、排除项和失败实验都应保持可见。一张选定的图表若缺少其分母和未成功试验，就是薄弱的交易证据。

双向可追溯性很重要。评审人应能从估值主张追溯到相关电芯，也能从选定的电芯回溯到材料批次、合成、组装和测试条件。台账应区分仿真、模型预测、实验室观察、独立复现、中试证据和客户结果。

6. 管理数据来源与科学可比性

电池数据集汇集文献、仿真、供应商数据、内部实验和公共数据库。单位、命名惯例、样品历史和测试条件可能不同。来源信息应标明原始来源、许可、转换、质量检查和允许用途。使用保密合作伙伴数据进行训练可能产生限制，这些限制在模型导出后仍然存在。

可比性需要明确的参考设计和方案。报告的能量密度可能指活性材料、电极、电芯或电池包；循环寿命取决于放电深度、温度、充电倍率和寿命终止定义。成本可能代表原材料、电芯生产或完整系统。证据模型应保留这些边界。

数据质量应就完整性、代表性、一致性、准确性以及与目标决策的相关性进行评分。由不兼容实验拼合而成的大型数据集，其决策价值可能低于较小的受控系列。交易披露应说明重大缺口以及弥补这些缺口所需的工作。

7. 明确 AI 在研发工作流中的角色

AI 可支持文献抽取、分子与晶体表示、性质预测、候选排序、实验选择、异常检测和工艺优化。每种用途都应说明输入、预测目标、决策、人工权限和验证方法。AI 这一标签不应将不相关的能力合并为一个不加区分的平台主张。

工作流应将生成与验证分开。模型可以筛选庞大的化学空间，却仍可能产生不稳定、难以合成、不安全或依赖不可获得材料的候选物。物理实验仍是检验相关主张的手段。只有当阴性结果在无选择偏差的情况下被记录时，它们才能改进模型。

投资论证应量化 AI 所改变的决策：更少的实验、更快的周期时间、更高的命中率、更强的可复现性或更好的工艺窗口。应包括计算、数据整理、实验室自动化、专家评审和集成成本。活动量和模型新颖性并不构成经济价值。

8. 验证分子与材料模型

验证应反映模型将用于的性质和化学域。当近似重复的分子或结构出现在不同集合中时，随机训练-测试划分可能高估性能。基于时间、基于骨架、基于组成和域外测试可为向真正新候选物的迁移提供更强证据。

评分卡应报告误差分布、校准、不确定性、失效模式和适用域。当模型用于选择实验时，排序质量可能比平均数值误差更重要。可燃性、枝晶形成或界面不稳定性等罕见但后果重大的性质需要专门证据。

基准测试应将模型与专家选择、基于物理的方法以及更简单的统计基线进行比较。数据、分词、架构和性质标签的变更应一并纳入版本管理。估值应体现已证明的决策效用，而不是基础模型的规模或计算资源分配。

9. 采用受控实验选择的主动学习

主动学习可以选择在预期性能、信息增益、不确定性和实验室可行性之间取得平衡的实验。应在结果已知之前记录采集策略。约束条件应包括可用的前驱体、合成条件、安全性、设备、成本和时间。

该计划应在利用有前景区域的同时保留具有代表性的探索集。仅集中于预测的优胜者可能会强化模型偏差，并使不确定性被隐藏。当记录完整时，合成失败和零结果是有价值的证据。

经济评估应衡量每单位时间和支出下的候选物质量，包括搭建和表征。更快的选择循环在能提前做出决策、排除不良路径或产生可复现候选物时创造价值。它也可能在不提高商业成功概率的情况下加速支出。

10. 构建自主实验室控制系统

自动化实验室将模型选择、机器人技术、合成、测量、分析和反馈连接起来。控制系统应说明允许的操作、仪器限制、物料保管、校准、异常处理以及人工批准。安全关键决策和危险过程需要受保护的联锁装置和具备资质的人员监督。

可复现性应在时间、仪器、操作人员和实验室之间进行测试。自主序列可以高效地重复系统性测量误差。参考物质、空白样、重复实验和独立测定应嵌入工作流程。

商业论证应包括利用率、吞吐量、故障恢复、维护、耗材和专业人员劳动。实验室自主性可以增加数据量；当受控实验改善选择权决策并缩短获得应用证据的路径时，企业价值才会产生。

11. 将预测、合成和电化学验证分开

预测出的稳定结构并不是已合成的材料。已合成的材料并不是功能性电极。有前景的半电池并不是合格的全电池。证据阶梯应将这些状态分开，并明确推进所需进行的测试。

合成记录应显示相纯度、形貌、组成和产率。电极证据应包括负载量、孔隙率、黏结剂、导电添加剂、厚度和制造路线。电池证据应说明对电极、电解质、容量平衡、化成和测试条件。

估值应对下一个尚未验证的转化应用概率和资本。模型预测可以降低搜索成本，但不能被视为自有商业库存。随着独立物理证据消除重大不确定性，选择权价值应增加。

12. 创建通用的化学性能矩阵

表2. 特定应用场景的化学比较

将定性条目替换为目标应用中受控且可比较的证据。

该矩阵应对每条技术路径使用相同的边界和运行条件。每个数值旁应显示置信度、成熟度和来源。不应将最佳实验室结果与保守的商业规格进行比较。

权衡关系应明确。更高能量可能增加材料成本或安全负担；更快充电可能缩短寿命；丰富材料可能需要新的加工基础设施。应用价值应根据完整系统和服务结果来计算。

13. 对退化与寿命证据建模

电池价值取决于性能随时间、循环、温度、荷电状态和占空比的变化方式。退化可能由多种耦合机制引起。项目应将电化学结果与物理表征联系起来，并区分可逆损失与永久损伤。

加速测试需要经过验证的与使用条件的关系。短期高应力测试方案可以对候选方案进行排序，但可能歪曲日历老化或现场交互。寿命外推应说明模型形式、数据范围、不确定性以及确认所需的证据。

保修和客户经济性应采用成熟且与应用相关的队列。对于初始性能优异但寿命证据薄弱的化学体系选项，应保留开发储备。预测应包含使退化证据成熟所需的时间和成本。

14. 在材料、电芯和系统层面验证安全性

安全证据应涵盖材料反应性、热稳定性、产气、短路、滥用响应、传播和系统控制。材料层面的优势可能被制造缺陷、界面不稳定或电池包设计所抵消。适用标准和客户要求应按应用和地域进行映射。

测试应使用具有代表性的电芯和可信的最坏情况状态。通过一项测试方案并不能证明在所有形式、老化程度和条件下都能安全运行。事故、未遂事件和破坏性测试应记入证据台账。

估值应反映围堵、监测、认证、保险、召回和整改要求。安全关键的不确定性可能影响市场准入和融资结构。若没有合格的决策流程，就不能用有利的能量指标来抵消这种不确定性。

15. 尽早评估可制造性

材料应就合成收率、纯度、湿度敏感性、操作处理、涂布、干燥、压延、装配、化成和质量控制进行评估。在手工制作电芯中表现良好的化学体系，在转移到更厚电极、更大规格或更快生产时可能失败。

可制造性实验应确定关键工艺参数和可接受窗口。应包括设备兼容性、环境控制、溶剂回收、危险物料处理和检验。方案图应显示哪些现有资产可以复用，哪些需要新生产线。

早期的面向制造设计工作可以防止一条在科学上具吸引力的技术路线累积隐性放大成本。交易模型应区分实验室配方成本、中试转化成本和成熟生产成本，并明确收率和产能利用率假设。

16. 构建技术成熟度与证据矩阵

评分仅作示意；应将其替换为经独立审查的证据和关口定义。

成熟度应由可观察的证据来定义，而不是由缺乏支持的数值来定义。科学成熟度、电芯性能、制造、客户、供应链和经济成熟度可能以不同速度推进。最薄弱的关键维度往往决定下一项融资决策。

关口定义应明确所需测试、验收阈值、负责人、独立审查人、成本和时间安排。推进过程中应保留失败的证据和条件。投资组合仪表板应同时显示当前成熟度以及达到下一个价值拐点所需开展的工作。

17. 按转化环节量化放大风险

放大应建模为一个序列：材料批次、电极、小电芯、大电芯、模组或系统、中试工艺、客户样品和合格生产。每次转化都可能改变界面、热行为、均匀性、收率和控制要求。

团队应识别哪些物理机制预计保持稳定，哪些需要新的证据。仅靠几何放大是不够的。更大的电芯可能改变电流密度、压力、散热和缺陷后果。中试设备生产的材料可能与实验室方法不同。

概率模型应为每个转化环节赋予不确定性，并应避免在没有证据的情况下将任意百分比相乘。技术审查、可比项目和观察到的投资组合历史可为区间提供依据。资金应与下一个能改变决策的转化环节挂钩。

18. 保护知识产权与自由实施

知识产权可包括组成、工艺、电芯设计、控制软件、数据、专有技术和测试方法。若没有权利要求范围、司法管辖区、剩余寿命、所有权以及与商业产品的关联，专利数量是较弱的价值指标。商业秘密需要有成文记录的管控措施和人员连续性。

自由实施审查应涵盖预期材料、工艺、应用和地域。一项专利可能有效但商业范围狭窄；一个有前景的产品可能面临第三方权利。应检查合作、雇佣和赠款协议中的转让、许可、发表和政府权利条款。

估值应区分阻断性权利、使能性专有技术和防御性申请。还应包括审查、异议、规避设计和许可的成本与时间。由 AI 生成的候选方案需要根据适用法律，清晰记录人类贡献、数据权利和发明决策。

19. 评估数据与平台的可转移性

化学研发平台可通过共享数据集、自动化、模型和实验方法支持多个项目。转移价值应在受控测试中跨材料或应用加以证明。仅限于某一狭窄领域的成功不应被估值为通用发现引擎。

数据权利应涵盖训练、验证、基准测试、保留、客户使用和控制权变更。模型应可导出、有文档记录且可复现，不依赖任何个人或无法访问的计算环境。实验室方法应在设备更换和团队更替后仍能延续。

平台价值应与各个选项的价值分开，以避免重复计算。平台通过在各项目之间可重复地缩短决策时间、降低成本或失败风险来创造价值。预测应包含持续发生的数据、计算、实验室和专家成本。

20. 梳理关键材料与供应链风险敞口

每条路径都应梳理活性材料、前体、工艺步骤、地理集中度、供应商资质、价格敞口和回收路线。避开一种关键矿物可能引入另一种受限材料或不成熟工艺。供应风险应在规格和加工层面评估，而不仅按元素评估。

该图应展示当前和规模化后的需求、替代供应商、最低订购量、交货周期、纯度、物流和环境义务。实验室级可得性并不能证明商业供应。客户的本地化与本地含量要求可能影响合格市场和激励措施。

当某种化学方案能降低特定应用中的集中度或价格敏感性时，供应链可选性可创造战略价值。估值应包含使替代方案通过资格认证的成本和时间，并应检验现有化学方案的价格如何影响竞争力。

21. 按系统总成本比较化学路径

成本比较应将材料数量和价格与转化率、收率、化成、质量、电池包集成、热管理、控制、辅助系统、保修和回收联系起来。活性材料成本低可能被低能量密度、额外封装、制造速度较慢或寿命较短所抵消。系统边界应保持一致。

模型应将当前观察到的成本与成熟目标成本分开。学习率、规模经济、工艺改进和投入品价格假设都需要证据支持。现有技术在不断改进，而新兴路径也在发展，因此静态基准可能高估未来优势。

总拥有成本应反映客户使用工况、融资、效率、更换和残值。当该选项在可信的制造和资格认证计划下达到决策阈值时，便具有经济意义。仅凭材料清单声称的成本平价是不够的。

22. 构建供应链与应用图

该图谱应识别自有能力、合同化获取渠道、集中度和资格认证缺口。

该图谱应把上游规格与下游应用性能连接起来。即使另一种材料在化学上看似相似，替代也常常受制于工艺和客户认证。产能公告应与已投产且通过认证的供应区分开来。

商业尽职调查应沿合同、交付周期、定价机制、质量历史和替代路径追踪每项关键依赖。组合模型应识别共享集中瓶颈的选项，并避免将其视为彼此独立的分散化来源。

23. 整合可持续性与监管证据

电池技术路线可能在矿产开采、能源使用、水资源、排放、危险材料、耐久性、维修、梯次利用和回收方面存在差异。环境比较应采用一致的生命周期边界，并说明地理范围、电力结构、回收假设和数据质量。实验室材料声明不能证明其生命周期影响更低。

应按目标市场和用途梳理适用的电池、化学品、产品、运输和废弃物规则。产品信息、碳足迹、再生含量和尽职调查义务可能影响数据架构和供应商选择。时间安排和适用范围应由具备资质的法律顾问确认。

估值应包括合规、测试、报告、修复和报废成本。可持续性属性只有在可衡量、可验证且与合同相关时，才能支持客户价值。愿景性目标不应计入已实现收益。

24. 明确客户认证路径

认证应明确客户、产品、应用、样品阶段、测试计划、验收标准、审核、设计冻结和变更控制流程。研究样品、工程电芯、A样、量产意向样品和批量认证应保持区分。应准确转述客户表述，不得将兴趣转化为承诺。

该路径应显示样品数量、交付周期、失效响应、工装、中试产能和客户资源。技术上成功的测试仍可能因时间安排、系统集成、采购、质保或战略变化而无法转化为收入。预测应使用观察到的转化证据和明确的阶段概率。

客户集中度和项目依赖应清晰可见。某一化学体系方案可能非常适合某一买家，但可迁移性有限。交易条款可将价值与独立认证、合同量或生产验收挂钩，而非管理层标记的接洽。

25. 衡量组合学习与选项互动

各选项可共享材料数据、测试方法、自动化、供应商、工艺知识和客户关系。组合模型应识别真实的学习溢出和负面互动，例如对实验室产能、资本或专家注意力的竞争。共享资源既是协同效应，也是约束条件。

学习应通过更少实验、更高可重复性、改进预测、更快识别失败以及跨项目迁移来衡量。出版物和数据集可支持学习，但不能证明商业进展。证据应把共享能力与已改变的选项决策联系起来。

投资组合治理应防止沉没成本或技术热情使薄弱路径得以保留。项目可以停止，同时其数据仍保留平台价值。期权台账应记录延续、转型、合作、许可和终止决策，并载明理由和回收的经验教训。

26. 设定终止、转型和加速标准

每条路径都应具有预先设定的延续标准。技术标准可包括性能、可重复性、退化、安全性和规模过渡。商业标准可包括应用优势、客户支持、供应链、成本和时间。资本标准应包括剩余支出、资金跑道和融资可行性。

终止标准应识别会使价值主张失效或使下一项实验不经济的结果。转型标准可在证据支持变化时，将某一化学体系转向另一应用或商业模式。加速标准应要求有足够证据和能力来证明增加支出的合理性。

决策应由负责任的技术和商业负责人作出，并接受独立质疑。在结果已知后更改阈值应予以记录。这种纪律将选择性从无限期研究的借口转变为受控的资本配置体系。

27. 构建概率调整后的期权模型

仅为示例数值；请替换为经独立验证的概率、现金流、时间安排和资本需求。

模型应定义成功时的商业价值、达到该状态的概率、时间安排、剩余资本、稀释、税务和风险。概率应附于可观察的关口，并应以获得资金为条件。当各期权共享材料、机理、工艺或客户假设时，应对期权之间的相关失败进行建模。

成功时的价值应使用特定应用的销量、价格、利润率、资本和竞争假设。不应将全部市场份额套用于每个期权。模型应包括许可、合作和出售路径，前提是这些路径是自建制造的可信替代方案。

概率调整后的价值是决策辅助工具，而非证据的替代品。区间和敏感性应显示哪些假设主导结果。同一期权不应既作为独立项目计入，又在平台倍数中重复计入。

28. 协调战略法、收益法和市场法

收益法可对概率调整后的现金流或里程碑付款建模。市场法可考察可比交易、公司或许可，同时就证据、权利、应用、成熟度和资本需求进行调整。成本法可为重置或复制提供参考，但通常无法捕捉成功的期权价值。

战略价值可源于供应安全、应用准入、节省的时间、阻止权、制造学习或组合契合度。每项协同效应都应有负责人、行动、时间安排、成本和独立基准。买方为规模扩张提供资金的能力不应悄然转化为卖方价值。

估值结论应协调各估值方法并解释差异。较大的不确定性可支持区间、分阶段对价或期权结构。缺乏技术证据支持的精确性会制造虚假信心。

29. 将研发速度转化为经济价值

更快的研究在能够提前实现现金流、剔除失败路径、降低所需资本或提高通过验证的概率时创造价值。模型应识别由 AI 或自动化改变的决策日期及其下游影响。仅凭实验室吞吐量并不构成完整收益。

时间节省应扣除数据整理、自动化设置、模型验证、合成、表征和排队约束的影响。更快的早期阶段可能将瓶颈转移至中试生产或客户测试。整合计划应识别关键路径。

经济价值可通过避免支出、更早建立合作、降低稀释或加速市场进入来估算，并考虑概率和折现。声称将周期从数年压缩至数月应被视为目标，直至项目证据予以支持。

30. 构建整合的开发与现金预测

预测应将实验、候选项目、规模转换、人员编制、设备、材料、客户样品、验证和融资连接起来。每个项目应设有基准、下行情景和终止情景。共享平台成本应一致分摊，且不得掩盖某一选项的真实成本。

现金消耗应反映实验室使用率、外部测试、算力、知识产权、监管工作、中试活动和长交付周期设备。里程碑应设定有证据支持的日期，并包含失败恢复安排。没有融资缓冲的技术计划可能摧毁选择权价值。

董事会应将月度实际数与项目产出和决策关口进行核对。差异应识别范围、生产率、结果和进度。预测改进仅应在证据改变相关假设后纳入。

预测构建应从实验和批次层面开始，只有在单位一致后才汇总。项目在不同阶段可能报告候选数量、电芯数量、安时、千瓦时、中试吨数和客户样品。这些指标应与推进某一选项所需的工作、时间和支出相连接。若预测从实验室候选项目直接跳至商业收入而缺少中间转化步骤，则会掩盖主要投资风险。

资源负荷规划应识别稀缺仪器、干房时间、中试设备、专业评审人员和客户测试窗口。延误往往源于排队和依赖关系，而非单个实验的名义持续时间。关键路径应包括采购、安装、校准、材料交付周期、安全审查、样品物流和反馈。并行活动可以缩短进度，也可能在证据支持承诺之前增加现金消耗。

下行情景规划应假设优先实验失败、材料批次无法获得、某项测试必须重复或客户窗口发生变动。管理层应说明哪些支出可以停止、哪些承诺是固定的。流动性模型应保留有序决策的路径，而不是在决定性关口前夕被迫在困境中融资。

投资组合预测还应说明每一笔支出批次预期带来的信息价值。支出可以通过确认强路径、否定弱路径或揭示更优应用来创造价值。仅报告有利的技术里程碑会忽视有充分证据支持的早期终止所带来的经济利益。因此，资本效率不仅应衡量技术产出的数量，还应衡量决策的质量和时机。

31. 设计基于里程碑的融资

仅为示意性数值；请替换为经独立验证的商业价值、概率、时间安排和融资需求。

敏感性分析应与证据关口结合解读。更高的概率应来自可复现的技术、制造和客户证据，而非管理层信心。剩余资本应包括达到既定商业化状态的全部成本，包括失败恢复、营运资金和融资费用。模型可能在若干组合下显示正价值，但如果流动性无法到达下一个关口，仍可能不可行。

董事会应识别能够使该期权从一个概率区间移动到另一个概率区间的证据。独立复现可降低科学风险；试点活动可降低工艺风险；客户认可可降低应用风险。当这些变化相互依赖时，不应机械相加。例如，使用实验室电芯成功进行的客户测试，可能使制造概率在很大程度上仍未解决。

资本敏感性分析也支持合作决策。具备合格制造能力、材料能力或客户渠道的战略合作伙伴，可以在获得经济利益或控制权的同时，降低所需资本和时间。独立运营情景和合作情景应明确确认这些转移。公司不应将合作伙伴的基础设施声称为自有价值，并应反映排他性、领域限制、治理和终止权。

融资设计应考虑部分成功的后果。材料可能达到性能目标，却未达到工艺成本要求；客户可能接受样品，却推迟平台发布。里程碑文件应界定验收结果、补救流程和决策权。含糊的里程碑恰恰可能在新资本需要时引发争议。

融资应消除那些阻碍客户认定和现金回笼的不确定性。里程碑可以包括可复现材料、独立电芯验证、安全结果、中试批次、制造良率、客户样品验收、合同化开发、设计冻结和生产认证。每项都应有来源、责任人和验收测试。

股权可以吸收研究和投资组合的不确定性。战略资本可以带来应用、供应链或制造能力，并可能引入排他性或控制限制。赠款可以为明确界定的工作提供资金，并可能附带报告、访问或商业义务。债务通常需要更强的资产、完工和现金证据。

分批融资、认股权证、许可、合资企业和或有对价可以使资本与证据相匹配。条款应保留足够资金跑道，以便在下行情景下到达下一个关口。里程碑应具有技术意义，并能够抵御表面性满足。

32. 准备技术组合数据室

表 3. 电池技术组合数据室

访问权限应受到控制，证据应与源系统进行核对。

数据室应保留科学证据与财务证据的版本、日期、所有者和相互关系。摘要应链接至原始记录。重大失败实验、争议、限制、安全事件和项目中止应连同背景和补救措施予以披露。

审核人员应独立选取样本并复现证据链。访问控制应保护商业秘密，同时允许达到决策级别的验证。无法获取的证据应作为缺口记录，而不是凭记忆重建。

33. 同步开展科学和商业尽职调查

科学尽职调查应检验成分、机制、可重复性、测试质量、降解、安全性和规模化转换。商业尽职调查应检验应用需求、客户流程、竞争、供应链、成本和资质认证。两个工作流应使用同一选项图，并核对假设。

技术优势可能在商业上无关紧要；客户问题可能超出该化学体系的能力范围。联合评审应识别决定性能与价值的少数关键变量。管理层的解释应与实验、合同、预算和进度安排相挂钩。

尽职调查发现应纳入价格、结构、条件、保证、整合和融资安排。不改变交易决策的长篇技术附录价值有限。未决事项应说明重要性、责任人、补救措施、成本和完成证据。

34. 评估团队和关键人员转移风险

电池项目依赖材料、电化学、工艺、建模和客户认证方面的隐性知识。尽职调查应识别谁能够复现每项关键方法、解读异常并操作设备。应审查雇佣、咨询、发明和留任安排。

文档应使有能力的团队能够重复材料合成、电芯组装、测试、分析和模型部署。即使存在专利，过度集中于一名创始人或科学家也会增加连续性风险。继任和知识转移计划应进行成本测算。

交易模型应包括留任、招聘、搬迁和整合。团队价值取决于其在拟议结构下继续留任的意愿和能力。不能仅凭历史关联就假定团队价值。

35. 控制网络安全、模型和实验室风险

研究环境包含敏感配方、合作伙伴数据、仪器控制和知识产权。控制措施应覆盖身份、访问、分段、补丁、日志、备份、安全开发、供应商访问和事件响应。实验室可用性和数据完整性需要经过测试的恢复能力。

模型包应进行版本管理，并防止未经授权的变更。训练数据、代码、参数、环境和输出应可复现。自动化设备应具有受限权限、安全状态和独立联锁。

网络尽职调查应检查架构、事件、未决发现、恢复演练和关键依赖。保险不能替代控制。重大缺口应影响范围、整改成本、整合和估值。

36. 构建董事会投资组合仪表板

表 4. 董事会化学组合仪表板

同时报告证据、不确定性和现金；避免无依据的精确性。

仪表板应显示自上次评审以来的变化，而不仅是当前状态。它应指出哪些证据改变了概率、价值、时间或资本。没有来源和不确定性的绿色标签是薄弱的治理。

董事会应审查投资组合集中度、相关风险、资源瓶颈和资金跑道。决策应保留审计轨迹。技术负责人和财务应使用相同的选项标识符和关口定义。

37. 对投资组合集中度和相关性建模

多元化需要相互独立的驱动因素。多种化学路线可能依赖相同的锂价、电解质机理、中试线、创始人、客户或监管假设。模型应识别共同成因，并对这些成因进行联合压力测试。

集中度应基于预期价值、剩余资本、时间、应用、客户和关键资源进行评估。一个小型项目可能消耗不成比例的稀缺专家或中试能力。当早期实验能为多条路径提供信息时，组合排序可以创造价值。

情景分析应测试现有技术成本下降、材料价格反转、客户延迟、规模化失败和融资约束。组合价值应体现随着证据变化而停止、推迟、合作或重新定向各项选择的能力。

38. 规划交易整合与价值获取

收购方或战略投资者应明确交割后实验室、数据、模型、知识产权、团队、供应商和客户项目将如何运作。如果系统、设备或决策权发生变化，整合可能中断实验和资格认证。应在签署前识别连续性要求。

价值获取计划应就数据迁移、模型可复现性、知识产权控制、实验室访问、供应商资格认证和客户沟通指定负责人。协同效应应与独立选择权价值分开，并应由具体行动和成本支撑。

前一百天应保留科学证据和项目节奏，同时检验核心主张。当各选项的实验需求不同时，整合不应迫使每个选项进入同一流程。治理应保留停止和转向的权限。

39. 采用百日选择权价值计划

表5. 百日化学路线选择权价值计划

时间安排仅为示意，并应反映交易范围、成熟度和客户承诺。

该计划应由可问责的科学、工程、商务、法律和财务负责人共同推进。每周证据审查应弥合关键缺口并统一各项定义。独立审查应聚焦于决定交易价值的各项主张。

当核心期权、平台、概率、资本和客户主张能够从受控记录中复现时，即达到就绪状态。当不确定性被明确说明并得到适当结构化处理时，混合结果可以支持交易。治理体系应在交割后继续运行。

40. 结论

AI 辅助的研发可通过搜索更广的空间、确定实验优先级并将数据与受控学习相连接，改进电池发现和投资组合决策。当模型预测能够转化为可复现的材料、与应用相关的电芯、可规模化工艺、客户验证和现金时，价值才具备可辩护性。没有这一链条，搜索速度和峰值性能仍不足。

董事会和投资者应将化学路径视为以证据为门槛的期权。他们应在一致的系统边界下比较技术，保留失败证据、测试数据和知识产权，梳理关键材料，界定终止标准，并将每项转型与资本相衔接。投资组合多元化应考虑共享机理、人员、设备和市场。

交易论证应核对科学、制造、客户和财务证据。概率调整模型应揭示决定价值的假设，并应在不确定性仍然存在时支持分阶段融资或或有结构。该框架将宽泛的创新叙事转化为一个可供决策的组合，涵盖应用、里程碑、现金需求和战略选择。

在融资或收购之后，投资组合应保持动态。新的实验、现有企业成本变化、材料可得性、客户反馈和监管进展，都可能改变优选路径和资本顺序。治理应要求，当证据跨过既定阈值时进行有日期的重新评估。审查应将原始投资论证与实际观察结果相核对，保留对变化的解释，并识别价值究竟来自预期期权，还是来自有纪律的转向。这一持续的证据循环保护决策质量，支持透明的投资者沟通，并防止有吸引力的历史叙事取代当前的科学和商业地位。

证据应始终保持可复现。

参考文献

1. 国际能源署，《全球电动汽车展望 2026：电动汽车电池》， https://www.iea.org/reports/global-ev-outlook-2026/electric-vehicle-batteries
2. 国际能源署，《全球电动汽车展望 2026：执行摘要》， https://www.iea.org/reports/global-ev-outlook-2026/executive-summary
3. 国际能源署，《全球电动汽车展望 2025：电动汽车电池》， https://www.iea.org/reports/global-ev-outlook-2025/electric-vehicle-batteries
4. 国际能源署，《电池与安全能源转型：执行摘要》， https://www.iea.org/reports/batteries-and-secure-energy-transitions/executive-summary
5. 国际能源署，《2025年能源创新现状：执行摘要》， https://www.iea.org/reports/the-state-of-energy-innovation-2025/executive-summary
6. 国际能源署，《2025年全球关键矿产展望：超越NMC电池》， https://www.iea.org/reports/global-critical-minerals-outlook-2025/beyond-nmc-batteries-supply-chain-issues-for-emerging-battery-technologies
7. 国际能源署，创新如何帮助保障未来电池市场和矿产供应， https://www.iea.org/commentaries/how-can-innovation-help-secure-future-battery-markets-and-mineral-supplies
8. 美国能源部，AI 赋能能源， https://www.energy.gov/sites/default/files/2024-04/AI%20EO%20Report%20Section%205.2g%28i%29_043024.pdf
9. 美国能源部，设计具有可预测功能的材料， https://www.energy.gov/undersecretaryforscience/genesis-mission/designing-materials-predictable-functionality
10. 美国能源部，实现由AI驱动的自主实验室， https://www.energy.gov/undersecretaryforscience/genesis-mission/achieving-ai-driven-autonomous-laboratories
11. 美国能源部，借助机器人实验室快速验证的材料合成新方法， https://www.energy.gov/science/bes/articles/new-approach-materials-synthesis-quick-validation-robotic-lab
12. 阿贡领导力计算设施，构建AI基础模型以加速新电池材料的发现， https://www.alcf.anl.gov/news/building-ai-foundation-models-accelerate-discovery-new-battery-materials
13. 阿贡领导力计算设施，用于储能与能量转换的分子设计基础模型， https://www.alcf.anl.gov/science/case-studies/foundation-models-molecular-design-energy-storage-and-conversion
14. 阿贡领导力计算设施，用于氧化还原液流电池的自主分子设计， https://www.alcf.anl.gov/science/projects/autonomous-molecular-design-redox-flow-batteries
15. 阿贡领导力计算设施，用于储能与制氢的非均相反应动力学， https://www.alcf.anl.gov/science/projects/heterogeneous-reaction-dynamics-energy-storage-and-hydrogen-production-0
16. 阿贡国家实验室，BatPaC 模型软件， https://www.anl.gov/amd/batpac-model-software
17. 国家可再生能源实验室，先进技术的供应链与成本分析， https://www.nrel.gov/manufacturing/advanced-tech.html
18. 国家可再生能源实验室，电池物理多尺度建模， https://www.nrel.gov/transportation/multi-scale-battery-physics-modeling.html
19. 美国能源部，国家锂电池蓝图 2021-2030， https://www.energy.gov/sites/default/files/2021-06/FCAB%20National%20Blueprint%20Lithium%20Batteries%200621_0.pdf
20. 欧盟，《关于电池和废电池的 (EU) 2023/1542 号条例》， https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:32023R1542
21. 欧盟，制定人工智能统一规则的（EU）2024/1689 号条例， https://eur-lex.europa.eu/eli/reg/2024/1689/oj
22. 美国国家标准与技术研究院，人工智能风险管理框架 1.0， https://www.nist.gov/itl/ai-risk-management-framework
23. 国际标准化组织，ISO 9001 质量管理体系， https://www.iso.org/standard/62085.html
24. 国际标准化组织，ISO/IEC 42001 人工智能管理体系， https://www.iso.org/standard/81230.html
25. 联合国，《关于危险货物运输的建议书·试验和标准手册》第 38.3 小节， https://unece.org/transport/dangerous-goods/rev7-files
26. 国际估值标准理事会，《国际估值标准》， https://ivsc.org/standards/