继昨日全新一代唐上市后,6月27日,比亚迪年产能24GWh的动力电池工厂在青海正式下线。同时,比亚迪宣布2020年动力电池总产能将增至60GWh。
规模全球之最 可满足120万台“唐”电池需求
青海锂资源极为丰富,集中了我国70%以上的锂资源储量,是我国、乃至全球重要的锂资源基地。位于青海南川工业园的比亚迪动力电池工厂,占地1500亩,相当于140个标准足球场的面积。这一巨型电池工厂2019年全部投产后,年产能可达24GWh,将成为全球规模最大的动力电池工厂,若以比亚迪刚刚上市的全新一代“唐”(插电式混合动力版本)的电池为20KWh/辆计算,相当于可满足120万台“唐”的电池需求。
比亚迪青海动力电池工厂
根据规划,2020年比亚迪动力电池总产能预计可达60GWh。此前,广东深圳和惠州的两个基地,共计为比亚迪带来了16GWh的动力电池年产能。
活动现场,比亚迪董事长兼总裁王传福表示:“电动化已经成为定局,各国禁售传统燃油车的时间表已经陆续发布,新能源汽车行业将迎来更大的爆发。”
彭博新能源财经(BNEF)预计,未来全球新能源车的电池需求将十分强劲,至2030年将超过1500GWh。
比亚迪青海动力电池工厂的投产,将进一步缓解全球高端动力电池产能的紧缺,推动新能源汽车行业健康、高速发展。
每一块电池都有ID 可智能追溯
除了规模巨大之外,高度的智能化、信息化也是比亚迪青海电池工厂的一大特点。
据悉,青海电池工厂采用的是比亚迪全球首创的第六代动力电池产线,整个生产过程,不仅由近百个机器人、MES信息化系统(Manufacturing Execution System)、智能物流系统以及多功能无人搬运车,实现产线的自动化和信息化,且能够将全自动生产线的硬件、软件实现智能互联,使得工厂在智能化、自动化和信息化方面达到全球顶尖水平,生产效率领先行业5年以上,助力“中国制造2025”战略迈上新的台阶。
“无论这块电池处在世界的哪个角落,只要扫描电池上方的二维码,就能了解关于它的一切信息”,比亚迪副总裁、电池事业群CEO何龙介绍道。
这一功能的实现,正是得益于工厂的信息化系统。产线配备的MES系统,即是实现高度信息化的关键之一。通过这一系统,可以实时收集生产过程中所有设备/产品的相关信息,相当于给每一块电池设置了唯一身份标识(ID),从而可以智能追溯电池的原材料批次、关键参数、经过的工序、生产时间及操作员工等信息。更为重要的是,通过对及时反馈的设备/产品性能等数据进行分析,能够对可能发生的异常情况进行预防。
多举措寻求电池“关键”指标突破 产品良率极高
小批量测试的结果显示,该工厂的电池品质极高。
产品一致性、稳定性和能量密度,被广泛认为是电池的“关键”指标。为寻求在这些指标上获得突破,拥有23年电池研发和制造经验的比亚迪在工厂诸多细节上进行了“特别”安排。
产线除采用“航天级”极致工艺标准,配备诸多智能化、信息化系统外,还进行了超乎寻常的“集成式”设计——集成了配料、涂布、辊压、分切、卷绕、装配、注液、封口等一系列功能模块,工序多且复杂。这种“全流程、一站式”的产线设计,极大地排除了因生产中途触碰/搬运半成品而掺入杂质、温度湿度变化等各种有可能降低产品品质的因素。
为了进一步降低人为触摸产品的概率,搭载电磁/光学等自动导引装置的多功能无人搬运车也被安排在产线,用于极片转运等多个制造环节。
动力电池是电动车的“心脏”,被认为是影响电动车大规模普及的关键。从与同行共享电动车平台的技术,到在欧美日韩等数十个国家和地区运行电动车队,过去的十余年,比亚迪通过多种举措推动全球向电动出行转变。青海电池工厂下线,成为比亚迪加速这一转变的最新举动。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。