安卓

注册

 

发新话题 回复该主题

报道MITTechnologyR [复制链接]

1#
『运筹OR帷幄』转载

作者:国家自然科学基金委员会

《中国科学基金》年第35卷第3期封面

MITTechnologyReview年

“十大突破性技术”解读

[编者按]年2月24日,MITTechnologyReview一年一度的“十大突破性技术”榜单正式发布。自年起,该杂志每年都会评选出当年的“十大突破性技术”,这份在全球科技领域举足轻重的榜单曾精准预测了脑机接口、量子密码、灵巧机器人、智慧传感城市、深度学习等诸多热门技术的崛起。本年度MITTechnologyReview“十大突破性技术”分别为:mRNA疫苗、生成式预训练模型、数据信托、锂金属电池、数字接触追踪、超高精度定位、远程技术、多技能型人工智能、TikTok推荐算法和绿色氢能。为了让广大读者深入了解这十项技术的科学价值及其背后的科学故事,本刊特邀请各领域著名科学家分别对其进行深入解读,以激发科研人员的创新思维,并促进科学界的学术交流。

1mRNA疫苗(MessengerRNAvaccines)

在年大流感年后,全球爆发了又一次呼吸道病毒传染病大流行,罪魁祸首是一种具有包膜的正链单股RNA病毒——严重急性呼吸系统综合征冠状病毒2(SARS-CoV-2)。根据世界卫生组织的统计,截止到年6月17日,全球已有人确诊,造成人失去了生命。面对病毒的挑战,人类最有力的对抗武器是疫苗。针对这次疫情,从疫苗研发到实际应用的速度空前。截止到年6月15日,全世界已接种了剂次针对SARS-CoV-2的各种疫苗。其中包括有首次应用就一战成名的mRNA疫苗,它被MITTechnologyReview评选为年“全球十大突破性技术”之一。

(图片来源:MITTechnologyReview官方APP)

专家点评:

祁海清华大学医学院院长,教授,“长江学者”特聘教授,国家杰出青年科学基金获得者,霍华德休斯医学研究所国际学者。曾获教育部高等学校科学研究优秀成果奖自然科学一等奖以及北京市自然科学奖二等奖。曾获美国免疫学会研究者奖、树兰医学奖、吴阶平—保罗杨森医学药学奖、谈家桢生命科学创新奖等奖项。长期研究抗体免疫应答调控,开创性成果包括发现抗体亲和力成熟的细胞间正反馈机制、鉴定了记忆B细胞前体、揭示抗体应答雌雄二态性的细胞学基础、以及定义了第一条调控获得性免疫应答的脑—脾轴神经通路。

mRNA(MessengerRNA)被称为信使RNA,是携带编码蛋白遗传信息的单链RNA。在细胞内,mRNA指导把单个氨基酸按特定序列组成蛋白质,是细胞内“蛋白工厂”生产的“指导员”。很久以来,许多人都曾设想把在体外人工合成的mRNA“指导员”导入细胞内从而指导“蛋白工厂”的工作。第一例证明体外转录的mRNA可在体内指导蛋白质合成的研究发表于年,Wolff等将编码β-半乳糖苷酶(β-galactosidase)的mRNA注射到小鼠的骨骼肌,成功检测到了β-半乳糖苷酶的活性。两年后,Jirikowski等在大鼠中成功的用mRNA表达出了有功能的抗利尿激素(vasopressin)。虽然这些早期研究显示出mRNA作为潜在治疗载体的原理可行,其实际应用的缺陷也变得十分明显。mRNA本身不够稳定,在体内易降解,不易靶向递送,而且可以导致强烈的免疫激活和炎症反应。因此,在而后的许多年中,核酸治疗领域都没有把mRNA作为开发重点。近十年的技术进步,通过对mRNA的人工修饰,大幅降低了mRNA本身的免疫原性,提高了安全性。通过脂质纳米粒包裹mRNA的递送技术,大幅提高mRNA在体内的表达效率。加之mRNA只需体外转录就可人工合成,快速价廉,实用性随之增高。通过mRNA表达蛋白抗原来诱导机体针对蛋白产生免疫应答,可能达到疫苗效果。机制上,脂质纳米粒包裹的mRNA可有效的进入树突状细胞中,一方面使树突状细胞按mRNA指导表达蛋白抗原,另一方面通过脂质纳米粒类似佐剂的作用激活树突状细胞。作为免疫系统中最重要的抗原递呈细胞,树突状细胞可将蛋白抗原消化分解成肽段,并呈递于细胞表面的一类、二类组织相容性复合体,引起CD4、CD8T细胞的特异性应答。CD4阳性T细胞可分化成不同的亚群,分泌细胞因子,促进机体的免疫反应。CD8阳性T细胞可分化成杀伤性T细胞,从而在感染发生时杀伤感染细胞。在接种疫苗一段时间后,CD4和CD8T细胞都会分化成为记忆T细胞。另外,mRNA表达的蛋白抗原也可以被B细胞抓取,促使其活化,在CD4阳性T细胞的帮助下这些B细胞分化成为记忆B细胞和产生高亲和力抗体的长效浆细胞。这次新冠肺炎疫情中,mRNA疫苗展现出了惊人的保护效果。在临床前研究阶段,Moderna开发的mRNA疫苗mRNA-在恒河猴中可诱导强烈的免疫应答。在第二剂接种后四周,血清中可检测到高滴度中和抗体,表达白介素-21的滤泡性辅助T细胞显著增多。在包含了志愿者的三期临床研究中,mRNA-的有效率达94.1%。这款疫苗对保存条件要求较为严苛,需在-20℃条件下运输。我国科学家开发的耐高温mRNA疫苗ARCoV表现不俗,在动物实验中可以诱导抗体和细胞免疫,并显著降低病毒载量;它只需在2—8℃保存。目前这款国产mRNA疫苗正在墨西哥进行III期临床实验。使用外源mRNA导入人体实现细胞内蛋白表达的本质就是让人体自身细胞成为“工厂”,生产所需的蛋白分子。该技术显然不局限于新冠病毒疫苗。多国研究者还在针对其他诸如HIV和Zika病毒设计和开发mRNA疫苗。该技术也不局限于抗感染疫苗,比如也有针对黑色素瘤的mRNA疫苗正在临床试验中。事实上,使用mRNA表达技术也不局限于做疫苗。比如通过表达正确的血红蛋白来作为治疗性蛋白分子,同样思路可能用于治疗镰状红血球贫血症。时势造英雄,mRNA疫苗在这次新冠肺炎疫情中显示出了巨大潜力。同时,我们也要注意到,mRNA技术的第一个概念性实验证明距今30年,再一次说明投入源头创新,回报不一定是立竿见影;但假以时日,金子总要发光。mRNA技术未来还会给我们带来什么新的治疗突破?我们拭目以待。

2生成式预训练模型(GPT-3)

具有写作和对话功能的大规模自然语言模型使人工智能朝着更好地理解人类的自然语言与人机交互这一目标迈出了坚实的一步。在众多语言模型中,OpenAI公司开发的GPT-3是目前为止参数最多、规模最大、能力最强的模型。通过利用大量的互联网文本数据和成千上万的书籍进行模型训练,GPT-3模型对人类自然语言的模仿到了一个不可思议的地步,极具真实性,也因此成为迄今为止令人印象最深刻的语言模型。虽然GPT-3模型建模能力、描述能力非常强,但是也存在众多问题和局限性。首当其冲的就是GPT-3模型不能理解什么是真正意义上的写作(自然语言生成),因此有时会生成一些不可控的内容。其次,训练GPT-3模型需要大量的算力、数据和资金投入,并会产生大量的碳排放,只有资源充足的实验室才有能力开发类似的模型。此外,由于GPT-3模型在充斥错误消息和偏见的互联网文本数据上进行训练,往往会产生与训练数据类似,即带有偏见的篇章段落。

(图片来源:MITTechnologyReview官方APP)

专家点评:

张民苏州大学特聘教授,博士生导师,计算机科学与技术学院院长。国家杰出青年科学基金获得者,“国家百千万人才工程”入选者,国家级有突出贡献中青年专家,享受国务院政府特殊津贴。主要研究领域为自然语言处理、机器翻译和人工智能。

李俊涛苏州大学计算机科学与技术学院副教授。年于北京大学获博士学位,主要研究方向为文本生成和对话系统。

(1)为什么可以入选10大技术人工智能已经成为人类社会经济和社会发展的重要支撑技术,是引领新一轮科技革命、产业和社会变革的战略性技术,自然语言理解是下一代人工智能的核心技术之一,其关键技术的突破极具科学意义和产业价值。语言模型是利用计算机对自然语言进行抽象数学建模,是自然语言理解最核心的科学问题。广义上,任何自然语言理解模型都可称之为语言模型,因为都要进行数学建模。狭义上讲,语言模型要完成对一段文字的概率估计,或者给定上下文估计某个语言片段的出现概率或者抽象数学表示。通常所指的语言模型是狭义语言模型。语言模型的历史从年提出的N-Gram模型、年的分布式理论词袋模型、年的分布式表示、年的Word2Vec模型直到年提出的预训练模型。预训练语言模型(最具有代表性的模型包括ELMo、BERT和GPT)对自然语言处理领域产生了深远的影响,是深度学习时代自然语言处理领域里程碑式的研究成果。这一系列基于深度学习技术的模型只需要利用非监督的语言模型训练目标函数即可从海量的文本中捕捉和学习到各种类型的有效信息,能够动态生成更加准确的具有上下文信息建模能力的字、词、短语乃至句子和篇章的向量表示和生成概率,并可以在多种下游任务上取得惊艳的效果,例如问答、阅读理解、文本蕴含、语义相似度匹配、文本摘要、代码生成、故事创作等。除了强大的表示学习能力和多任务泛化属性以外,这些预训练语言模型还具有强大的小样本学习能力,只需要很少数据样本(甚至是在零样本学习的设置下),即可理解特定的任务并取得和监督学习模型相当甚至更好的表现。在众多模型中,年5月OpenAI公司所提出的第三代GPT模型(GPT-3)凭借其当时最大的参数规模、非凡的模型能力、多任务泛化表现以及小样本学习能力入选年MITTechnologyReview的“全球十大突破性技术”。(2)GPT等系列模型发展过程和能力变化预训练语言模型数量众多,其中具有里程碑意义的典型模型包括ELMo、BERT和GPT。限于篇幅,在此只选择GPT系列模型进行代表性介绍。在对GPT-3模型进行解读之前,我们首先对预训练语言模型的初衷和中间发展过程进行回顾。以N-Gram为代表的传统语言模型是计算给定语言片段的概率或者给定上文预测下一个词的出现概率,采用的是传统的基于频率的离散统计概率模型。其主要问题是离散的词表示方法描述能力差,参数空间成指数级增长,基于频率的统计概率模型建模能力差,导致最终语言模型描述能力不足、鲁棒性差、准确率不高。为解决上述问题,以ELMo、BERT和GPT为代表的预训练语言模型利用大规模甚至全网数据,基于生成式语言模型或者掩码语言模型,用神经网络方法训练语言模型。这样,预训练语言模型既有传统模型的概率输出,也可生成语言片段的向量表示。由于采用神经网络的方法,可以利用可导、可微等强大的数学工具和极大规模的数据,所以预训练语言模型上下文建模能力超强,可计算出更加准确的概率和上下文强相关的语言片段的动态向量表示。ELMo开启了第二代预训练语言模型的时代,即上下文相关和“预训练+微调”的范式。ELMo是一种生成式模型,以双向LSTM作为特征提取器,利用上下文信息动态建模,较好地解决了以Word2Vec为代表的第一代预训练语言模型存在的一词多义问题,在自然语言生成任务上表现尤为出色。BERT是一种掩码式语言模型,以TransformerEncoder为特征提取器,在自然语言分析和理解任务上表现尤为出色。GPT是一种生成式模型,以TransformerDecoder为特征提取器,在自然语言生成任务上表现更为突出。在上述系列模型提出以前,以自然语言理解为代表的下游任务主要采用监督学习的方式在相应的标注数据集上训练模型。这就需要每一个目标任务有充足的标注数据,并且在特定任务上训练的模型无法有效地泛化到其他任务上。在数据不足的情况下,这类判别式模型就无法取得令人满意的效果。针对这一问题,OpenAI团队提出了第一代的生成式预训练语言模型(GPT-1)是基于TransformerDecoder的生成式语言模型,对该模型结构没有新颖改动,但扩大了模型的复杂度。该类生成式预训练模型只需要利用非监督的语言模型目标函数即可进行训练,因此可以利用海量的无标注数据进行模型学习。除此以外,GPT-1模型在增强下游任务时对各种输入数据的格式进行了统一,以实现最小的模型结构修改。基于以上两个特点,GPT-1只需要简单的微调监督训练即可用于下游任务,并取得显著的效果提升,展示了生成式预训练语言模型强大的泛化能力。额外的评测发现GPT-1在零资源的设置下仍然具有一定的泛化能力。这些结果展示了生成式预训练的强大威力,为后续参数规模更大、所需训练数据更多的模型版本奠定了基础。GPT-2在GPT-1的基础上,对模型结构进行了5点微小改进,增加更多的训练数据,进一步提升了生成式预训练语言模型的泛化能力,重点解决GPT-1在下游任务使用时需要监督微调训练的问题。通过在模型训练时引入任务信息、利用比GPT-1模型更多的训练数据(40GBvs.5GB)、搭建更大参数规模的模型(15亿vs.1.17亿),GPT-2模型在零资源的设置下超越了多种下游任务上的前沿模型,例如机器翻译、阅读理解、长距离依赖关系建模等。GPT-2模型的这些特点揭示了更大的模型容量和更多的训练数据可以进一步提升模型的泛化能力以及减少对监督训练的依赖。此外,GPT-2模型的容量和训练数据相比,还处于欠拟合的状态,这就需要进一步增大模型的参数规模。GPT-3在GPT-2模型的基础上进一步扩大了参数(亿vs.15亿)和数据规模(45TBvs.40GB),是目前为止最大的语言模型,无需微调训练即可用于下游任务,在零资源(Zero-shot)和小样本(Few-shot)设置下具有出色的表现。在GPT-2的多任务泛化能力基础上,GPT-3在新的任务上取得了惊艳的结果,包括数学加法、新闻文章生成、词汇解读、代码编写等,并且这种模型表现会随着参数量的进一步增加而提升。(3)成功和局限性背后的根本原因讨论通过对比GPT三代模型的设计初衷和发展过程可以发现,三代模型都是基于TransformerDecoder结构,GPT-3模型的强大能力建立在规模效应的基础上,即超强的泛化能力仅来自于增加模型和训练数据的规模。也就是说,GPT-3的本质还是一种数据驱动的模型,通过利用超大容量的模型来拟合海量的数据,最终实现模型的收敛。因此,数据驱动模型的特点都会体现在GPT系列模型上,即模型的能力取决于所拟合数据的覆盖范围、分布情况以及质量。无论是新的数据还是不同的数据分布亦或是数据中的噪声都会给模型带来灾难性的问题。最新的测试结果显示,GPT-3模型无法在自然语言推理、填空、长文本生成和一些阅读理解任务上取得较好的表现,表明GPT-3模型更多的是停留在数据拟合阶段,而非真正理解自然语言。除此以外,受限于互联网文本数据的质量,GPT-3模型会生成一些带有偏见且令人厌恶的内容。这些都表明,GPT-3依然停留在感知智能阶段,距离通用智能和认知智能还有遥远的距离。因此,GPT-3被认为“具有一定泛化能力的记忆”,更容易获得并记住陈述性知识,而不是理解知识,不具备真正的逻辑推理能力和明辨是非的能力。

(4)GPT-3的意义

虽然GPT-3模型还不具有意图或对现实世界中的请求做出响应的能力,但是其对人工智能领域的影响是深远的。从年深度学习在各个领域开始爆炸式的发展到现在已经有将近10年的时间,新技术和新算法的发展也进入了瓶颈期,数据驱动模型的效果和能力似乎也遇到了天花板,而GPT-3模型的出现为深度学习领域注入了一支强心剂并引发了新的思考。最直接的问题就是这种随着模型规模增加而实现的能力扩展是否具有稳定性和可预测性?从短期的结果来看,这种规模效应还会随着计算机硬件算力的提升,继续提高深度学习的天花板。第二个问题是深度学习的极限在哪里?这种数据驱动模型是否最终能真正地理解语言?最后,深度学习的尽头是否会是真正的人工智能?是否能实现认知能力和通用智能?从实际应用的角度来看,GPT-3的功能非常强大,可以完成问答、阅读理解、摘要生成、自动聊天、搜索匹配、代码生成以及文章生成等。鉴于GPT-3模型所面临的安全性和不可控性,包括在自然语言理解时遇到鲁棒性的问题、在内容生成时会输出虚假内容和充满偏见信息的问题等,在某些应用场景,其应用价值主要还体现在智能辅助任务上,不能直接面对最终的用户。例如,在总结报告生成、创作写作等任务中,利用GPT-3根据用户的任务描述生成相应的内容,再引入人工校验编辑,将最终编辑后的内容呈现给最终用户。除此以外,GPT-3可以用于开发游戏应用等无明确任务定义和完成目标的场景。(5)未来研究方向和我国的相关情况总的来说,以GPT-3为代表的的预训练模型还存在各种工程应用问题、道德问题和社会问题。同时,在推动该类模型的发展时还面临着跨学科合作、开放共享、资源不平衡和安全防护等挑战。我国在这方面亦有相应的布局和长远规划,目前已经取得了非常好的前期成果,以“悟道”和“盘古”为代表的超大规模智能模型系统已经在模型效果、领域移植和泛化、小模型、模型训练效率、多语言、弱相关多模态预训练、通用、可控、知识融入、蛋白质序列预测等场景中取得了突破。相信在未来的10到20年,我国在人工智能基础技术创新、人才和团队建设、社区开源等方面会达到世界领先的水平。

3数据信托(Datatrusts)

数据信托是信托类型化研究和当代信托立法中典型的新生事物,信托制度起源于英国,发展于美国,从法律角度看,信托是指基于对受托人的信任,委托人从其自身利益出发,将资产交给受托人管理的行为,数据信托则是受托人管理一群人的数据或数据权利的行为,这就像医生有责任依据病人的利益来行事一样,数据受托人管理委托人的数据或数据权利,同时要对其利益负责。理论上,数据信托允许用户行使其作为数据生产者的权利。

(图片来源:MITTechnologyReview官方APP)

专家点评:

张小松电子科技大学网络空间安全研究院院长,博士生导师,教育部长江学者特聘教授,中国电子学会区块链分会副主任委员。长期从事计算机网络与系统安全技术的研究,以第一完成人先后获国家科技进步奖一等奖、二等奖各1项,另获省部级科技进步奖一等奖2项,发明奖2项。

数据的价值和资产属性已经被社会熟知和认可,但是数据资产存在一个特殊性,即和实体资产相比,数据只要在控制人手里,几乎可无成本进行分析、挖掘、复制和扩散并获利,并且其中个人隐私信息无法得到保护,典型的例子是当我们通过电商平台完成交易后,后期总会看到和前期交易内容有关联的选择性推送商品广告信息,因此带来一个严重的问题,即在数据生产者及数据权属所有者(如广大公民个体)、数据实际控制者(如提供各类服务的单位部门)、以及数据利益的享有者(如能获取各类数据的机构企业)相互分离的情况下,生产者的数据在采集、分析、挖掘、使用全生命周期中,其隐私如何能得到更好的保护,价值如何能得到更好的保障。基于此,信托理论被引入用来保护数据主体所遭受的敏感信息侵害,加强数据安全保护,有效应对境内外数据安全风险。年,美国耶鲁大学教授杰克·巴金(JackM.Balkin)在隐私数据保护领域首次提出采用信托工具解释数据主体与数据控制人之间关系的主张。年,《英国人工智能产业发展报告》明确提出了“DataTrust”一词,并建议利用数据信托制度建立数据投资治理架构,以确保数据交换安全互利。年10月,英国开放数据研究所(OpenDataInstitute,ODI)首次明确将数据信托定义为“提供独立数据管理权的法律结构”。数据信托是数据资产信托财产的一个闭环:数据持有者首先要将自己所持有的某一个数据资产作为信托财产设立信托;再进行信托受益权转让,委托方通过信托受益权转让获得现金收入;随后,受托人继续委托数据服务商对特定数据资产进行运用和增值,产生收益;最后,向社会投资者进行信托利益分配。数据信托的实质是在数据主体与数据控制人之间创设出信托法律关系,数据控制人基于数据主体的信任对数据享有更大的管理运用权限,同时也承担更严格的法律信义义务。数据控制人的数据管理运用权限包括但不限于访问控制、访问审核以及数据的匿名化处置等重要内容,以此平衡数据主体的隐私保护与数据可交易价值之间的紧张与冲突。与此同时,数据控制人还应履行对数据主体的信义义务,这主要表现为信托法上的谨慎义务、忠实义务、保密义务等,不得损害数据主体的根本利益。数据信托主要解决两大问题:(1)解决数据资产的授权使用问题。数据主体既是数据信托的委托人也是受益人,数据控制人则是数据信托的受托人。数据控制人的数据管理运用权限包括但不限于访问控制、访问审核以及数据的匿名化处置等重要内容,以此平衡数据主体的隐私保护与数据可交易价值之间的紧张与冲突。(2)数据信托还可以明确数据资产的收益安排,使得数据资产增值部分的利益归属可以按照委托人意愿进行设计和分配。通过重置数据主体与数据控制人之间的权益结构,把数据控制人的数据权限与数据义务有效链接起来,促进数据的合理有效利用。应该清楚地看到,数据信托作为大数据时代的新生事物,无论在法律层面还是保障数据信托实施的技术层面仍不是完备的。首先,在法律层面,针对数据使用的用途限制、安全与隐私保护政策及风险管控问题,数据信托仍需要法定信托属性、数据信托的信托财产范围、数据信托中的信义义务的具体规制,建立更加完善的法律法规。其次,在保障数据信托实施的技术层面,针对数据在流转各环节都可能面临的安全风险,需要从数据隐私保护、数据确权、数据追溯、权益可信分配等多方面提供更加全面、系统、可信的技术手段,除传统的数据加密、身份认证、安全接入、应用保护、访问控制技术外,还需要结合信息技术的应用和发展,研究如下关键技术:(1)隐私保护数据发布,敏感数据在进入流通市场之前进行必要的隐私检验和脱敏处理。(2)区块链技术的应用,有效保证数据的可信性、数据流通与使用的可追溯性,区块链技术也是目前进行数据确权的最佳解决方案。利用区块链技术,可以使得登记、交易转让、清结算、查询举证更加透明、高效、低成本。(3)隐私保护的联邦学习,结合安全多方计算、差分隐私或同态加密技术实现分布式的深度学习,在智能化学习的同时保障用户的隐私。

4锂金属电池(Lithium-metalbatteries)

制约电动汽车产业发展的一大难题就是电池技术。目前,电动汽车普遍使用的是锂离子电池,这种电池昂贵、笨重、能量密度低,并且其所依赖的液体电解质在碰撞时极易起火。电池的一系列缺点体现在电动汽车上就是:价格高、续航低、充电慢,而且还存在安全隐患,这些正是让众多车主对电动汽车望而却步的原因。显然,要使电动汽车比汽油汽车更具竞争力,就需要一种突破性电池来弥补这些缺陷。硅谷初创公司QuantumScape声称已经开发出全新的锂金属电池,其采用固体电解质(陶瓷)克服了传统锂离子电池存在的这些缺陷。

(图片来源:MITTechnologyReview官方APP)

专家点评:

张强清华大学长聘教授,长期从事能源化学与能源材料的研究,致力于将国家重大需求与基础研究相结合,面向能源存储和利用的重大需求,重点研究锂硫电池的原理和关键能源材料。提出了锂硫电池中的锂键化学、离子溶剂复合结构概念,并根据高能电池需求,研制出复合金属锂负极、碳硫复合正极等多种高性能能源材料,构筑了锂硫软包电池器件。曾获得国家杰出青年科学基金、教育部自然科学一等奖、教育部青年科学奖、英国皇家学会NewtonAdvancedFellowship、国际电化学会议TianZhaowu奖。在AdvancedMaterials、JournaloftheAmericanChemicalSociety、AngewandteChemie等发表SCI收录论文余篇,授权发明专利50余项。

当代社会生产和生活方式高度依赖于能源的利用。二次电池是一种可以实现化学能与电能高效可逆转化的器件。锂离子电池是一种典型的二次电池,具有能量密度高、循环寿命长、无记忆效应、便携等特点,方便电能的移动存储、输运和利用,支撑现代生产生活进入“无线”模式,促进社会朝着清洁、便携不断发展。随着便携式电子设备、电动汽车、储能电站等新生事物的不断涌现,锂离子电池成为当下二次电池的“主力军”。锂离子电池获得年诺贝尔化学奖,是对整个行业的认可和激励。然而,锂离子电池受制于自身材料的嵌入式能源存储机制,历经30余年发展后,其能量密度逐渐接近极限值。研发具有更高能量密度的二次电池成为社会共识。此次入选MITTechnologyReview“全球十大突破性技术”的基于固态电解质的锂金属电池正是突破锂离子电池能量密度上限的新体系电池。锂金属电池的能量密度可以超过Wh/kg,相比于现在锂离子电池提升30%以上。这意味着电子设备和电动汽车等可以具有更长的续航,缓解人们的里程焦虑。锂金属电池能量密度高的主要原因是采用转化型储能机制的锂金属为负极。锂金属具有极高的理论比容量和极低的电极电势。事实上,早在20世纪60年代就提出了锂金属电池的概念,80年代也做过商业化尝试。由于在有机电解液中,锂金属负极不均匀锂沉积引起安全隐患,金属锂电池未能在各种应用场合中广泛应用。为了克服锂金属负极的安全隐患,此次入选突破性技术采用固态电解质来匹配正极材料和负极材料构筑锂金属电池。固态电解质可以克服液态电解液易泄露、易燃的问题。在能量密度和安全性之外,此次入选的突破性技术对电池快充性能尤为
分享 转发
TOP
发新话题 回复该主题