【研究笔记 07】头脑风暴：RSI的经济帐

Peter的评论把工程能力和投资的不确定性联系在一起，我突然头脑风暴想到一个问题，我能不能把改进能力数学化，模型进化能力是不是可以类比利率之类的数值。纯属头脑风暴，如有错漏，敬请指出。

利率是规定期间内利息与本金的比值，这里借用“相对既有基础改善多少”的想法。利率定义：欧洲央行

能用现有资料算清的是一个更具体的问题：为少做实验而增加的模型调用，是否值得？ 下文把一次基线实验成本与一次新增调用均价的比值记为 $\rho$ 。这个成本比用于算保本门槛，再与论文报告的实验量降幅放在同一笔账里，算出扣除调用费后是否仍然省钱。

先说结论，免得绕远路：电池研发中已有同行评审证据支持闭环实验选择减少部分实验投入。要把这进一步称为RSI，还须证明选择方法本身被修改、继承，并在独立任务上有效。

这篇文章分四部分：先说清AI在BMS研发里到底能碰什么，再把汇率算一遍，再看真实的BMS研发流程里哪些时间真的可以压缩，最后看证据支持到哪一步。

一、AI能碰的和碰不了的

真实的BMS研发是一串物理动作加一串认知动作，混在同一条时间线上：

环节	主要内容	AI能做什么	AI碰不了什么
硬件设计	电路板设计、器件选型、打样贴片	查手册、比对方案、生成检查清单	板子要真的做出来
板级调试	上电、测信号、定位故障、改板	分析波形与日志、缩小怀疑范围	示波器要真的接上去
底层软件	驱动、CAN通信、采样保护	生成与审查代码	—
算法开发	SOC估计、参数辨识、阈值整定	提候选、算残差、做敏感性分析	—
虚拟标定	用仿真代替部分实体测试	批量跑参数组合	替代比例受模型保真度限制
台架与HIL	实测充放电、硬件在环、测试用例	设计测试计划、筛掉明显无效的组合	设备要真的占用时间
验证与认证	安全标准、型式认证、整包验证	整理数据、准备文档	排期与样品

AI可以辅助判断、分析和计划；电芯充放电、制板与上电则需要真实执行。物理过程不等于工期永远固定：能否减少测试、改变协议或以虚拟验证替代，仍要在相同验收要求下验证。

一个具体的例子：工程师花两天在台架上排查某个工况下估算偏差为什么变大。假设其中一部分时间用于翻日志、对齐时间轴、比对历史批次，另一部分用于改代码和重跑。前者可以尝试自动化，后者也可能因减少返工而缩短。

二、汇率：把"想"和"做"放在一起比

这笔账需要四项输入，后面的计算沿用同一口径：

参数	定义	后文用途
X	基线每次实验的费用，含原有模型调用	作为成本比较的基准
c	每次新增模型调用的平均费用	与新增调用次数相乘，计算增量费用
m	每次实际执行实验对应的新增调用次数	Rehearse取21，BMS按实际记录
s	达到同一目标成绩所需的实验总次数减少率	代入46%和37%的论文结果，计算是否省钱

其中， $A=mc$ 是每次实验新增的调用费， $\rho=X/c$ 是实验与调用的成本比。实验总次数应包含执行后未带来改进的尝试，调用费也要包含重试；如果各次实验成本差异很大，就应逐笔汇总，不能套用单位费用不变的简式。

Rehearse每步新增20次评判和1次候选生成。沿用本文Claude Sonnet 5.5标准价及设定token量的费用情景，一次评判约0.005至0.03美元，一次候选生成约0.02至0.15美元，因此 $m=21$ 、 $A$ 约0.12至0.75美元，即0.86至5.4元。协议均价 $c=A/21$ 约为0.04至0.26元/次。调用数量来自论文，金额是条件测算，不是论文实测账单。Rehearse附录B、Claude官方价格

作为对照，本文费用情景取工程师每小时178至273元、一次2小时电芯工况测试109至979元；后者由物料、台架与工时拼合。覆盖一步新增调用费，需要节省约0.2至1.8分钟人工时间：分别按“0.86÷273×60”和“5.4÷178×60”计算。这是工时门槛；只有实际减少支出或释放了可用产能，才有对应价值。

把电芯实验费用除以协议调用均价，成本比约为424至23,788。图1同时给出其他场景的成本比，供下一步代入保本计算；费用区间使用未四舍五入的输入。

实验与调用汇率对照

图1。各场景的条件成本比。单次调用采用同一个21次协议的均价 $c=A/21$ ；Rehearse场景为21至262.5，电芯DST场景为424至23,788。区间来自费用情景，不是论文实测账单或统计置信区间。

实验次数减少 $s$ 后，剩余次数是基线的 $(1-s)$ ，但每次都要多付调用费 $A$ 。在目标成绩相同、单位实验成本不变且暂不计固定投入时，保本要求是 $(1-s)(X+A)\le X$ ，由此得到最低实验节省率：

s^*=\frac{A}{X+A}=\frac{m}{m+\rho}

这个公式直接用于图2。代入21次新增调用，Rehearse费用情景对应的保本门槛为7.41%至50%；电芯DST费用情景对应0.09%至4.72%。这些门槛只覆盖模型新增调用，接入、人工复核和维护会进一步提高所需节省。

保本节省率曲线

图2。横轴是成本比，纵轴是保本所需的实验节省率；两条横线为Rehearse报告的46%和37%。实验节省率高于曲线，才足以覆盖这个模型里的新增调用费。曲线是解析关系，不是实测BMS降本轨迹。

再把“需要省多少”落到“扣完调用费还剩多少”。 Rehearse的聚合曲线达到普通循环第100次实验的终点成绩时，分别用了54次和63次，即实验总次数减少46%和37%。沿用相同费用假设，净可变成本节省率为：

\text{净可变成本节省率}=1-(1-s)(1+\frac{m}{\rho})

它的分母是基线实验总费用：100次基线花费100X；改进后54次或63次，每次花费X+A。将论文报告的次数降幅与图1的Rehearse费用情景两端配对，得到：

论文报告的实验量变化	成本比ρ=21	成本比ρ=262.5
CIFAR-10：100次降至54次，减少46%	−8.00%，费用增加	+41.68%，费用减少
ETTh1：100次降至63次，减少37%	−26.00%，费用增加	+31.96%，费用减少

以第一格为例：1−(1−0.46)×(1+21÷21)=−0.08。实验少做46%，但每次新增调用费恰好等于基线实验费，最终仍多花8%。 这就是为什么不能把实验减少率直接写成降本率。实验次数来源：Rehearse第5.3节

表中是“公开实验次数＋费用情景”的条件计算，尚未扣除接入、人工复核、维护等费用；它不是论文实测收益率，也不是BMS收益预测。54次和63次来自聚合曲线，不代表每条轨迹都能按这一轮次停止。

三、最有价值的能力：决定下一个实验做什么

汇率有利，但还要看AI实际能做到什么。这里有一份电池快充实验设计的同行评审证据，可供BMS研发方法设计参考。

Attia等人在Nature上报告了用闭环贝叶斯优化寻找快充协议的工作：在224个候选协议中，用16天找到高循环寿命的协议，而穷举搜索需要超过500天，测试时间减少约98%，相对随机搜索约15倍加速。117个协议从未被测试过。Attia et al., Nature 578, 397–402 (2020)

这个结果容易被误读。它不是"模型算出了正确答案"，而是"模型决定了下一个实验做什么"。同一工作中，早期预测模型用前100圈的退化特征预测最终寿命（误差约9%），从而免去了把电池跑到失效。两件事合起来才是完整的机制：

预测压缩了单次实验的时长（不用跑到失效）；
选择压缩了实验的次数（不做没信息量的组合）。

这正是我上一条说的"认知环节"在电池上的具体形态。 也解释了为什么这类方法的报告方式是"减少了多少次实验"，而不是"算得更准"。

同样的模式在其他物理实验里重复出现：机器人平台Clio用40次实验在15次内收敛到电导率最优点（离散候选空间超过1000个点）；芝加哥大学的主动学习工作从58个种子数据点起步，经七轮、约70次实验，筛出4种性能可比当前最优的溶剂。Clio、UChicago

为什么"选下一个实验做什么"这么值钱？ 因为电芯参数辨识本身是不适定的。同一批数据、两种经典算法（信赖域与Levenberg-Marquardt），拟合优度都在16 mV以内，但同一个电阻参数的估计值平均相差89.99%，另一个电阻相差376.74%。原因是等效电路模型的参数跨越约10⁴个数量级（毫欧级电阻与千法级电容并存），Hessian矩阵条件数可达约10⁸。Scientific Reports 2026

这意味着一组"拟合得很好"的参数，可能根本不是唯一解。 在这种情况下，实验设计的价值不在于算得更准，而在于用最少的实验把参数空间约束到唯一。这正是AI能起作用的地方，也正是它不能替代实验的原因——约束只能靠新数据获得。

四、日历时间里有多少是可决策的

上一节说的是"减少实验次数"。还有一笔账容易被忽略：实验排程本身。

Chalmers的一项实测很说明问题。同一批电芯跑满4,000次循环，如果每50次循环做一次完整的参考性能测试，总日历时间是400天；如果改成每200次做一次，只要228天。被测的东西完全一样，差172天，约43%。Chalmers, Measurement: Energy 4 (2024) 100019

同一份研究还记录了另一类浪费：因为实验室无法24小时值守、测试软件不支持序列编排，每一次测试都必须手动启动，导致电芯在两次测试之间累计闲置42天和31天（其中6天是仪器意外停机）。

这172天不是物理约束，是决策。 什么时候做参考测试、怎么排测试顺序、哪些组合先做——这些是可以在实验开始前算清楚的。AI在这里的作用不是更快地算，而是把这类组合问题处理得比人工排班更系统。

排程决策影响日历时间

图3。同一批电芯、同样的物理测试，仅因参考测试频率不同相差172天。这不是AI的效果，也不是失败测试的代价；它说明日历时间里有一部分由决策而非物理决定。

不过，现有流程中耗时最长的部分，不能直接判定为不可优化。 FormEL资料中的EOL指End-of-Line，即产线末端质量测试。报告记载参考流程总计约31天，自放电测试约28天，容量与脉冲内阻测量约2天；这些近似数没有闭合，不能把差额补成“3天实测”。该项目本身就在研究合并formation与EOL步骤、缩短流程并保持质量判断能力，资料没有给出AI或RSI的节省率。TU Braunschweig / elenia 2021年报，第38页

EOL测试的时间构成

图4。分别展示原文报告的约28天与约2天参考流程的耗时。

这些资料支持把排程、组合选择、参考测试频率、流程衔接与测试协议分别记账。是否能缩短静置、循环或主动测量，要在质量判定与安全要求不变时验证，不能仅凭耗时构成图决定。 AVL的实验室管理白皮书也提到，测试实验室的设备综合效率（OEE）常常"只是其能力的30%"，原因明确列出了闲置与空置通道、以及"因测试需求不明确导致的测试重复"。AVL Lab Management白皮书

五、真实的BMS研发流程长什么样

前面几节用的是别人论文里的实验。这一节把镜头拉回到BMS研发本身，看真实的项目由什么组成、钱和时间花在哪里。

先看一份车规级ECU定制开发报价的分项：人力约50%，工程费用约33%，测试约10%，模具约3%。这是单一ECU报价，不能据此认定所有BMS项目的人力占比，也不能把“工程费用”直接等同于物料与设备费用。ECU开发成本结构

ECU开发的成本结构

图5。单一车规ECU报价的四个已列分项，合计96%；差额原因未说明。

这提示我，BMS经济核算需要同时记录人力与设备，不能预先认定哪一项最贵。只有拆开本项目的实际账单，才能判断搜索、分析和复核环节的改善究竟影响多大成本。

再看一份逐阶段列出典型耗时的公开资料。它面向通用电子产品，下面选取与BMS硬件研发相关的阶段作参考：Projects House原表。

BMS硬件开发的阶段周期

图6。两根柱分别从零起算，表示每阶段典型耗时的下限与上限。例如3–8周是需要3到8周，不是第3周开工、第8周完工。原资料为商业服务商的通用电子产品经验，非BMS实测；认证行也不是车规BMS专用口径。阶段可并行或重叠。

其中上电与硬件调试要3至8周，而改板后的上电与测试仍需2至6周，另有约1周布局修改和1至2周制板装配。这一段的性质很特别：它既不是纯粹的物理过程（板子已经在了），也不是纯粹的脑力劳动——它在物理设备上做诊断。有行业描述说"上电调试往往比设计本身更久"。

算法标定这一段，情况更清楚。 一份真实的108串磷酸铁锂公交电池包的EKF调试记录显示，从第一版到第三版共修掉7个bug，而其中三个是典型的"参数与配置错误"：

串联数写成120而实际是108，使OCV表放大11%，造成约+3%的系统性SOC偏差；
容量按105 Ah假设而实际约89 Ah，安时积分低估放电量18%；
优化在72,000个点上运行，循环内的插值调用达到约1,000万次，跑了两小时以上还没收敛。

修完后SOC估计的RMSE从3.82%降到1.5%以内，优化运行时间从约2小时降到约3分钟。案例来源

这个案例要谨慎引用——它是个人项目，非同行评审，仓库没有关注者，作者自述参考SOC只是1%步进的阶梯值、并非真值。但它的结构很有代表性：错误的来源不是物理世界的不可预测，而是人为的参数与配置失误。 这类错误正好落在认知通道里：AI可以核对串联数与实际配置是否一致、可以比对容量假设与实测值、可以把两小时的穷举优化换成有引导的搜索。而它修不了的，是电池本身。

现场还有一类被普遍提到的瓶颈：HIL台架是串行排队的。 集成测试要在共享的HIL台架上排队执行，这正是厂商转向虚拟测试的公开原因。台架数量有限、测试要排队，意味着"少做一个无效用例"的价值不只是省电费，而是把队列让出来。

六、但证据本身有系统性的问题

这一节可能是全文对投资人最有用的一段。

第一，报告缺失。 一项对111个自驱动实验室研究的综述发现，只有40%报告了任何直接的性能基准测试。另一项统计了237项AI分子半导体研究，仅38项报告了实验验证，46篇生成式设计论文中只有5篇做了合成或器件级评估。该综述的原话是：没有任何一项研究报告了失败合成或失败实验的系统性统计，负面结果的缺失使成功率的定量评估无法进行。自驱动实验室基准、分子半导体综述

按这个标准，我前面引的Attia、Clio、UChicago三条之所以能用，恰恰因为它们是少数报告了基线对照的。

第二，"体感省时"与"实测省时"会背离。 METR做过一次罕见的对照：16名资深开源开发者在他们熟悉的成熟代码库上完成246个真实issue。结果是——事前预期快24%，事后自评快20%，实测慢了19%。 METR

同一份研究的条件很特殊（10年以上经验、百万行级仓库），不能推广成"AI普遍拖慢"。但它说明一件事：自评的时间节省不能当核算依据。

体感与实测的背离

图7。同一批开发者、同一个对照实验里的三个数字。蓝色表示预期或自评的时间节省；红色表示实测多用19%的时间，纵轴统一为时间节省率。

第三，AI辅助硬件研发的公开证据基本是空白。 检索的结果很干脆：没有任何以人类工程师为被试、随机分组、测量完成时间的对照实验——板级调试、波形排查、嵌入式故障排查都是空白。 现有的人因对照全部在软件任务上（Copilot的对照实验把时间缩短55.8%，Google内部实验约21%），而这两项都不能挪用到硬件。Copilot RCT、Google

分领域证据强度

图8。分档依据公开文献类型。空白不等于无效，只说明目前没有人公开测量过——这恰好是本项目可以补上的部分。

七、还有一个衰减约束

如果AI的优势只是"想得更多"，那它靠多调用就能弥补准确率。公开数据显示这条路走得慢。

MLE-bench上，GPT-4o把时间预算从24小时加到100小时（4倍），奖牌率只从8.7%升到11.8%——4倍资源换1.36倍成功率。 DSBench上人类基线准确率64.06%，最佳AI配置34.12%。MLE-bench、DSBench

这两条说明：便宜的推理换来的是"多试几次"，不是"想得更准"。 对BMS的含义是——靠堆调用去猜参数会很快饱和；只有在工作本身是检索、比对、整理、生成变体、以及决定下一个实验做什么的时候，认知优势才兑现。这也再次指向第三节：有价值的是"选择"，不是"重试"。

八、这对投资意味着什么

把上面合起来，判断是三句话：

实验量减少不等于研发费用同比减少，需要综合评定AI优化提效和AI使用成本。 第二节把同一个46%的实验量降幅代入两种费用情景，得到−8%与+41.68%的净可变成本节省率。成本比和新增调用次数决定实验减少后是否仍然省钱；BMS必须换成自己的账单。
物理测试的替代与缩短都需要同质量验证。 看的是达到同一验收要求所需的实验次数、工时和日历时间是否下降；调用增加本身不能计为收益。
阶段时长比不能直接当作可替代比例。 AVL公开流程给出数值标定约2周、完整BoL流程约6个月。按26周换算，2/26约为7.7%；这只比较两个时长尺度，不能据此认定其余92.3%不可改善，也不能把7.7%当成总工期节省上限。

替代范围与绝对收益

图9。两个面板分别展示训练实验量减少46%与数值标定阶段时长比约7.7%，分母不同，不可直接比较。后者不是已验证的可替代比例、节省率或收益上限；总工期变化还取决于阶段重叠及关键路径。

所以收益判断按这个顺序：

先记账。 一次实验的真实成本（物料、台架、工时）、一次调用的真实账单、一个环节的真实人时。
再标定可替代比例。 哪些环节真能被搜索改善，哪些受物理约束。这必须在自己的流程上测。
最后才谈规模。 先验证同质量任务的净节省，再检查它能复用到多少款新电芯，并扣除接入和维护投入。

对钠电BMS，我会先选参数辨识这一段，设三组对照：方法固定、能查看历史记录、能修改并保留自己方法的Agent，在未参与开发的新电芯上独立验收。主指标是固定预算下新任务的独立验收通过率，辅助指标是达到同一门槛所需的实验次数与工时。

第二节的公式在这里作为费用检查：记录基线实验费X、新增调用均价c和次数m，计算保本门槛；再用独立任务中达到同一验收要求的实验总次数，计算实际节省率s。若s低于门槛，优先减少评判调用或提高实验筛选有效性；若高于门槛，再检查人工复核与接入投入是否吃掉余量。若达标率或失败任务分布变差，应先修正研发方法，不能仅凭低费用保留它。

九、数据来源

电芯实验成本由公开挂牌价、公开招标单价与公开薪酬拼合，另有汇率与工时假设，不是任何企业的实际报价，也不是本项目实测。工程师费率由公开薪酬推导，不含实际企业人力成本。Attia的工作是磷酸铁锂快充协议搜索，与钠电BMS参数辨识不完全同类。"AI节省工程师工时"在硬件与测试领域的证据缺口，是本篇无法用公开数据补上的部分。 虚拟标定能替代多少实体测试，也没有找到可信公开数据。