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。
从卡尔曼滤波的改进变种，谈到粒子滤波的计算复杂度；从电池模型的阶次选择，吵到传感器噪声的在线估计；从控制器的采样频率，争到通讯总线的延迟影响。
马圣对技术细节的掌握令人惊讶，虽不似曹鹏专精于算法理论，但对工程实现的瓶颈和痛点一清二