电池问题亟需解决
谈及新能源汽车今后的发展趋势，孙振华认为从整体发展趋势来看，新能源汽车发展态势相对稳定，在当前低碳环保发展环境中，今后发展前景很好。同时他也指出当前新能源汽车行业在全面发展中仍旧存有较多问题，诸多问题出现与发展不可避免。孙振华认为，目前来看，新能源汽车领域中电池续航问题相对严重，对消费者日常生活出行还不能完全满足需求，加上新能源汽车各类配套设施建设还跟不上新能源汽车的实际生产速度，充电桩运行功率较低，消耗时间较长，安全规范缺失等问题，导致新能源汽车售后服务水平参差不齐，包括维修技术的运用还不够成熟，一些维修企业设备应用老化严重，也不能满足用户要求。
“新能源电池的安全性和高能量密度之间难以实现有效平衡，当前做好各类新型固态电解质电池的研究与全面开发是行业内关注的重要问题。”在电池升级问题上，孙振华认为，“当前在全面提升新能源电池高能量密度基础上，我们必须要注重规范化选取各类新型运用材料。这样能有效的优化电池内部整体结构，既能保证电池能量密度，又能强化电池安全性。”
计算机仿真技术赋能智慧物流
孙振华认为，未来的智能汽车可以在许多方面便利甚至改变人们的生活和工作方式，将不再只是一种代步工具，而会进一步便利人们的生活和工作。随着智能车辆的更新，未来的城市道路状况将会得到天翻地覆的变化，汽车可以智能识别道路路况，合理规划出行路线，从而大大缩短人们因为堵车而浪费的时间。而新能源汽车巨大的产销量需要强大的物流体系来支撑，在智慧物流不断发展的过程中，计算机仿真技术也就走进了我们的视线。
所谓的计算机仿真就是根据研究目标，建立并运行模型，对研究对象进行认识与改造的过程。物流系统是经典的离散事件系统，传统的物流系统仿真是对于配送中心、仓库存储系统、拣货系统、运输系统等可以进行仿真分析与评估。但是，随着物流行业生产自动化与智能化水平的不断提高，生产系统越来越复杂，生产节奏越来越快，简单的离散事件系统仿真技术已经满足不了物流系统仿真的需求，需要新的计算机仿真技术支撑。
作为智慧物流专家，孙振华表示，物流系统的复杂度越来越高，物流系统智能化与自动化水平也越来越高，需要智能仿真支撑。
“举个例子，供应链优化是所有企业在应用数据和机器学习中最严峻的挑战之一，难点在于供应链网络十分复杂，通常涉及到多层配送中心和供应商、多种产品、多个时间段、多种资源约束，并且不同的产品成本不同，还可以有多种运输方式的选择，不确定性太多，而现在我们就可以利用人工智能的强化学习技术，用强化学习算法与随机供应网络仿真环境结合来取代原来的仿真优化模型，这样就有助于优化库存和定价决策。”
另外，孙振华还指出，新能源物流充分利用云计算与边缘计算平台，基于网络形成的物流仿真环境，将物流系统模型存储在云和边缘中，并将其与物流运营数据、设置实验结合，允许最终物流仿真用户访问它们并实时利用物流仿真进行分析与研究，实现物流系统建模、仿真运行及结果分析等整体高效的仿真目标。仿真不是简单的手段和工具，仿真技术具有其他学科难以替代的特性，已形成了一门新的学科，同时为我们如今的智慧物流提供了巨大的帮助。
