由于特朗普政府最近威脅稱有意削減對電動汽車(簡稱EV)的補貼,汽車行業(yè)也因此成為備受矚目的焦點所在——而且就在去年11月,通用汽車公司正式宣布大規(guī)模裁員計劃。
如果美國國會最終決定取消補貼,那么這項法案將損害美國的電動汽車采用率,并對正在大力投資開發(fā)數(shù)百種新型電動車型的整體汽車行業(yè)造成重大影響。但在這一不斷變化的環(huán)境當中,區(qū)塊鏈技術(即由對等網(wǎng)絡負責管理的分布式賬本)有望顯著削減成本,增加價值空間并幫助制造商在新興市場當中保持強勁的競爭優(yōu)勢。
下面,我們將共同了解這項技術如何在改善電動汽車生存環(huán)境與提振汽車行業(yè)態(tài)勢方面發(fā)揮作用:
目前,削減電動汽車補貼的主要影響,體現(xiàn)在給每一輛汽車增加2500美元到7500美元的購買成本——很明顯,這筆費用都將由消費者承擔。而一旦美國國會決定廢除激勵性措施,汽車制造商可能會面臨同樣的打擊。因為如果以銷售20萬輛電動汽車為例,相關汽車廠商的稅收抵免將有所降低——預計到2030年,全球電動汽車總銷量將高達1.25億輛,屆時汽車制造商將面臨更為沉重的稅收壓力。
盡管汽車制造商并不能從現(xiàn)有消費者補貼當中獲得直接收益,但卻仍會受到非常直接的激勵性影響。因為當購車價格當中包含抵扣部分時,人們會更為積極地選擇購買電動汽車。
而區(qū)塊鏈技術有望幫助降低成本、保留利潤空間并維持消費者們的購買意愿。利用基于區(qū)塊鏈的追蹤與追溯技術,汽車制造商可以通過清理供應鏈以降低成本并提高利潤率,并從根本上消除假冒零件與掉包等問題的出現(xiàn)可能。
通過準確追蹤每一輛車中的零件來自哪里,汽車制造商還能夠以更具成本效益的方式進行召回。到那時,他們可能只需要考慮配備某家特定供應商零件的車輛,而非全面召回發(fā)布于某年的所有對應車型。
通過這種方式,供應鏈將變得更為精簡且高效。
必須承認的是,無論是否存在補貼,電動汽車的發(fā)展都將繼續(xù)下去。
目前,20%的美國人表示可能會在未來某個時候選擇購買電動汽車。而隨著潛在續(xù)航能力以及充電便捷性問題的逐步解決,電動汽車終將成為市場上的主流。
在全球范圍之內,世界各地的國家與各個城市都在討論是否有必要禁止銷售內燃機驅動型汽車。挪威、印度、法國以及英國都已經出臺了相關時間表——挪威甚至發(fā)布了一項雄心勃勃的目標,將2025年劃定為最終期限。即使是中國這一全球最大的溫室氣體排放國,也同樣在制定一項長期計劃,希望逐步淘汰以化石燃料為動力的車輛。從供應方面來看,僅福特與通用汽車兩家就計劃在2023年推出34款全電動車型,而整個汽車行業(yè)的電動車型產量預計也將全面增長。
隨著越來越多汽車制造商推出自己的電動汽車選項,加上愈發(fā)激烈的市場競爭態(tài)勢,各大品牌當然需要以更具吸引力的方式實現(xiàn)自家車輛產品的差異化,進而拉攏更多有意購買的客戶。
實現(xiàn)這一目標的可行方法之一,在于利用與消除假冒配件相同的供應鏈機制增加品牌價值。通過供應鏈追蹤各類配件與組件,汽車制造商能夠確保所有參與方都遵守道德規(guī)范,并以可持續(xù)方式支持車輛生產流程——而這也高度契合電動汽車的核心價值主張。
在談到此次大規(guī)模裁員決定時,通用汽車公司給出的核心理由之一,在于他們希望避免公司再次遭遇像2008年那樣的存亡危機。因此,他們希望能夠通過裁員實現(xiàn)可觀的成本節(jié)約,從而調度資金以保持自身競爭力,最終確保通用能夠在自動駕駛汽車與電動汽車領域占據(jù)可觀的市場份額。
就在通用汽車高度關注新興技術的同時,眾多其它汽車制造商也開始研究如何利用區(qū)塊鏈技術幫助自身穩(wěn)定發(fā)展。此前成立的Mobi聯(lián)盟正是一支負責為去中心化移動與數(shù)據(jù)共享提供標準的工作機構。該聯(lián)盟的成員包括汽車行業(yè)當中多個家喻戶曉的名號,例如寶馬、福特、通用汽車以及雷諾等等。他們將共同與IBM、IOTA以及ConsenSys等技術供應商開展合作。
在構建這樣的聯(lián)盟體系之后,參與者通??梢詮哪軌驗楦魑怀蓡T帶來收益的小規(guī)模用例起步。具體來講,研究項目可以是日程表防篡改追蹤、負責任采購或者可信所有權記錄等等。而隨著該小組所帶來價值回報的日益增長,將有更多參與者加入進來以分享這方面收益,同時做出自己的貢獻。
而且必須承認的是,那些不愿接受新興技術的汽車制造商將無法借此削減成本并提高品牌價值,并最終會在這場角逐當中落后。就在當下,電動汽車與區(qū)塊鏈技術已經登上下一波科技發(fā)展浪潮的中央舞臺——無論是否接受,它們就在這里,奔騰前行。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉移到數(shù)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(fā)的GIGA-ToF技術通過融合多幀圖像的"圖結構"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術利用圖像間的不變幾何關系,結合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經過強化學習訓練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構聯(lián)合提出SparseLoRA技術,通過動態(tài)稀疏性實現(xiàn)大語言模型訓練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓練效率,已在多個任務上驗證有效性。