企业想在一个成熟稳定的行业内占据一席之地,技术的积累和沉淀、过硬的实力、源源不断的人才等要素缺一不可。想要弯道超车?太难。不如换换赛道,换道超车,充分发挥企业的长处,在这个“棋局”之外拿到领先的优势,从而影响整个棋局的走势。这也是造车新势力积极努力的方向,毕竟特斯拉这个“前车”已经趟出了一条新路子。
2003年,马丁·艾伯哈德和马克·塔彭宁共同创立“特斯拉汽车”,次年埃隆·马斯克进入公司。那时老牌车企都认为特斯拉造车的想法“不切实际”,“造车是制造业的集大成者,外行人很难进入”,没几个人相信特斯拉能活下来。就在去年,大家共同见证了一个历史性的时刻——特斯拉以超1900亿的市值取代丰田成为世界第一。特斯拉汽车也存在很多问题(最近事故频发),但从目前的结果来看,特斯拉已经超过了一众老牌车企,成为汽车行业的头部玩家。特斯拉靠的是什么?第一是电池技术,第二是智能驾驶,在汽车圈实现了换道超车。
特斯拉汽车的成功,再加上政策的支持等有利条件,像是一针强心剂,刺激着更多的企业扎进汽车行业,开拓这片红海中的蓝海市场。
政策红利
去年7月30日,《工业和信息化部关于修改<新能源汽车生产企业及产品准入管理规定>的决定》发布。新文件删除了申请新能源汽车生产企业准入有关“设计开发能力”的要求,将新能源汽车生产企业停止生产的时间由12个月调整为24个月。政策条件的放宽,降低了造车新势力的入局门槛。
同年11月2日,国务院办公厅印发《新能源汽车产业发展规划(2021-2035年)》,提出到2025年,中国新能源汽车动力电池、驱动电机、车用操作系统等关键技术取得重大突破,新能源汽车新车销售量达到汽车新车销售总量的20%左右。目前新能源汽车占比仅为4%,上升空间巨大。
另一方面,借助新基建的东风,5G通信网络的普及还有智慧化的道路建设等等,智能网联汽车也将进入发展的快车道。
逐利是资本的天性,我国零排放的目标早就板上钉钉,新能源汽车是风口,而且相比燃油汽车,新能源汽车的工艺、技术等要求没有那么苛刻,再给新能源汽车叠加“智能因子”,达到一加一大于二的效果。这是汽车行业未来发展的大趋势,也是造车新势力开辟“换道超车”发展新格局的一次重大机遇。
资源加持
看到了风口,企业要思考的问题是——要不要入局。
几年前,PPT造车遍地开花,经历了第一轮大浪淘沙后,很多车企销声匿迹,但是,也诞生了像蔚来、理想、小鹏这类能脱颖而出的造车新势力。
鲶鱼效应与政策红利相叠加,形势一片大好。但是,造车并不是一上手就赚钱的生意,要想吃上这块蛋糕,手里没点资本是不行的,烧钱也是必经之路。还有就是与造车相关联的技术积累。
这也造成了今天这种局面,百度、小米、华为、滴滴等大企业纷纷入局,而缺乏资金与技术人才的企业想要入局会难上加难。
找准定位
先来说说“造车”。老牌车企大多数拥有自己的工厂,特斯拉也有。但在造车初期就投入如此巨量的资金,即使是大企业也很难扛得住,那怎么办?“借壳生蛋”呗。
与手机行业依托富士康代工同理,蔚来和小鹏分别与江淮汽车、海马汽车合作,由对方负责整车的制造和调试。
据报道,百度选择吉利作为合作方,双方将在智能汽车制造相关领域展开紧密合作;小米也在与汽车厂商洽谈生产电动汽车相关合作(有消息称是长城汽车,后者否认)。
进军汽车行业,也不代表一定要“造车”,为“造车”提供便利也是一条新路子。
华为就反复强调“不会直接参与造车”,而是主攻智能汽车技术解决方案,帮助车企造好车。
就像当年数码相机颠覆胶片机、智能手机颠覆功能机一样,带着智能驾驶功能的新能源车杀入汽车市场,也势必会掀起巨浪,汽车行业新旧动能转化是不可阻挡的趋势。曾经胶片机时代的王者柯达、手机巨头诺基亚等在内的行业领军企业的衰落,都在告诫我们:不要固步自封,要因势而谋、应势而动、顺势而为,才能在这个时代的潮头做一个勇敢而不败的弄潮儿。
好文章,需要你的鼓励
这项由加州大学圣地亚哥分校和微软研究院合作开发的REAL框架,通过程序分析反馈训练大型语言模型生成高质量代码。与传统方法不同,REAL采用强化学习将代码安全性和可维护性作为奖励信号,不依赖人工标注或特定规则。研究在多个数据集上的实验表明,REAL在保证功能正确性的同时显著提高了代码质量,有效解决了"即兴编程"中的安全漏洞和维护性问题,为AI辅助编程提供了新的范式。
加州大学伯克利分校与Meta FAIR研究团队开发了"Self-Challenging"框架,让大语言模型通过自己创建和解决任务来提升能力。该方法引入创新的"Code-as-Task"格式,包含指令、验证函数、示例解决方案和失败案例,确保生成的任务既可行又有挑战性。在工具计算、网页浏览、零售服务和航班预订四种环境测试中,仅使用自生成训练数据,Llama-3.1-8B模型性能提升了两倍多,证明AI可以通过自我挑战实现有效学习,减少对人类标注的依赖。
南洋理工大学与SenseTime Research合作提出了PoseFuse3D-KI,一种创新的人体中心关键帧插值框架。该方法将3D人体模型信息融入扩散过程,解决了现有技术在处理复杂人体动作时产生扭曲结果的问题。研究团队开发了专门的SMPL-X编码器直接从3D空间提取几何信息,并设计了融合网络将3D线索与2D姿态无缝整合。他们还构建了CHKI-Video数据集,包含2,614个视频片段及完整的人体标注。实验结果显示,PoseFuse3D-KI在PSNR上提升9%,LPIPS减少38%,显著超越现有方法。
这项研究提出了LongGuide算法,解决了大型语言模型在长文本生成任务中的局限性。研究团队发现,仅依靠上下文学习无法使模型充分掌握文本的语言和格式特性。LongGuide通过自动生成两种指导原则:度量指导原则和输出约束指导原则,显著提升了模型性能。在七种长文本生成任务中,该方法使开源和闭源模型的ROUGE-L评分平均提高约6%。LongGuide具有通用性强、易于学习、成本效益高等优点,为提升AI长文本生成能力提供了新方向。