今年,NewMotion EV驾驶员调查对五大欧洲主要市场(德国、荷兰、法国、英国和比利时)的一万多名受访者进行提问,希望整理出关于电动汽车驾驶与充电体验的最新见解。
那么,电动车司机们如何看待环保问题?他们分别采取怎样的充电模式?他们又希望未来的电动车产品带来哪些改进?
我们马上进入正题。
1. 电动车司机更重视环保
近六成受访者表示自己选择电动车的核心原因在于保护环境。此外,司机们也表示支持充电功能,认为这能进一步给环境保护带来积极影响。
具体调查结果包括:
受访者们认为充电能够改善环境问题。
2. 司机们已经习惯了随时随地充电
近三分之二(62%)的受访者表示他们会首选路边充电桩。位列第二的则是停车场、购物商场及休闲度假地的充电桩,占比为46%。
约68%的电动车司机拥有家庭充电桩,38%的受访者在办公地拥有充电桩,15%的人则二者皆无、所以只能使用标准插座慢充或者在停车地随时充电。

大多数电动车司机更喜欢使用替代性充电选项。
3. 大多数电动车车主注册了多家充电网络
几乎每位司机(94%)都拥有至少一张充电网络注册卡,74%拥有两张以上。
在拥有多张电卡的用户中,97%的人主要使用其中一张——其中37%的理由是这张卡电价更低,22%是因为服务商提供更广泛的覆盖范围与更多充电桩位。
有趣的是,69%的受访司机认为他们的主卡已经能够覆盖全部造访地点,额外买张卡只是“以防万一”。

调查显示,比利时与荷兰的高单卡使用率可能表明这里充电网络的覆盖情况更好。
但里程焦虑仍是困扰电动车用户的一大重要问题;事实上,54%的受访者表示担心未来自己的活动范围内缺少充电桩。
4.快充服务需求不断上升
受访者们最期待的改进,无疑是快速充电基础设施的进一步普及。
快速充电站能帮助司机们在高速公路上以更短的时间获得更长的续航能力,所以在人们的日常生活中并不算是必需品。事实上,只有不到半数受访者每周使用一次快充服务,13%的受访者从未使用过快充。
5.一日电动车,终身爱好者
样本显示,大多数受访者一旦尝试过电动汽车,就很难再接受传统燃油车。超过五分之三的司机希望购买纯电汽车作为下一辆用车。五分之一会考虑使用手电式混合动力车,只有4%的人会继续坚持汽油或柴油车。
事实上,相较于传统汽车与柴油汽车,电动汽车用户对自己的座驾评价极高。

驾驶员们深刻体会到了电动车的低维护成本与使用成本。
对于希望再次购买纯电汽车的群体来说,五大首选品牌依次是特斯拉、日产、雷诺、现代和大众。
6.电动车会改变司机的驾驶行为
近半数司机表示,自从改用电动车之后,他们的驾驶效率有所提高、速度更低、加速也更平衡。这可能与续航里程有关,毕竟较为温和的驾驶风格能够更好地延长电池寿命。
与此同时,23%的驾驶员体会到了电动车更强的扭矩优势,感受到自己的加速比以往更快。只有5%的受访者觉得自己在电动车和传统燃油车上的驾驶行为没有任何变化。
7.对于推广电动汽车的建议
作为实际使用者,车主们还分享了一些自己从传统汽车过渡到电动车后的心得。
在他们看来,目前的电动车还需要在以下几个方面做出改进(按重要程度排序):
总而言之,调查数据表明电动车的自身产品力已经得到大多数用户的认可;环保优势与良好的驾驶体验成为人们选择电动车的首要理由。
尽管政府、汽车制造商和充电服务商都在推动电动车普及方面做出了重要贡献,但电动车自身强大的功能与令人愉悦的体验,才是让人们有信心做出转变的核心理由。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。