由于特朗普政府最近威胁称有意削减对电动汽车(简称EV)的补贴,汽车行业也因此成为备受瞩目的焦点所在——而且就在去年11月,通用汽车公司正式宣布大规模裁员计划。
如果美国国会最终决定取消补贴,那么这项法案将损害美国的电动汽车采用率,并对正在大力投资开发数百种新型电动车型的整体汽车行业造成重大影响。但在这一不断变化的环境当中,区块链技术(即由对等网络负责管理的分布式账本)有望显著削减成本,增加价值空间并帮助制造商在新兴市场当中保持强劲的竞争优势。
下面,我们将共同了解这项技术如何在改善电动汽车生存环境与提振汽车行业态势方面发挥作用:
目前,削减电动汽车补贴的主要影响,体现在给每一辆汽车增加2500美元到7500美元的购买成本——很明显,这笔费用都将由消费者承担。而一旦美国国会决定废除激励性措施,汽车制造商可能会面临同样的打击。因为如果以销售20万辆电动汽车为例,相关汽车厂商的税收抵免将有所降低——预计到2030年,全球电动汽车总销量将高达1.25亿辆,届时汽车制造商将面临更为沉重的税收压力。
尽管汽车制造商并不能从现有消费者补贴当中获得直接收益,但却仍会受到非常直接的激励性影响。因为当购车价格当中包含抵扣部分时,人们会更为积极地选择购买电动汽车。
而区块链技术有望帮助降低成本、保留利润空间并维持消费者们的购买意愿。利用基于区块链的追踪与追溯技术,汽车制造商可以通过清理供应链以降低成本并提高利润率,并从根本上消除假冒零件与掉包等问题的出现可能。
通过准确追踪每一辆车中的零件来自哪里,汽车制造商还能够以更具成本效益的方式进行召回。到那时,他们可能只需要考虑配备某家特定供应商零件的车辆,而非全面召回发布于某年的所有对应车型。
通过这种方式,供应链将变得更为精简且高效。
必须承认的是,无论是否存在补贴,电动汽车的发展都将继续下去。
目前,20%的美国人表示可能会在未来某个时候选择购买电动汽车。而随着潜在续航能力以及充电便捷性问题的逐步解决,电动汽车终将成为市场上的主流。
在全球范围之内,世界各地的国家与各个城市都在讨论是否有必要禁止销售内燃机驱动型汽车。挪威、印度、法国以及英国都已经出台了相关时间表——挪威甚至发布了一项雄心勃勃的目标,将2025年划定为最终期限。即使是中国这一全球最大的温室气体排放国,也同样在制定一项长期计划,希望逐步淘汰以化石燃料为动力的车辆。从供应方面来看,仅福特与通用汽车两家就计划在2023年推出34款全电动车型,而整个汽车行业的电动车型产量预计也将全面增长。
随着越来越多汽车制造商推出自己的电动汽车选项,加上愈发激烈的市场竞争态势,各大品牌当然需要以更具吸引力的方式实现自家车辆产品的差异化,进而拉拢更多有意购买的客户。
实现这一目标的可行方法之一,在于利用与消除假冒配件相同的供应链机制增加品牌价值。通过供应链追踪各类配件与组件,汽车制造商能够确保所有参与方都遵守道德规范,并以可持续方式支持车辆生产流程——而这也高度契合电动汽车的核心价值主张。
在谈到此次大规模裁员决定时,通用汽车公司给出的核心理由之一,在于他们希望避免公司再次遭遇像2008年那样的存亡危机。因此,他们希望能够通过裁员实现可观的成本节约,从而调度资金以保持自身竞争力,最终确保通用能够在自动驾驶汽车与电动汽车领域占据可观的市场份额。
就在通用汽车高度关注新兴技术的同时,众多其它汽车制造商也开始研究如何利用区块链技术帮助自身稳定发展。此前成立的Mobi联盟正是一支负责为去中心化移动与数据共享提供标准的工作机构。该联盟的成员包括汽车行业当中多个家喻户晓的名号,例如宝马、福特、通用汽车以及雷诺等等。他们将共同与IBM、IOTA以及ConsenSys等技术供应商开展合作。
在构建这样的联盟体系之后,参与者通常可以从能够为各位成员带来收益的小规模用例起步。具体来讲,研究项目可以是日程表防篡改追踪、负责任采购或者可信所有权记录等等。而随着该小组所带来价值回报的日益增长,将有更多参与者加入进来以分享这方面收益,同时做出自己的贡献。
而且必须承认的是,那些不愿接受新兴技术的汽车制造商将无法借此削减成本并提高品牌价值,并最终会在这场角逐当中落后。就在当下,电动汽车与区块链技术已经登上下一波科技发展浪潮的中央舞台——无论是否接受,它们就在这里,奔腾前行。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。