前华为和百度高管李一男创业做的电动车将在6月初发布,就在昨天李一男带领牛电科技创始团队召开了一次媒体沟通会,李一男透露牛电科技的第一款产品定名为“小牛电动车”,这将是一款“智能电动踏板车”,更加类似电动摩托车而非自行车。
小牛电动车作为一种代步工具,主要面向年轻人市场,由于目前电动车市场85%以上使用的都是铅酸电池,所以李一男表示小牛电动车的革命主要体现在锂电池方面,同时参照高档汽车的开发设计标准以及超过同类产品的驾驶体验。
李一男首次披露了牛电科技的融资情况,天使轮及A轮的总投资规模近5000万美元,最大的投资方是纪源资本,其他还包括IDG、红杉资本等机构。
如我们所见,传统电动车重量都比较重,大概有80公斤左右,不方便运输与安装,所以只能集中在线下销售,而此次李一男称,小牛电动车是首款完全在电商渠道销售的电动车,小牛电动车由于设计上的优势可以实现送货上门,并且拆箱可骑,完全不需要用户自己安装。李一男还表示发布会结束后会很快就能发货,绝对不会学小米玩饥饿营销,在他看来工业产品的特点就是最大限度的满足用户需求,能不能给客户带来额外的附加价值,真正做到物超所值。
他对小牛电动车的销量没有预期,因为这个市场很大,走销量没意思。至于产能,刚开始还有一段过程,真正跑起来会怎么样目前不太清楚。“更重要的就是我们除了中国客户,能不能真正进到欧洲市场.。”
但电商渠道面临的问题是,后续的维修服务如何保证?传统电动车可以直接到线下门店维修、保养,小牛电动车由于产品设计和智能的特殊性,需要配备更专业的技能维修人员。
在售后维修上,李一男表示牛电科技与3000家O2O(线上到线下)维修点达成了合作,为小牛电动车提供售后服务,接下来会培训他们,把配件提供给他们。李一男也坦言,想要在很偏远的地方实现,需要一段时间。
在获得5000万美元融资之后,除了花费在产品研发层面,牛电科技还在常州自建了工厂。之所以自建工厂,李一男表示整个电动车产业规模很大,但并没有形成一个外包的产业规模。
由于小牛电动车设计的特殊性,产业零部件比较多,也没有找到达到品质的代工厂,于是咬着牙自己建了一个厂,运行着四条全自动生产线。
在被问及自建工厂的花费,李一男笑着说,当地政府非常支持,建这家工厂实际上并没花太多钱,主要靠的是“刷脸”。
无论是哪种交通工具,只要在道路上行驶就面临着安全问题,电动车也不例外。李一男认为这主要关乎两个问题:一个是政策法规方面的考量,一个是电动车如何与其他交通工具相处?
资料显示,目前中国只有一个16年前制定的电动自行车标准,即车重不超过40公斤,车速不超过20公里。现在道路上行驶的电动自行车99.9%都是超标的,都不符合这个标准。李一男透露中国目前正在进行新的电动自行车的标准制定,基本上会跟欧盟标准比较接近(欧盟要求车速26公里,整车重量含电池不超过55公斤),但最高时速比欧盟标准低一点。
因为生产厂商、质检部门和交通管理部门已经经过好几年的磋商,在今年或者明年上半年有可能达成一致。事实上,更重要的一点是划分了人行道、自行车道和机动车道时候,每个人的路权是被清晰定义的,不同的出行方式自然会有独有的生存空间。
特斯拉电动车在全球扩张之路上最大的阻碍就是充电桩的建设,小牛电动车也面临这样的问题,毕竟电力驱动的设备续航时间有限,万一路上行驶过程中没电了怎么办?再者,涉及到充电标准的问题,在建的汽车充电桩,所有电动车可以通用吗?
针对以上问题,李一男只表示今年年底会看到牛电科技提供的一个更好的解决方案。那么,李一男将如何凭借一款电动车消除并革新传统电动车在续航、设计、功能上的缺陷,就请期待6月初小牛电动车的发布会吧。
好文章,需要你的鼓励
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。