特斯拉又双叒产量不足,下一个特斯拉还有多远?



硅谷Live / 实地探访 / 热点探秘 / 深度探讨




2019年新能源汽车的大限降至,谁能成为造车界的下一个“特斯拉”?




话说,最近钢铁侠马斯克估计有点烦啊……

 

这 Model 3的造车进程看起来比预想的要慢,原定于生产1500辆的第三季度,也只生产了260台。唔,你们的爱车估计又又又又要晚点拿到了……(听说国内都到2019年了?)连电动卡车都要延迟发布了。马斯克也坦诚,由于生产瓶颈,Model 3 的生产“不及预期”。

 

说到产能,估计其他家跟特斯拉同样在烦的也不少。比如 FF 先前传来的工厂停工,放弃沙漠建厂,又到高管离职,都跟融资不到位有很大关系;连老牌公司通用旗下的雪佛兰,其纯电动车 Bolt EV,也传出来产量非常有限,到年底也不过几百台。

 

造车不易啊,且造且珍惜。不过,就在这样一片声势中,小探最近发现有一家 EV (Electric Vehicle)科技公司悄悄涌进硅谷造车了!关键是,这公司还开在了特斯拉旁。什么公司这么大来头?莫非是想对标特斯拉?跑得比香港警察还快的密探赶紧替你瞄一瞄去。

 

挖来特斯拉、苹果大牛

 

这家公司名叫 SF Motors,在硅谷的核心地区圣塔克拉拉市( Santa Clara )拥有一栋四层建筑,其中一层二层车库都有数量相当的电动车充电站。 

 

 

虽说从外观上看不出跟别的科技公司有啥不太一样,但公司的人,倒是有点意思了。

 

首先,这家公司把特斯拉的创始人、前CEO 马丁.艾伯哈德(Martin Eberhard)聘请来做了战略顾问。艾伯哈德的故事相信不用小探多说了,简单说就是,他是特斯拉的创始人,还担任过特斯拉的首任CEO。他是第一个提出采用锂电池做电动车能源,以及在硅谷建立汽车公司的第一人。。

 

那艾伯哈德的主要任务是什么呢?是为SF Motors的新能源汽车产品定位、开发、技术创新等方面提供服务,使得该公司的新能源汽车获取在全球市场(尤其是美国和中国市场)具有竞争优势。

 

 

此外,这家公司目前的首席技术官(CTO)是曾在特斯拉担任主电机工程师的 Yifan Tang ,还有几位特斯拉、苹果工程师也跟随 Tang 加入了SF Motors团队。


据网上公开资料显示,Tang 在特斯拉工作了5年,曾参与设计特斯拉第一代电动跑车Roadster 和 Model S,以及其他汽车制造商生产的部分车型(如奔驰B-Class和丰田 RAV4)。此外,他还是特斯拉 Model X AWD 原型车的设计者。此前,Tang 还在另一家电动车公司 Lucid Motors 工作了3年,担任自动驾驶工程训练方面的副总裁。



根据领英公司页面显示,目前SF Motors 除了硅谷之外,还在密歇根州与密歇根大学合作,建立无人驾驶及车联网技术的团队,总共员工已超过150人。公开报道称,预计到年底,SF Motors 还要招聘100位员工,包括车身工程、建模、供应链等多个级别的岗位。

 

(密探去瞄的那天赶上SF Motors 的开放日,吸引了不少人啊)

 

资本充足 拥有 EV 牌照 


团队的人初步成型后,钱从何来?造车这件事,钱当然是最无法避开的因素了。造新能源、电动车最重要的第一步,当然就是资金储备。

 

小探发现,原来成立于2016年1月的 SF Motors 是一家具有中国资本背景的美国公司,其母公司是重庆小康工业集团股份有限公司。小康工业在汽车领域积累颇深,旗下东风小康系列产品市场保有量已突破300万辆,也早已在上交所上市。

 

据上交所公开信息显示,早在去年年底,小康股份有限公司投资3000万美元,用于投资旗下 SF Motors 纯电动智能汽车开发项目。在今年8月,经证监会批准,小康股份将公开发行不超过 15 亿元人民币的可转换公司债券,用于 SF Motors 及相关新能源电动汽车的使用。


有了母公司的资本支持后,SF Motors 迅速宣布,将以1.1亿美元收购AMG公司的民用汽车工厂及相关资产。AMG 曾是民用悍马品牌的所有者,并为不同的原始设备制造商生产过悍马 H2、MV-1 车型、梅赛德斯-奔驰R系列汽车等。


收购完成之后,SF Motors 拥有其印第安纳州的工厂,同时还获得了技术熟练的员工,有能力在北美量产汽车,SF Motors 也将是硅谷唯一一家中国和美国两个国家同时拥有自己制造基地的电动汽车公司看来 SF Motors 扎根北美市场的决心不小。

 

更重要的是,小康在今年年初拿到了国内新能源汽车生产资质,没错,就是那张重要的电动车的生产牌照。是国内仅发放 15 张新能源牌照的拥有者之一。


这无论对各种当下的明星电动车造车公司,还是对各种传统汽车公司来说,想要在中国市场站住脚跟,资质就显得特别重要了。


当前,众多明星造车团队尚在积极争取拿下生产资质这张牌照,但还未拿下的原因也非常多,最重要的就是样车生产和规划尚在过程中,还需时日。


布局硅谷战略高地

 

在硅谷“造车”其实并不是只有 SF Motors 一家的想法。毕竟,在硅谷这块不大的地方,造车的身影已经越来越明显了。

 

汽车公司进军硅谷很有必要,因为电动化和智能化的融合是必然趋势。区别于传统的内燃汽车,电动汽车大部分是电子设备,天然适合做智能化。仅有电动而没有智能的汽车在未来会没有竞争力。而硅谷,拥有最好的科技人才,在智能化潮流中独占鳌头。想抓住这个汽车电动化和智能化变革这个百年一遇的历史机遇,硅谷显然是一个战略高地。

 

像我们熟悉的电动公司造车团队,比如从乐视到后来的法拉第未来(Faraday Future),Luicd、Nio、FMC、再到国内大型的汽车公司,比如北汽、长安汽车、上汽等,在硅谷都以联合投资初创公司、研发中心等多种形态存在。比如,上汽在硅谷设立了投资公司并设立了上汽硅谷创新中心,北汽新能源在硅谷设研发中心。

 

长期观察中国电动车行业造车的一位国外同行曾告诉密探,他在观察世界各地电动车的案例中发现,中国的成功案例并不少。中国当前的电动汽车公司可分为三类,第一类,是想要成为下一个马斯克的、科技巨头亿万富翁们领导的公司;第二类,是由国企扶持的新电动车分支公司;第三类,才是小型的独立造车的电动车公司。


那这三类造车公司的优劣势分别在哪呢?

 

传统大型汽车品牌,对电动车核心技术是渴望的,所以往往选择合作或收购。在生产、供应链方面有原生优势,但很多大型汽车品牌在电动化、智能化上动作较慢,由于受内燃车业务掣肘,没有以“All in”的态度在投入。

 

像一些具备互联网背景的造车公司,都希望成为下一个特斯拉。但持续的资本支持很重要,当公司一旦缺乏经验,不懂造车,在供应链上劣势很大,容易走弯路。整车从设计到量产的周期长,有非常多的坑,需要找到有力的合作伙伴,否则造车基本很难独立完成。

 

至于一些小作坊式的造车公司,没有任何背景起家,劣势是经不住烧钱会倒闭。

 

在电动汽车领域的硅谷军备赛中,SF Motors 有比较得天独厚的优势,一方面拥有专注电动车和智能驾驶的团队和技术,掌握电池、电机、电控的智能核心技术,在硅谷、密歇根、北京都有研发机构,特别是拥有中美两地制造工厂。

 

母公司实力雄厚、在国内有丰富的造车经验和供应商关系,在供应链、工厂、牌照等关键领域直接帮助解决,又背靠中国市场,SF Motors 是最有实力打造中国版“特斯拉”的玩家之一。

 

SF Motors 正在这场硅谷军备赛中加速前进,毕竟,留给大家的时间不多了。

 

就在今年国庆长假前的 9 月 29 日,汽车行业乘用车“双积分”政策正式公布。简单说来,“双积分”是指企业的平均燃料消耗量积分和新能源汽车积分,如果传统造车企业不降低平均燃料消耗,积分为“负”的话,要么就强制要求转型生产新能源汽车;要么,就花钱跟其他企业购买新能源汽车积分抵消。这个政策2018年4月1号就开始实施,2019年开始考核。

 

可见,中国对电动车政策的倾斜、看好以及对汽车生产的严格要求,是当下促进中资公司更加卖力扎根硅谷“造车”的重要原因。因为,时间不等人,而硅谷的人才、技术对企业来说,实在是太诱人了。

 

正如特斯拉联合创始人马丁.艾伯哈德所言,SF Motors 不是普通的初创公司,也不是常规的互联网公司,其具有成功的经验和丰富汽车制造背景作为支撑,现在正通过整合硅谷、底特律和中国的最大优势来制造世界级的电动汽车。


(图片来自网络,艾伯哈德在 SF Motors 的全球合作商大会上)

 

洗牌已发生 2019年见分晓

 

随着造电动车的电池、电控、电机等核心技术的成熟,电动车取代燃油车必定是未来的一大趋势。当 2019年这个“紧箍咒”越来越近时,无论是中资还是外资,造车企业的新一轮洗牌已经悄然发生。

 

当前,国内厂商如奇瑞已发布了欧洲计划、一汽奔腾未來旗下一系列的新能源车计划,国外的厂商如保时捷发布Mission E计划,奔驰跟特斯拉造紧凑型电动车、丰田与马自达合资成立EV技术等等。可见,随着多家国内外厂商发力电动车,当2019年“双积分制”的大限将至,必将迎来电动车产品的一个爆发年。无论中外造车公司,都想分一杯羹。

 

无论中国这个最大的汽车市场,还是美国这样的“汽车王国”,像 SF Motors 这种既拥有国内牌照,又已由母公司筹足资金,潜入硅谷组建好团队以及生产工厂的,显然属于实力玩家。到底 SF Motors 下一步还有什么大动作?密探将继续为你追踪。




推荐阅读


卫哲 | 王刚 | 姚劲波

胡海泉 | 朱啸虎

王者荣耀 | 区块链




1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
应用背景为变电站电力巡检,基于YOLO v4算法模型对常见电力巡检目标进行检测,并充分利用Ascend310提供的DVPP等硬件支持能力来完成流媒体的传输、处理等任务,并对系统性能做出一定的优化。.zip深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 、资源5来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后会第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。、 5资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值