大型網(wǎng)約車平臺Uber與英國電動面包車及公交車制造商Arrival宣布聯(lián)手,將為專門從事網(wǎng)約車服務的駕駛員設計一款新型電動車。
一方面,這確實是個好消息;但另一方面……Uber好像越來越像傳統(tǒng)出租車公司了。
交易細則
根據(jù)路透社的報道,雙方日前宣布將共同開發(fā)一款“運送用車型”,這將是一款“價格適中、專門用于乘用服務的車輛”。
這款車型將于明年年底投入量產(chǎn)。
作為Uber未來發(fā)展規(guī)劃的重要部分,這位網(wǎng)約車巨頭計劃到2025年在倫敦、2030年在北美及整個歐洲建立起一套全電動交通運輸平臺。
優(yōu)勢與挑戰(zhàn)
轉(zhuǎn)向全電動當然是件好事,有助于改善大部分Uber覆蓋城市的尾氣排放與噪聲污染問題。
但Uber及Lyft等網(wǎng)約車平臺造成的交通擁堵仍然沒有理想的解決辦法,各服務商后續(xù)還須繼續(xù)努力。
Arrival發(fā)布的公告稱,這款車型將與駕駛員合作設計,希望盡可能滿足用戶需求。但目前得到的價格信息僅為“定位合理”,因此在實際量產(chǎn)之前恐怕很難預判車輛的實際售價或者是否會有所變動。
此外,Uber也尚未公開將為駕駛員們提供怎樣的換購支持政策。
該公司已經(jīng)籌集1.88億美元(約合1.35億英鎊)以幫助網(wǎng)約車司機們享受置換補貼,但具體操作細節(jié)恐怕要到新車量產(chǎn)后才會公開。
Arrival與Uber發(fā)布的渲染概念圖:除了整潔的車廂之外,Uber應用中的幾乎所有功能也都被直接內(nèi)置到車載系統(tǒng)當中。
目前,Uber已經(jīng)為英國的電動車司機們提供部分補貼性回扣。
此外,Uber還與起亞、日產(chǎn)及現(xiàn)代等多家電動汽車制造商商定了金融交易優(yōu)惠。
對于身在倫敦的網(wǎng)約車司機們,每英里的計程費用上漲了3便士,保證他們擁有更高的工作收益。
截至2021年底,電動汽車駕駛員上繳給平臺的服務費將降低15%。但面對這筆因行程而異的開銷,部分業(yè)內(nèi)人士認為Uber仍然不夠厚道,表示最好能將抽成比例控制在25%左右。
更重要的一點在于,Uber提出的這些經(jīng)濟獎勵只是臨時性激勵措施,絕對不可能永遠持續(xù)下去。
等到Uber車隊在英國國內(nèi)全面實現(xiàn)電動化,或者至少大部分司機已經(jīng)開上電動車之后,這些激勵措施肯定會被取消。屆時服務費抽成也將恢復正常。
還有哪些其他選項?
Uber與Arrival專門為司機們開發(fā)的這款車并非內(nèi)部獨享,也有望向其他客戶開放供應。
換句話說,任何乘用服務經(jīng)營者都可以采購這款汽車;雙方甚至有可能將新車出售給傳統(tǒng)出租車公司。
Uber似乎已經(jīng)完成了對出租車行業(yè)的重塑,現(xiàn)在兩家公司希望合作重塑出租車本身。
與倫敦Black出租車一樣,這款新車的前排乘客座椅似乎可以拆下,借此提供更大的腿部空間或行李放置空間。
但這款新車能不能成功,還是要看Uber怎樣規(guī)劃車輛交付方案。
目前,只要符合乘用車審查標準,Uber司機完全可以使用自己的私家車上路接客。換句話說,兼職性質(zhì)的駕駛員能夠做到家庭車輛的運營、私用兩不誤。
但如果Uber強制要求駕駛員使用Arrival純電汽車才能上路接單,司機們可能會強烈抵制,畢竟這背后牽扯到巨大的經(jīng)濟利益。而且這種方式恐怕也與Uber認為司機應該保持獨立承包商定位的基本觀點有所沖突。
相比之下,更公平的方式應該是允許承包商們自由選擇車輛工具。
但根據(jù)此前的一項調(diào)查,高達68%的Uber司機決定在未來半年內(nèi)放棄網(wǎng)約車平臺。從這個角度看,不知道Arrival打造的網(wǎng)約專用車到底還有多大的目標受眾群體。
而且從Uber計劃向其他企業(yè)買家開放新車采購渠道來看,這位網(wǎng)約車巨頭想得到的絕不只是“保護環(huán)境”這道光環(huán)——正所謂環(huán)保與收益,我全都要!
好文章,需要你的鼓勵
浙江大學團隊提出動態(tài)專家搜索方法,讓AI能根據(jù)不同問題靈活調(diào)整內(nèi)部專家配置。該方法在數(shù)學、編程等任務上顯著提升推理準確率,且不增加計算成本。研究發(fā)現(xiàn)不同類型問題偏愛不同專家配置,為AI推理優(yōu)化開辟新路徑。
清華大學研究團隊提出SIRI方法,通過"壓縮-擴張"交替訓練策略,成功解決了大型推理模型"話多且準確率低"的問題。實驗顯示,該方法在數(shù)學競賽題上將模型準確率提升43.2%的同時,輸出長度減少46.9%,真正實現(xiàn)了效率與性能的雙重優(yōu)化,為AI模型訓練提供了新思路。
南洋理工大學與騰訊聯(lián)合研究團隊開發(fā)出Rolling Forcing技術(shù),實現(xiàn)AI視頻實時流式生成的重大突破。該技術(shù)通過滾動窗口聯(lián)合去噪、注意力錨點機制和高效訓練算法三項創(chuàng)新,解決了長視頻生成中的錯誤累積問題,可在單GPU上以16fps速度生成多分鐘高質(zhì)量視頻,延遲僅0.76秒,質(zhì)量漂移指標從傳統(tǒng)方法的1.66降至0.01,為交互式媒體和內(nèi)容創(chuàng)作開辟新可能。
華中科技大學研究團隊發(fā)現(xiàn),通過讓AI模型學習解決幾何問題,能夠顯著提升其空間理解能力。他們構(gòu)建了包含約30000個幾何題目的Euclid30K數(shù)據(jù)集,使用強化學習方法訓練多個AI模型。實驗結(jié)果顯示,幾何訓練在四個空間智能測試基準上都帶來顯著提升,其中最佳模型達到49.6%準確率,超越此前最好成績。這項研究揭示了基礎幾何知識對培養(yǎng)AI空間智能的重要價值。