到2030年,預(yù)計(jì)中國售出的汽車中將有40%為電動(dòng)汽車;MIT研究發(fā)現(xiàn),盡管“油轉(zhuǎn)電”收益明確,也會(huì)給消費(fèi)者乃至整個(gè)社會(huì)帶來巨大的代價(jià)。
最近幾十年以來,中國經(jīng)濟(jì)的快速增長(zhǎng)讓更多民眾成為有車一族。百姓出行能力得到極大改善、中國發(fā)展為全球最大汽車市場(chǎng),但嚴(yán)重的城市空氣污染、巨量溫室氣體排放以及對(duì)石油進(jìn)口的日益依賴也構(gòu)成新的現(xiàn)實(shí)挑戰(zhàn)。
為了應(yīng)對(duì)這些沖擊,中國制定政策、大力鼓勵(lì)手電式電動(dòng)汽車(EV)的普及。由于購買電動(dòng)汽車的成本要高于傳統(tǒng)內(nèi)燃機(jī)(ICE)汽車,因此從2009年開始,中國開始為民眾購買的電動(dòng)車提供豐厚補(bǔ)貼。
2020年底,中國開始逐步取消補(bǔ)貼,轉(zhuǎn)而將環(huán)保壓力分?jǐn)偨o各汽車制造商。簡(jiǎn)而言之,新政策要求各家車廠必須按一定比例推出電動(dòng)車產(chǎn)品。為了避免罰款,廠家每年需要獲得一定的排放評(píng)分,具體分?jǐn)?shù)將結(jié)合產(chǎn)品范圍、能源效率、環(huán)保交通等變量通過復(fù)雜公式計(jì)算得出。隨著時(shí)間推移,車廠承擔(dān)的壓力也將越來越大;中國希望在2030年,電動(dòng)汽車銷量能夠占總體汽車銷量的40%。
Hoyt C. Hottel化學(xué)工程教授William H. Green表示,這項(xiàng)舉措將給全球電動(dòng)車的生產(chǎn)帶來巨大影響。在他看來,“這是全球范圍內(nèi)最具野心的電動(dòng)汽車推廣計(jì)劃,并將在這片全球最大的汽車市場(chǎng)上引發(fā)深遠(yuǎn)影響。電動(dòng)汽車的制造以及對(duì)配套電池的需求將迅速增長(zhǎng),極大降低二者的生產(chǎn)成本。”
但是,這一切會(huì)給中國帶來哪些沖擊?雖然電動(dòng)汽車的普及會(huì)帶來不少環(huán)境保護(hù)助益,但整個(gè)過程要花掉多少資金?2017年,Green與他在MIT化學(xué)工程系的在讀博士生I-Yun Lisa Hsieh希望一起找出答案。他們的目標(biāo)是研究這項(xiàng)政策在電池價(jià)格、制造成本、車輛價(jià)格與銷量、消費(fèi)者擁有及使用汽車成本等方面的影響。(請(qǐng)注意,由于新冠疫情的突然爆發(fā),中國近期決定將對(duì)電動(dòng)汽車的補(bǔ)貼周期延長(zhǎng)兩年。Green的分析調(diào)查在此之前,所以并未考慮到相關(guān)變化。)
電池價(jià)格
Green認(rèn)為,“目前,電動(dòng)汽車高昂價(jià)格的主要原因在于電池成本。”但近年來,電池價(jià)格正一路走低,這顯然是“學(xué)習(xí)效應(yīng)”的功勞:隨著產(chǎn)量的增加,制造商找到了提高效率的新方法,由此不斷壓縮生產(chǎn)成本。人們普遍認(rèn)為,隨著電動(dòng)汽車在市場(chǎng)上的份額不斷提升,電池價(jià)格也將保持下降。
Green與Hsieh使用了一種新的建模方法,發(fā)現(xiàn)“學(xué)習(xí)效應(yīng)”確實(shí)能夠顯著降低電池生產(chǎn)成本,但對(duì)于關(guān)鍵電池材料的開采與制造卻幾乎沒有影響。研究最終得出的結(jié)論是,隨著產(chǎn)量的持續(xù)擴(kuò)大,目前使用范圍最廣的鋰離子鎳錳鈷電池價(jià)格卻將下降,但具體水平將在接近原材料價(jià)格后維持穩(wěn)定。
研究人員根據(jù)由此得出的電池價(jià)格估算值,計(jì)算出了隨時(shí)間推移電動(dòng)汽車的額外制造成本,并結(jié)合預(yù)設(shè)的利潤(rùn)比例確定了未來車輛產(chǎn)品的潛在售價(jià)。在之前的工作中,他們使用多種數(shù)據(jù)源與分析技術(shù)來確定中國消費(fèi)者的“承受能力”,即他們能夠拿出多大比例的收入購買一輛汽車。基于這些發(fā)現(xiàn),他們對(duì)2018年到2030年之間中國汽車銷量做出基本預(yù)測(cè)。
作為比較基準(zhǔn),研究人員們首先假設(shè)一種“反事實(shí)”(即非真實(shí)生活)情景——電動(dòng)汽車未能推開,所以也就沒有后續(xù)的新政策。在這種情況下,到2030年,中國的年均汽車銷售總量預(yù)計(jì)將攀升至3400萬以上。
在取消電動(dòng)汽車補(bǔ)貼、并于2020年頒布面向車廠的強(qiáng)制性法規(guī)之后,汽車的總銷量將有所下降。但在此之后,經(jīng)濟(jì)的增長(zhǎng)與收入增加進(jìn)一步強(qiáng)化了消費(fèi)者的購買車,繼續(xù)推動(dòng)著民眾對(duì)于私家車的需求。這時(shí)盡管年均銷售量比“反事實(shí)”情景低20%,但2030年的預(yù)期汽車銷量仍可達(dá)到3000萬輛左右。
研究人員還預(yù)測(cè)了燃油車與電動(dòng)力銷量在三個(gè)時(shí)間點(diǎn)上的具體細(xì)分差異。根據(jù)分析結(jié)論,2020年電動(dòng)汽車的占比應(yīng)該僅為7%(約160萬輛);到2025年,這一比例將達(dá)到21%(540萬輛);而到2030年,這一比例將上升至37%(1120萬輛),接近政府設(shè)定的40%目標(biāo)。這意味著從2020年到2030年之間,中國市場(chǎng)將總計(jì)售出6600萬輛電動(dòng)汽車。
調(diào)查還對(duì)插電式電動(dòng)汽車做出進(jìn)一步細(xì)分:純電池電動(dòng)汽車與混合電動(dòng)汽車(即油電混動(dòng)汽車)。盡管純電汽車的電池成本更高,但其銷量卻達(dá)到混合電動(dòng)汽車的兩倍。Green表示,“中國提出的政策更支持續(xù)航里程較長(zhǎng)的電動(dòng)車,也就是電池容量更大的汽車產(chǎn)品。因此,汽車廠商更有動(dòng)力去生產(chǎn)純電池電動(dòng)汽車,借此為自己爭(zhēng)取出排放評(píng)分空間。”
對(duì)消費(fèi)者而言,電動(dòng)汽車的擁有及使用成本也與傳統(tǒng)燃油車有著顯著差異。為了計(jì)算出這種區(qū)別,研究人員量化了到2030年兩類電動(dòng)汽車與傳統(tǒng)燃油車之間的“總體擁有成本(TCO)”數(shù)字,包括購買成本、燃料成本以及運(yùn)營與維護(hù)成本(包括保險(xiǎn))。
分析結(jié)果表明,2020年之前,由于政府提供豐厚的電動(dòng)汽車補(bǔ)貼,這兩類插電式電動(dòng)汽車的擁有成本要低于傳統(tǒng)油車擁有成本。但在2020年取消補(bǔ)貼并強(qiáng)制推行車廠排放評(píng)分制度之后,混動(dòng)汽車與燃油車的擁有成本將基本相當(dāng),而純電汽車則因電池價(jià)格高昂而更加昂貴。降低電池價(jià)格當(dāng)然有助于降低這兩類電車的總體擁有成本,但到2030年,純電車的價(jià)格仍然會(huì)相對(duì)更高。
社會(huì)成本
研究人員的下一步工作,是計(jì)算強(qiáng)制推行電動(dòng)汽車給中國帶來的總成本?;痉椒ǚ浅:?jiǎn)單:選取每年售出電動(dòng)汽車的總體擁有成本,對(duì)成本進(jìn)行殘值計(jì)算,而后將結(jié)果乘以該年售出的汽車總量。(其中不含車輛購買、充電及加油時(shí)的稅收部分,因?yàn)檫@部分稅收對(duì)應(yīng)的財(cái)政支出必然要由全社會(huì)共同承擔(dān)。)
通過這種方式,研究人員們計(jì)算出了每輛電動(dòng)車每年為社會(huì)增加的成本、每行駛一公里產(chǎn)生的使用成本,而且他們?cè)谄渲屑俣ㄆ嚨氖褂脡勖鼮?2年、每年行駛12500公里。結(jié)果表明,電動(dòng)汽車的擁有及使用增量成本從2021年到2030年持續(xù)下降。純電汽車的成本下降幅度要大于混動(dòng)汽車,但考慮這部分差異后純電汽車的擁有加使用成本仍然更高。
通過將每輛汽車的社會(huì)成本與售出的汽車數(shù)量相乘,研究人員得出了總額外成本。從結(jié)果來看,單年售出的電動(dòng)汽車總量將抵消單車成本的下降比例,因此電動(dòng)車給社會(huì)帶來的增量成本將持續(xù)增加,而且費(fèi)用相當(dāng)可觀。從2021年到2030年,強(qiáng)制推行電動(dòng)汽車每年將帶來1000億人民幣成本,約占全國交通行業(yè)總支出的2%。
而在這十年之間,電動(dòng)汽車全面過渡帶來的年均社會(huì)成本將占中國持續(xù)增長(zhǎng)的國內(nèi)生產(chǎn)總值(GDP)的0.1%。Hsieh認(rèn)為,“這意味著強(qiáng)制推動(dòng)油轉(zhuǎn)電會(huì)給社會(huì)造成巨大的負(fù)擔(dān)。由于車價(jià)上漲,民眾可用于其他消費(fèi)的資金預(yù)算將受到影響。”
其他注意事項(xiàng)
當(dāng)然,Green和Hsieh也強(qiáng)調(diào),必須根據(jù)潛在收益考慮強(qiáng)制推行電動(dòng)汽車帶來的高昂社會(huì)成本。例如,從油車轉(zhuǎn)向電車有助于降低空氣污染程度、控制健康成本;減少二氧化碳排放以緩解氣候變化;同時(shí)減少對(duì)進(jìn)口石油的依賴,幫助中國提升能源安全水平、維持貿(mào)易收支平衡。
Hsieh目前正努力量化這些收益,以便團(tuán)隊(duì)能夠?qū)χ袊碾妱?dòng)汽車過渡政策做出準(zhǔn)確的成本效益分析。她的初步結(jié)果表明,貨幣化收益與成本一樣非??捎^。她解釋道,“收益與成本似乎基本相等。由于差異極小,我們必須小心對(duì)待、盡量計(jì)算出正確的數(shù)字。”
研究人員還列舉了另外兩個(gè)可能對(duì)收益結(jié)果造成影響的變量。2018年初,全國六個(gè)存在嚴(yán)重空氣污染的大城市開始對(duì)燃油車進(jìn)行限牌處理,甚至要求車主承擔(dān)高昂的數(shù)額以換取上路資格。兩相權(quán)衡,電動(dòng)汽車可以上“新能源牌”,因此體現(xiàn)出了強(qiáng)勁的市場(chǎng)競(jìng)爭(zhēng)力。為了保護(hù)中國汽車廠商,中國近期宣布有意解除相關(guān)上牌限制。這項(xiàng)新規(guī)給電動(dòng)汽車市場(chǎng)帶來的影響尚未可知。(同樣的,由于新冠疫情的影響,對(duì)私家車保有量的限制政策最近有所放寬。)
第二個(gè)注意事項(xiàng),在于汽車制造商如何為自己的產(chǎn)品定價(jià)。研究報(bào)告中的計(jì)算方式仍然沿用目前的主流方法:車輛制造成本加上一定比例的利潤(rùn)。但在新政策下,汽車制造商需要改變自己的定價(jià)策略,以說服足夠多的消費(fèi)者購買電動(dòng)汽車,借此獲取理想的排放評(píng)分。Green強(qiáng)調(diào),“我們不知道車廠會(huì)怎么做,但他們有可能會(huì)降低電動(dòng)汽車的價(jià)格、同時(shí)提高燃油車的價(jià)格。如此一來,他們就可以在回避罰款的前提下繼續(xù)保持盈利。”他還列舉了美國汽車制造商如何調(diào)整同款車型低功率與高功率版本的價(jià)格,適應(yīng)平均燃油經(jīng)濟(jì)性指標(biāo)要求的例子。
中國汽車制造商當(dāng)然也可能采取類似的定價(jià)策略,即故意拉低電動(dòng)汽車的價(jià)格。但考慮到中國市場(chǎng)上燃油車的銷售仍然占多數(shù),這種方式會(huì)抬高汽車的整體平均價(jià)格。Hsieh表示,“這將導(dǎo)致中國某些本買得起廉價(jià)燃油車的民眾,現(xiàn)在被迫選擇電動(dòng)車。屆時(shí),燃油版本的車型一定會(huì)出現(xiàn)溢價(jià)。”
Green強(qiáng)調(diào),這項(xiàng)規(guī)定將給全球所有汽車制造商帶來影響。一旦政策出臺(tái),所有車廠都會(huì)意識(shí)到電動(dòng)汽車已經(jīng)成為市場(chǎng)主流。在他看來,即使沒有補(bǔ)貼,購買電車帶來的額外好處也足以吸引到更多消費(fèi)者。
但他也提出了自己的擔(dān)憂。隨著電動(dòng)汽車產(chǎn)量的持續(xù)提升,關(guān)鍵電池材料的全球供應(yīng)將越來越緊張。而與此同時(shí),廢舊電池量也將同步增加。這不僅讓行業(yè)有機(jī)會(huì)探索如何回收其中部分材料以供新電池使用,同時(shí)也將催生出廢舊電池?zé)o害化處理的市場(chǎng)空間。為此,研究人員建議政策制定者“幫助將汽車制造商、電池生產(chǎn)商、二手車經(jīng)銷商以及報(bào)廢公司整合進(jìn)統(tǒng)一的電池回收產(chǎn)業(yè)鏈當(dāng)中,借此提高整個(gè)社會(huì)的可持續(xù)化水平。”
好文章,需要你的鼓勵(lì)
新加坡國立大學(xué)研究團(tuán)隊(duì)開發(fā)了SPIRAL框架,通過讓AI與自己對(duì)弈零和游戲來提升推理能力。實(shí)驗(yàn)顯示,僅訓(xùn)練AI玩簡(jiǎn)單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟(jì)大學(xué)團(tuán)隊(duì)開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機(jī)噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實(shí)現(xiàn)37.9%的精度提升,并在真實(shí)設(shè)備上展現(xiàn)出色泛化能力,為機(jī)器人、AR和自動(dòng)駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團(tuán)隊(duì)通過對(duì)比實(shí)驗(yàn)發(fā)現(xiàn),經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時(shí)刻"現(xiàn)象,但這些自我糾錯(cuò)行為并不能實(shí)際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗(yàn)證差距",即生成答案的能力強(qiáng)于驗(yàn)證答案質(zhì)量的能力,且模型在自我驗(yàn)證時(shí)無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機(jī)構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動(dòng)態(tài)稀疏性實(shí)現(xiàn)大語言模型訓(xùn)練加速1.6倍,計(jì)算成本降低2.2倍。該方法使用SVD稀疏性估計(jì)器智能選擇重要計(jì)算部分,在保持模型性能的同時(shí)顯著提升訓(xùn)練效率,已在多個(gè)任務(wù)上驗(yàn)證有效性。