关山难越,互联网造车前景并没有那么美好

简介:

来不及解释了,快上车。

近期,互联网造车因为两件事再次成为热点:

上周,小鹏汽车BETA版新车在北京正式发布,此次发布的新车为“造型+功能”概念车;

“919乐迷狂欢夜”上,贾跃亭当场爆出一个重磅消息:乐视汽车已完成10.8亿美元的首轮融资,创下全球互联网智能电动汽车首轮融资纪录。

互联网造车热潮背后,困难重重

再加上之前被知乎网友扒个精光的游侠汽车,以及声势浩大的汽车之家创始人李想创办车和家,并在常州武进耗资50亿建厂。可以说,互联网造车行业热点事件,一件接着一件,而行业内的“玩家”也是鱼龙混杂。所以,今天镁客君想和大家聊聊,互联网造车一片欣欣向荣的背后,有哪些很棘手的问题需要面对。

互联网造车于汽车生态圈的位置

想要量产一辆汽车,简单来说,需要经过研发、制造、测试、量产四个基本步骤。而整个造车生态圈则更要复杂,研发到量产只是其中一小部分。在研发开始之前需要做规划和基础架构开发,这当中就包括:目标市场、目标客户、产品定位、产品定价等等。在量产之后则是打造销售网络,以及售后市场。最终在实现盈利之后,进入产品的换代再研发阶段,形成完整的造车生态圈。

互联网造车热潮背后,困难重重

上述为传统汽车品牌打造一款新产品的过程,回过头来看互联网造车,目前仅仅是发展到研发之后的制造阶段,尚未实现大规模量产,甚至连产品测试都还没有做完。就比方说之前发布的游侠汽车,据说连底盘都能看到特斯拉的logo。

互联网造车独到之处:人车交互和车联网系统

与传统造车相比,就有两大不同之处:

首先是动力来源不同。

由于国家政策的原因,新晋品牌想要获得造车资质,就必须生产新能源汽车,所以互联网造车造的都是新能源汽车。而传统汽车则基本上仍然是内燃机驱动,有的还采用技术含量更高的混合动力。

互联网造车热潮背后,困难重重

更强大的人车交互和车联网系统。

再有就是互联网造车的最大独到之处,互联网造车与传统造车最大区别(也是优势)在于数据的产业化应用,尤其是大量用户数据的分析处理,再到提供更多的增值服务。

互联网造车热潮背后,困难重重

互联网造车想要成功关山难越

汽车,本质上是一个牵涉到公共安全问题的高精度产品,并不是简简单单四个轮子加两个沙发(吉利老板李书福原话)。所以说互联网造车想要成功,下列几大难关必然要突破:

互联网造车热潮背后,困难重重

技术

互联网造车的核心技术在于“三电一屏”,电池、电控、电机、中央大屏。电池组、电机这两个可以通过买买买的方式获得,但是电池管理系统(BMS)作为新能源汽车的核心技术,则是实实在在需要通过自主研发来完成。

而BMS一般包括电压检测、温度采集、电流检测、绝缘检测、SOC 估算、CAN 通讯、放电均衡功能、系统自检功能、系统检测功能、充电管理、热管理等。其中光是CAN通讯协议还是造车的技术命门,目前还基本掌握在传统汽车厂商的手中。

此外还有汽车安全方面的技术,也需要经过时间的沉淀。光是ABS、ESP等被动安全与整车之间的调试工作,少则需要花费1年的时间,车辆耐久度测试更是需要耗费至少2~3年的时间。

汽车这种10000多零件装起来的产品,一个零件出问题,就可能牵一发而动全身。目前互联网造车虽然宣称外观、底盘系统等都是自主开发,但是明眼人一看就能看出来抄袭的源头在哪。这种拼拼凑凑的产物,有可能连最基本的安全、耐久度都保证不了,谈何技术?

资金

此处镁客君想引用一位知乎大神的回答:

从零开始,所需要的资金情况

1. 员工薪水:200-400人,需2亿到3亿

2. 供应商的开发费与模具费:1亿到2亿

3. 车身模具费:1.5亿到2.5亿

4. 样车费:0.5亿到1亿

5. 试验费:0.5亿到1亿

6. 造型开发费:0.2亿到0.5亿

7. 设计公司工程开发费: 0.2亿到0.4亿

以上为整车开发大的费用,小的费用就不计了。共需约6亿到11亿之间。

制造费用的话,就是建工厂的费用了,也没有必要向合资品牌这么花钱,一个过得去的制造基地,假设年产能在20万辆左右。大约需要20亿到25亿,可以包括冲焊涂总四大工艺和工厂。

Via.Sidney.知乎

上述还仅仅是最简单的造车就需要30亿的投入,要知道有时候知名车厂光是研发车辆底盘就需要耗资百亿,对于仅仅融资几千万,几个亿的互联网造车企业来说,光是成本都不够。(此处尚未计算后期宣传、公关等成本)

政策

最近,由于新能源骗补事件的爆发,国家将要限制新能源汽车生产资质。光是这一点,就足够成为互联网造车的命门,没有造车“准生证”,谈何造车?如果没有取得生产资质,就只能像蔚来汽车找了江淮汽车进行代工,找一个有资质的生产厂代工也可以解决生产问题。

但是,还有一些新能源基础设施等方面的问题也不容忽视,其中最突出的一个就是充电桩问题。虽然我国充电桩总数高达近16万,但是这种野蛮发展的背后,有着很大的问题。有桩无电、利用率不高、充电支付困难等问题依旧存在。

所以,互联网造车造出来的车,能否上路是难题,上路后能否持续使用也是难题。

互联网造车需要冷静

虽然说造车很难,但是直白的来说,有钱就都不是问题。研发、整车制造、底盘这些有难度,可以买人家现成的。就比方说自主品牌观致,买来车型、招募汽车业顶尖工程师、建设国际化标准的工厂,洋洋洒洒百亿级的投资,但是最后只换来年销量不到万辆、年亏损22亿。

不论是被扒光的游侠汽车、打技术牌的小鹏汽车、强势融资的乐视汽车、骡车(汽车研发阶段的测试车)都没亮相就造工厂的车和家,观致走过的老路是需要互联网造车企业正视的。

目前新能源汽车还不算一种“颠覆性”的创新,传统汽车还占有大部分的市场份额。即使国内现在新能源汽车经历阵痛,但仍然还是处在补贴推动模式下,真正的市场需求还很小,再加上充电设施的不完善,就算互联网造车成功,销量如何保证?销量无法保证,那么哪来利润?没有足够的利润,或许都无法支撑最基本的车辆免费维护工作,最终破坏整个互联网造车生态圈。

所以,在互联网造车仅诞生一年时间的今天,各企业更应该脚踏实地的做研发、做测试,而不是通过一份PPT和一辆改装过的骡车就说自己造车成功。要知道,慢工出细活,造车不求快。


原文发布时间: 2016-09-23 19:41
本文作者: JOKER
本文来自云栖社区合作伙伴镁客网,了解相关信息可以关注镁客网。
相关文章
|
2月前
|
安全 Shell Linux
深入剖析Sudo提权:白帽子的防御视角与审计指南
本文深入解析Linux系统中`sudo`提权的常见手法,从白帽子视角出发,剖析攻击原理并提供实用防御与审计策略,助力加固系统权限安全。
394 1
|
9月前
|
运维 负载均衡 测试技术
软件负载均衡和硬件负载均衡分别适合哪些场景?
软件负载均衡和硬件负载均衡分别适合哪些场景?
294 55
|
9月前
|
UED
产品经理-用户体验五要素 - AxureMost
《用户体验五要素》介绍了构建成功用户体验设计的五个层面:战略层、范围层、结构层、框架层和表现层。战略层明确产品目标与用户需求;范围层定义功能和内容需求;结构层规划交互与信息架构;框架层设计界面、导航和信息布局;表现层则通过视觉设计创造感知体验。每一层都依赖于其下一层,形成自下而上的连锁效应,确保各要素相互作用,共同实现用户体验目标。
|
11月前
|
人工智能 自然语言处理 小程序
2023年关键字降本增“笑”,2024年的关键字会是什么呢?
《三潮来袭:2023年科技变革回顾与2024年展望》 2023年,IT行业经历了巨大变革。ChatGPT、AI和降本增效成为关键词。自然语言处理、边缘计算、量子计算等技术取得突破,推动行业发展。2024年,人工智能、云计算、全栈开发将继续引领趋势,移动营销、小程序应用和海外市场拓展将成为新的就业方向。企业将更注重稳定发展,减少试错,提高效率。 未来,持续学习和适应变化将是IT从业者的必备素质。随着全球互联网基础设施的普及,海外市场将为企业带来新的增长点。2024年的关键词可能是“智能化”、“全球化”和“高效化”。
201 5
|
传感器 人工智能 物联网
数字孪生与灾害预测:提升应急响应能力
【10月更文挑战第31天】数字孪生技术通过实时监测、灾害模拟和应急响应优化,显著提升了灾害预测和应急响应能力。本文探讨了其在洪水、地震等自然灾害中的应用,展示了其在提高预警准确性、优化资源配置和提升应急响应效率方面的巨大潜力。
|
机器学习/深度学习 自动驾驶 算法
深度学习中的图像识别技术及其在自动驾驶中的应用
【10月更文挑战第4天】本文深入探讨了深度学习在图像识别领域的应用,并特别关注其在自动驾驶系统中的关键作用。文章首先介绍了深度学习的基本概念和工作原理,随后通过一个代码示例展示了如何利用深度学习进行图像分类。接着,文章详细讨论了图像识别技术在自动驾驶中的具体应用,包括物体检测、场景理解和决策制定等方面。最后,文章分析了当前自动驾驶技术面临的挑战和未来的发展趋势。
232 4
|
存储 监控 网络协议
在Linux中,如何使用 tcpdump 监听主机为 192.168.1.1,tcp 端⼝为 80 的数据,并将将输出结果保存输出到tcpdump.log?
在Linux中,如何使用 tcpdump 监听主机为 192.168.1.1,tcp 端⼝为 80 的数据,并将将输出结果保存输出到tcpdump.log?
|
存储 网络协议 关系型数据库
微服务架构 | 3.2 Alibaba Nacos 注册中心
Nacos 致力于解决微服务中的统一配置、服务注册与发现等问题。它提供了一组简单易用的特性集,帮助开发者快速实现动态服务发现、服务配置、服务元数据及流量管理;
1224 0
微服务架构 | 3.2 Alibaba Nacos 注册中心
|
机器学习/深度学习 弹性计算 自然语言处理
|
机器学习/深度学习 人工智能 自然语言处理
7.5亿美元做代码转换?一个Facebook TransCoder AI就够了!
代码的迁移和语言转换是一件很困难且昂贵的事情,澳大利亚联邦银行就曾花费5年时间,耗费7.5亿美元将其平台从COBOL转换为Java。而Facebook最近宣称,他们开发的一种神经转换编译器(neural transcompiler),可以将一种高级编程语言(如C ++,Java和Python)转换为另一种,效率飞起!
872 0
7.5亿美元做代码转换?一个Facebook TransCoder AI就够了!