近年来，中国电动两轮车竞争渐趋白热化，新国标落地后行业洗牌加速，叠加价格战、参数内卷的持续冲击，市场竞争格局正发生深刻变革，同质化竞争的行业痛点倒逼企业寻找全新的发展突破口。在此背景下，智能化成为行业公认的核心升级方向。
但另一方面，行业在智能化转型中仍面临诸多现实难题：如何平衡AI技术研发的成本与落地效益，怎样让智能化功能转化为用户购买意愿，以及如何基于通用大模型打造适配两轮车场景的垂类功能，成为全行业亟待破解的共性问题。
针对以上问题，小牛电动创始人胡依林、小牛电动产品副总裁杨凯接受了21世纪经济报道记者采访。胡依林在交流中表示，当前电动两轮车行业从同质化内卷逐渐迈入寻找新增长点阶段。结合近期在2026小牛电动科技新品发布会上发布的新国标电动自行车NXT2与电动摩托车NX2、车机系统小牛灵犀AIOS，他进一步指出，AI大模型带动的智能化升级是必须跟进的科技趋势，企业需要保持对技术更新的敏感性，通过差异化设计避开重复建设，并关注小模型端侧落地。
具体到研发过程中，一方面要求两轮车厂商紧跟汽车、消费电子等产业升级脚步，及时将前沿软硬件技术在成本下降后下放至两轮车产品，另一方面有需要针对两轮车的产品特征和数据做垂类大模型的优化。“AI车型不会一开始就做大众市场，而是从小众市场起步验证，2万～5万台的销量就有助于企业积累经验，搭建市场基础。”胡依林表示。
胡依林。资料图
以产业升级应对“内卷式”竞争
《21世纪》：当前电动两轮车市场面临价格战竞争、参数“内卷”等问题，企业应如何应对？
胡依林：当前电动两轮车行业从同质化内卷逐渐迈入寻找新增长点阶段，AI大模型带动的智能化升级是必须跟进的科技趋势。
从产品智能化的角度来看，有两点不可忽视：一是终端智能的部署方式。是从零打造大模型能力，并部署于本地的AI电动车，还是采用“电动车+AI”的模式。
就当前两轮电动车的市场体量而言，单一厂商是没有能力打造专属的大模型的，甚至也很难让基础大模型厂商专门针对行业做垂直大模型优化，因此更可行的方式是企业基于现有的通用大模型能力，结合行业需求、垂类数据自行做训练和优化。
在产品端，考虑到当前各类存储、计算设备的价格，小牛选择通过云端算力实现AI能力，不会大幅增加车辆本身的成本。
二是数据的积累和使用，高质量的垂类数据对提升细分领域的模型能力至关重要。小牛从2015年6月发布的第一代智能电动车N1就具备联网能力，目前累计存储的纯骑行数据已达11PB，这些数据积累和储备支撑了小牛对电动两轮车AI的升级优化。
《21世纪》：AI功能的引入对两轮电动车市场产生哪些直接影响？
胡依林：首先是个性化用户体验层面，AI可以为每个用户生成匹配其使用习惯的动力输出参数，解决了传统调校无法满足不同用户对动力软硬需求的问题。
其次是提前预判车辆故障，依托大量用户骑行、维修工单数据，AI可以反向推理出机械部件可能出现的问题，在故障发生前提前通知用户，减少安全问题和售后维修成本。
最后是电池安全管理，小牛四五年前就获得了通过人工智能预判电池充放电、安全性和里程预估的发明专利，大模型算力成熟为这一技术落地端到端应用提供了契机。
《21世纪》：电动车新国标发布后，市场对产品安全的关注度持续提升，如何保证智能化电动两轮车的安全性？
杨凯：行业近年来对安全性有了多方面的探索。
首先是配置层面的更新，引入了更多安全辅助功能和系统。例如，防抱死制动系统ABS、毫米波雷达系统、环视三摄，能够检测行驶过程中的异常状态，采取安全措施并提示用户。
其次是材质，很多强度、抗扭能力更强的材料下放是大势所趋。例如本次发布的小牛NXT2车架材料就采用了过去通常用于汽车防撞梁的HC420。
值得一提的是，过去电动两轮车的用户对车架材料等信息的关注度是相对较低的，但是近年来深度用户与发烧友对产品的专业知识积累速度不断加快，对硬核内在配置的关注度和理解能力都大幅提升，反过来推动厂商不断升级产品配置，二者属于相互成长、相互促进的关系。
智能化产品如何让市场买单
《21世纪》：在两轮电动车智能化的过程中，如何让技术升级转化为实际的消费者购买意愿？
杨凯：实际的经营过程中，需要针对不同需求、不同消费能力的群体做一定产品分级。
例如本次发布的两款产品分别对应电自、电摩两个细分市场，核心面向科技先锋类尝鲜用户。这类用户不满足于基础代步需求，追求出行工具的新鲜感、酷感与趣味性。
从纯销量维度，如果不满足科技先锋用户的需求，会直接丢失这部分用户的基本盘，守住需求就能保留现有市场份额；此外，科技先锋用户更愿意在互联网主动发声，满足这类用户的喜好能获得正向口碑，提升品牌声量，进而间接带动全品牌销量增长。
当然，电动两轮车的用户中也有很大一部分是偏实用需求，比如上班通勤、接送小孩上学，针对这些需求，就需要厂商把原来针对科技先锋做的功能平权下放，甄别哪些是使用中最重要、最关键的需求，同时控制成本。
《21世纪》：从技术研发到产品落地和商业转化的流程是怎样的？
杨凯：分为三个步骤。首先评估技术可实现度与开发周期，避免开发周期过长导致技术过时；其次评估技术成本，根据成本匹配对应价位产品与目标人群；最后按照硬件分级逻辑，区分不同配置满足不同用户需求。
胡依林：补充几点，小牛会提前对价格暂不具备量产性的新技术做适配开发，等待技术成本下降到用户可接受的价格平衡点后再量产。例如本次发布的AI两轮车产品项目，公司是在三年半前立项，原本预计需要五到六年才能满足量产条件，但是大模型训练的token调用成本下降速度远超预期，所以实际不到两年就确定可以量产。
在新技术落地过程中，采用小批量逐步放量测试的方式，先做350到1000台量级的内部测试，再找先锋用户做小范围测试，量产初期也只从2万台、5万台的量级逐步爬坡。AI车型不会一开始就做大众市场，而是从小众市场起步验证，2万～5万台的销量就有助于企业积累经验，搭建市场基础。
目前智能化产品的更新间隔周期预计在一年半，就是技术成熟到可量产的自然结果，公司不会刻意加快或放慢节奏。
另外很重要的一点是允许研发试错，小牛历史上有不少投入千万级但最终量产销量不高的项目，我们允许部分新技术研发测试后，无法进入全产品、全平台推广。但从过往实践来看，这些试错过程中积累的经验，对后续产品开发都是很有价值的。
《21世纪》：在此过程中公司如何控制成本和投入产出比？
胡依林：最基础的是在管理中用预算和研发周期做风险控制。在研发规划阶段，可行性30%以下的项目，除非投入极小否则不做，可行性80%以上可以直接推进，但是结合过往经验，可行性50%左右的项目往往最有探索价值，需要结合具体情况测试分析。
在落地阶段，公司所有前瞻项目最长研发周期不超过一年半，总前瞻研发预算容量固定，采用淘汰制保证资源集中在有希望的项目上。
从长期的AI研发战略角度看，硬件技术的更新看三到五年周期，两轮车行业的一大硬件特征，是产品设计会跟着汽车等更快发展的行业做技术下放；软件项目迭代周期最长不超过一年，以适配AI行业快速变化的节奏，在软件端也紧跟手机、电动车等前沿行业，等技术成熟成本下降后移植到两轮车领域，过去已有多个成功案例。
《21世纪》：之前提到智能化电动两轮车需要在现有基础大模型基础上做开发，这在研发端对公司提出哪些要求？
胡依林：首先是保持对技术更新的敏感度。目前主流基础大模型的迭代速度非常快，企业需要在新模型更新的第一时间接入测试，主要从调用效率和token成本两个维度进行对比和挑选，目前小牛在基础大模型方面没有绑定单一合作伙伴，会根据实际效果选择基础模型合作对象。
其次是通过差异化设计避开手机端重复建设。实际上当前手机的很多智能化应用已经非常成熟，两轮车厂商没有必要对手机上已经可以实现的优秀AI体验进行重复设计和开发，要做就要做只能依托于两轮车骑行数据和产品形态才能实现的功能。
最后是关注小模型的端侧落地。未来各大基础大模型的能力会逐渐趋同，垂直行业会涌现出越来越多适合端侧部署的小模型。目前公司已经在布局用开源小模型的嵌入式开发工作，预期的投入产出比很高。
此外在公司运营中，AI可以帮助开发团队完成代码注解等工作，比人工写的注解更清晰，提升了团队协作效率。但在电池BMS高低温、穿刺等硬件安全测试环节，AI是无法替代的，这些仍是两轮车行业研发的长周期环节，没有任何技术可以跨越这个流程，AI主要是起到分析测试数据提升效率的作用。
（作者：吴立洋 编辑：骆一帆）
鑫恒盈配资提示：文章来自网络，不代表本站观点。
