Ръководителят на отдела за автономно шофиране в Xpeng сподели пред Electrek, че компанията харчи около 300 милиона юана (~41 милиона долара) месечно само за обучение на изкуствен интелект и счита, че вече е достигнала равнището на FSD v13 на Tesla — като версия v14 е на път да бъде пусната още преди края на лятото.
Срещнах се с д-р Xianming Liu, ръководител на Центъра за обща интелигентност на Xpeng, ден след като той изнесе реч на CVPR 2026 в Денвър — споделяйки сцената с Ashok Elluswamy от Tesla и лидери от Nvidia и Waymo на една от най-големите конференции за компютърно зрение в света.
Разговорът обхвана архитектурата VLA 2.0 на Xpeng, стратегията на компанията за сензори, сделката за лицензиране с Volkswagen и причините, поради които д-р Лиу вярва, че цялата индустрия за автономно шофиране трябва да спре да разглежда езиковите модели като отговор на автономното шофиране.
Ето пълното интервю:
[вградено съдържание]
„Езикът е отрова“
Д-р Лиу стана известен с провокативното си изявление: „езикът е отрова“, когато става въпрос за автономното шофиране. В интервюто ни той обясни нюансите зад този заглавен надпис.
Моделът VLA (Vision-Language-Action) от първо поколение на Xpeng използваше езикови маркери като междинна стъпка – системата виждаше пътя, превеждаше видяното в езикови представяния, а след това ги превръщаше в действия при шофиране. VLA 2.0, който тествах в Пекин през април и намерих за сравним с FSD v14 на Tesla, премахва напълно тази междинна стъпка.
Но Лиу поясни, че Xpeng не е изоставил езика напълно. Системата все още приема езика като входни данни – текстови подсказки и инструкции от водача. Това, което премахва, е езикът като междинен изход по време на самия процес на шофиране.
„Все още използваме езика като входни данни, така че това е ключът към подобряване на обобщаваемостта“, каза Лиу. „Говорите с автомобила и давате някои инструкции. Автомобилът трябва да разбере как да изпълни тези инструкции. Но по време на шофирането не извеждаме никакви езикови токени, защото това е излишно или представлява пречка за модела.“
Разумът е ясен: колата поглъща около два милиарда визуални токена в секунда от камерите си, но се нуждае само от може би 10 или 20 токена, за да контролира волана и педалите. Това е огромно намаляване на измеренията, а добавянето на стъпка за езиков превод между тях просто въвежда ненужни изчисления и латентност.
„За да получите езиково изражение, трябва да генерирате много ненужни изчисления, за да го обясните. Ето защо премахваме езика като междинни слоеве, но все пак запазваме езика като вход“, обясни той.
Световен модел: следващото парче от пъзела
В своята реч на CVPR Лиу представи нещо ново – световния модел на Xpeng, който той определя не като технология, отделена от VLA, а като „другата страна на същия проблем“.
VLA 2.0 се учи от поведението на човека при шофиране – изучава как милиони шофьори реагират в реални ситуации и се научава да възпроизвежда тези решения. Световният модел изучава физиката на околната среда – той предсказва какво ще се случи по-нататък в сцената, как ще се движат другите участници, какви ще бъдат последствията от дадено действие.
„Хората се опитват да разделят двете концепции, световния модел и VLA, като две измерения на технологията, но всъщност те са едно и също“, каза Лиу. „Нашата цел е да се опитаме да изградим основен модел, достатъчно мощен, за да разбере света.“
Практическото приложение: Xpeng в момента обучава VLA 2.0 да предсказва едновременно какво ще видят камерите в близко бъдеще и какво трябва да направи колата – комбинирайки шофиране и предсказване на света в един модел. Компанията очаква да внедри това подобрение в серийните автомобили по-късно през тази година.
Xpeng публикува серия от научни статии, подкрепящи тази работа, включително X-World за контролируемо генериране на видео, X-Foresight за съвместно прогнозиране и планиране на бъдещето и X-Cache, което намалява изчисленията на модела на света с 70% с незначителна загуба на качество. Статията на компанията „DrivePTS“ за генериране на сцени на шофиране също беше приета на CVPR 2026.
Радарът остава за активна безопасност, а не за шофиране
Една подробност, която често се пропуска в маркетинга на Xpeng за „чистото виждане“: P7, G7 и другите най-нови модели все още разполагат с три милиметрови радарни системи и дванадесет ултразвукови сензора, освен камерите си. Попитах Лиу как те се вписват в цялостната архитектура.
Отговорът му беше ясен: те изобщо не се включват в основния AI за шофиране.
„Ние използваме тези други сензори, но те се използват за системата за активна безопасност, която изисква ортогонална система, която да е напълно излишна спрямо основната система за шофиране“, каза Лиу. Радарът и ултразвуковите сензори захранват AEB (автоматично аварийно спиране) и AES (автоматично аварийно кормилно управление) — напълно отделен слой за безопасност.
Основната система за управление се основава изцяло на визуална информация. Разумът на Лиу се свежда до плътността на информацията и латентността: „Времето за отчитане на камерата е няколко милисекунди, което е доста бързо, а честотата може да бъде много висока. От гледна точка на плътността на информацията камерата е един от най-добрите сензори. Ако използвате LiDAR, радари, времето за обработка е доста дълго, обикновено десетки или стотици милисекунди.“
Това поставя Xpeng в интересна среда. Tesla е известна с това, че напълно премахна радарите и ултразвуковите сензори от своите автомобили, разчитайки изцяло на камери за всичко, включително активната безопасност. Waymo върви в обратната посока с пълен набор от LiDAR. Xpeng използва камери изключително за „мозъка“ на шофирането, но запазва радара като отделна предпазна мрежа.
Когато попитах дали системата за визуално наблюдение може в крайна сметка да стане толкова добра, че излишният слой за безопасност да стане ненужен, Лиу отговори без заобикалки: „Надяваме се, но честно казано, това не е възможно. Всички правим грешки. Системата също прави грешки. Дори да достигнете 99,9999%, все още имате шанс да допуснете грешки. Добавянето на още един слой резервираност определено ще помогне.“
Той добави: „Не става дума за чат с ChatGPT и допускане на грешка – просто казваш: „Ей, това е толкова глупаво, повтори.“ Става дума за човешки животи.“
300 милиона RMB месечно за обучение на ИИ
Попитах Лиу за мащаба на инвестициите на Xpeng в автономното шофиране. Отговорът му беше изненадващ за компания, която е доставила около 200 000 автомобила миналата година.
„В интернет има много шеги, че искам голям бюджет от шефа“, каза Лиу. „Той каза нещо като 300 милиона юана на месец, за да обуча модела. Това е приблизително истината. Аз наистина харча много пари.“
Това са приблизително 41 милиона щатски долара на месец, или близо 500 милиона долара годишно само за обучение на модели за изкуствен интелект — значителна цифра за компания с 47,66 милиарда юана (6,5 милиарда долара) в брой към края на 2025 г. Лиу призна, че това е необичайно за автомобилна компания: „Като автомобилна компания никога не можеш да си представиш толкова голяма инвестиция в научноизследователска и развойна дейност, защото никога не можеш да си възвърнеш парите. Но нашата компания е решена да бъде компания за физически изкуствен интелект.“
Xpeng разкри на CVPR, че инфраструктурата ѝ за обучение е постигнала 4360% ръст в ефективността на обучението за единична задача през последните 12 месеца, като използването на графични процесори (GPU) се е повишило от 40% на 90%. VLA 2.0 използва милиарди параметри и консумира над четири трилиона токена на итерация на модела.
Сравнение с Tesla: „същата философия, различни данни“
Лиу беше дипломатичен, но конкретен, когато сравни подхода на Xpeng с FSD на Tesla.
„Мисля, че споделяме сходна основна философия и принципи, а именно мащабиране“, каза той. „Независимо дали Tesla, Xpeng или други компании, работещи в тази насока, работят върху едно и също нещо – просто следват закона за мащабиране, уверяват се, че разполагат със система, която се управлява от данни, и могат да подават неограничени данни към модела.“
Ключовата разлика, според Лиу, е разнообразието на данните. Китайските пътища са значително по-хаотични от американските – нещо, което изпитах от първа ръка по време на 40-минутното си тестово шофиране с VLA 2.0 в Пекин, където срещнах повече крайни случаи, отколкото бих видял за седмици шофиране в Северна Америка.
„В Китай имате по-голям шанс да попаднете на крайни случаи и да съберете данни. Това е едно предимство“, каза Лиу. Той изтъкна, че това би улеснило Xpeng да се разшири на международния пазар, отколкото Tesla да въведе FSD в Китай – не че е по-лесно само по себе си, но „имате повече шансове, защото разполагате с по-разнообразни данни“.
Залогът за моста „Златната врата“
Изпълнителният директор на Xpeng Хе Сяопенг направи публичен залог с Лиу миналата година: ако VLA 2.0 не достигне производителността на Tesla FSD до 30 август 2026 г., Лиу трябва да пресече гол моста „Златната врата“.
Лиу казва, че е в безопасност. „Доста съм уверен, че няма да се наложи да тичам“, каза ми той. „Условието е да достигнем равенство с Tesla FSD в началото на тази година. Въз основа на тестовите шофирания вече сме постигнали целта.“
Той твърди, че Xpeng е преминал от равенство с FSD v12 до „почти v14 или дори по-добре от v13“ само за няколко месеца, като приписва това на бързата скорост на итерация на екипа. Крайният срок през август все още е в сила, но Лиу изглежда спокоен по този въпрос.
Аналогията с Pixel на Google и сделката с Volkswagen
Може би най-разкриващият момент дойде, когато Лиу описа идентичността на Xpeng. Той сравни компанията с Google, която произвежда телефони Pixel – хардуерът съществува предимно, за да демонстрира и събира данни за софтуера.
„Производството на автомобили определено е една от основните причини, поради които работим в момента“, каза той. „Имаме нужда от физически устройства в реалния свят, за да сме сигурни, че получаваме обратна връзка, че получаваме данни. Точно както Google произвежда устройства Pixel, просто за да покаже: „Ето, това може да прави Android.“ Но от друга страна, искаме да сме сигурни, че сме компания за изкуствен интелект.“
Тази рамка поставя лицензионната сделка за Volkswagen VLA 2.0 в контекст. Volkswagen стана първият външен клиент на VLA 2.0 по-рано тази година, като внедряването е планирано за 2027 г. Лиу омаловажи техническото предизвикателство при пренасянето на системата към автомобилите на VW, като отбеляза, че Xpeng вече изпраща OTA актуализации към повече от 20 различни модела автомобили вътрешно.
„Добавянето на един или два автомобила за нас не е нещо ново или необичайно. Обучавате модел и ако го обобщите за 20 автомобила, няма значение дали имате 21, 22 или 23.“
По-голямата цел, според Лиу, е да се включи цялата индустрия: „Ако само Xpeng или Tesla работят по това, то никога няма да се сбъдне. Нужни са много партньори, нужни са много приятели, нужни са всички, за да приемат истината, че автоматизацията идва.“
Мнението на Electrek
Това интервю потвърди това, което подозирах след тест драйва с VLA 2.0 през април – Xpeng изпълнява легитимна програма за автономно шофиране, която успя бързо да стане истински конкурентна на FSD на Tesla. И всичко това, докато харчи около 300 милиона RMB на месец за обучение на изкуствен интелект, което може да звучи като много, но в голямата схема на разходите за изкуствен интелект не е много.
Това, което ме впечатли най-много, беше яснотата на Лиу относно архитектурните решения. Формулировката „езикът е отрова“ звучи като провокативно твърдение, но обяснението му е технически обосновано – превръщането на непрекъснати визуални сигнали в дискретни езикови токени и обратно е неефективно за система за физическо управление в реално време. Това е залог, различен от този, който полага по-голямата част от индустрията с големи езикови модели, и е такъв, който представянето на VLA 2.0 на пътя започва да потвърждава.
Аналогията с Pixel също е показателна. Xpeng дава сигнал, че разглежда производството на автомобили като средство, а не като цел. След като Volkswagen вече е лицензирал VLA 2.0 и Xpeng според информациите води преговори за закупуване на завод на VW в Европа, компанията се позиционира едновременно като производител на автомобили и доставчик на технологии за автономно шофиране — по същество застраховайки се за това, кой бизнес в крайна сметка ще генерира повече стойност.
За мен става ясно, че в този момент те се стремят да бъдат компания за „физическа изкуствена интелигентност“, а не просто производител на автомобили.
Ако искате да сте сигурни, че вашият електромобил се зарежда по-евтино, преминаването към слънчева енергия е едно от най-умните решения, които можете да вземете. С цените на електроенергията, които се покачиха с почти 10% миналата година, домашната слънчева енергия ви предпазва от бъдещи увеличения на цените. А с опциите за лизинг и PPA можете да преминете към слънчева енергия без начални разходи и да започнете да спестявате веднага. Ако искате да намерите най-добрата оферта, разгледайте EnergySage. Това е безплатна услуга с стотици предварително проверени инсталатори, които се състезават за вашия бизнес, така че спестявате 20 до 30% в сравнение с това да действате самостоятелно. Няма продажбени обаждания, докато не изберете инсталатор. Получете безплатни оферти тук.
