Xpeng тратит $500 млн в год на обучение ИИ, чтобы обойти Tesla FSD

Глава направления автономного вождения Xpeng сообщил Electrek, что компания ежемесячно тратит около 300 миллионов юаней (~$41 млн) только на обучение ИИ, и полагает, что уже достигла паритета с Tesla FSD v13, а версия v14 будет доступна до конца лета.

Я беседовал с доктором Сяньмином Лю, главой Центра общего интеллекта Xpeng, на следующий день после его ключевого выступления на конференции CVPR 2026 в Денвере, где он делил сцену с Ашоком Эллусвами из Tesla и руководителями из Nvidia и Waymo на одной из самых престижных конференций по компьютерному зрению в мире.

В ходе беседы обсуждались архитектура VLA 2.0 от Xpeng, стратегия компании в отношении датчиков, сделка по лицензированию с Volkswagen и то, почему доктор Лю считает, что вся индустрия автономного вождения должна перестать рассматривать языковые модели как панацею для беспилотных автомобилей.

Полное интервью представлено ниже:

«Язык — это яд»

Доктор Лю стал известен благодаря провокационному заявлению: «язык — это яд» в контексте автономного вождения. В нашем интервью он объяснил нюансы, скрывающиеся за этим заголовком.

Первое поколение модели VLA (Vision-Language-Action — «зрение-язык-действие») от Xpeng использовало языковые токены в качестве промежуточного этапа: система «видела» дорогу, переводила увиденное в представления, подобные языковым, а затем преобразовывала их в действия по управлению автомобилем. VLA 2.0, которую я тестировал в Пекине в апреле и нашел сопоставимой с Tesla FSD v14, полностью исключает этот промежуточный этап.

Однако Лю уточнил, что Xpeng не отказалась от языка полностью. Система по-прежнему принимает язык в качестве входных данных — в виде текстовых запросов и инструкций от водителя. Исключается именно язык как промежуточный выходной результат в процессе самого вождения.

«Мы по-прежнему используем языки как входные данные, так как это ключ к повышению универсальности, — сказал Лю. — Вы разговариваете с автомобилем и даете инструкции. Автомобиль должен понимать, как их выполнить. Но во время движения мы не выводим никаких языковых токенов, потому что это избыточность или «узкое место» модели».

Логика проста: автомобиль получает около двух миллиардов визуальных токенов в секунду со своих камер, но для управления рулем и педалями ему нужно всего 10 или 20 токенов. Это колоссальное снижение размерности, и добавление этапа языкового перевода лишь создает ненужные вычисления и задержки.

«Чтобы получить языковое выражение, вам нужно произвести много лишних вычислений для его формирования. Вот почему мы убрали язык как промежуточный слой, но сохранили его как входной», — пояснил он.

Мировая модель: следующий элемент пазла

На своем выступлении на CVPR Лю представил нечто новое — мировую модель Xpeng, которую он позиционирует не как отдельную технологию, отличную от VLA, а как «другую сторону той же проблемы».

VLA 2.0 обучается на поведении водителей-людей — она изучает, как миллионы водителей реагируют в реальных ситуациях, и учится копировать эти решения. Мировая модель изучает физику окружающей среды: она предсказывает, что произойдет в сцене дальше, как будут двигаться другие участники движения и каковы будут последствия любого действия.

«Люди пытаются разделить эти два понятия, мировую модель и VLA, как два измерения технологии, но на самом деле они идентичны, — отметил Лю. — Наша цель — построить базовую модель, достаточно мощную, чтобы понимать мир».

Практическое применение: Xpeng сейчас обучает VLA 2.0 одновременно предсказывать то, что увидят камеры в ближайшем будущем, и то, что должен сделать автомобиль — объединяя вождение и прогнозирование мира в одной модели. Компания планирует развернуть это обновление на серийных автомобилях позднее в этом году.

Xpeng опубликовала серию научных работ, подтверждающих эту деятельность, включая X-World для контролируемой генерации видео, X-Foresight для совместного прогнозирования будущего и планирования, а также X-Cache, которая сокращает вычисления мировой модели на 70% при пренебрежимо малой потере качества. Кроме того, на конференции CVPR 2026 была принята их работа «DrivePTS» о генерации дорожных сцен.

Радары остаются для активной безопасности, а не для вождения

Одна деталь, которая часто теряется в маркетинге «чистого зрения» Xpeng: модели P7+, G7 и другие недавние новинки по-прежнему оснащены тремя миллиметровыми радарами и двенадцатью ультразвуковыми датчиками в дополнение к камерам. Я спросил Лю, как они вписываются в сквозную (end-to-end) архитектуру.

Его ответ был однозначным: они никак не участвуют в работе основного ИИ вождения.

«Мы действительно используем эти датчики, но они задействованы в системе активной безопасности, которая требует ортогональной системы, полностью дублирующей основную систему вождения», — сказал Лю. Радары и ультразвуковые датчики обеспечивают работу AEB (автоматического экстренного торможения) и AES (автоматического экстренного рулевого управления) — это совершенно отдельный уровень безопасности.

Основная система вождения использует только зрение. Логика Лю сводится к плотности информации и задержкам: «Время считывания с камер составляет пару миллисекунд, это довольно быстро, и частота может быть очень высокой. С точки зрения плотности информации камера — один из лучших датчиков. Если использовать LiDAR или радары, время обработки довольно велико, обычно десятки или сотни миллисекунд».

Это ставит Xpeng в интересное промежуточное положение. Tesla, как известно, полностью убрала радары и ультразвуковые датчики со своих автомобилей, полагаясь исключительно на камеры во всем, включая активную безопасность. Waymo идет по противоположному пути с полноценным комплектом LiDAR. Xpeng использует камеры исключительно как «мозг» для вождения, но сохраняет радары как отдельную страховочную сеть.

Когда я спросил, может ли система зрения со временем стать настолько хорошей, что дублирующий уровень безопасности станет излишним, Лю ответил прямо: «Мы надеемся на это, но, честно говоря, это невозможно. Мы все совершаем ошибки. Система тоже совершает ошибки. Даже если вы достигнете точности 99,9999%, шанс на ошибку все равно останется. Добавление еще одного уровня избыточности определенно поможет».

Он добавил: «Речь не о том, что вы общаетесь с ChatGPT и совершаете ошибку, после чего говорите: «Эй, это глупо, переделай». Здесь на кону человеческие жизни».

300 миллионов юаней в месяц на обучение ИИ

Я спросил Лю о масштабах инвестиций Xpeng в автономное вождение. Его ответ оказался ошеломляющим для компании, которая в прошлом году поставила около 200 000 автомобилей.

«В интернете много шуток о том, что я прошу огромный бюджет у босса, — сказал Лю. — Он выделил что-то около 300 миллионов юаней в месяц на обучение модели. Почти так и есть. Я действительно трачу много денег».

Это около $41 млн в месяц, или почти $500 млн в год только на обучение ИИ-моделей — внушительная цифра для компании, на счетах которой на конец 2025 года было 47,66 млрд юаней ($6,5 млрд) денежных средств. Лю признал, что для автопроизводителя это необычно: «Будучи автомобильной компанией, трудно представить такие огромные инвестиции в R&D, потому что их никогда не окупить. Но наша компания полна решимости стать компанией в области физического ИИ (Physical AI)».

На конференции CVPR компания Xpeng сообщила, что за последние 12 месяцев ее инфраструктура обучения добилась 4360-процентного прироста эффективности выполнения задач, а использование GPU выросло с 40% до 90%. VLA 2.0 использует миллиарды параметров и потребляет более четырех триллионов токенов за одну итерацию обучения модели.

Сравнение с Tesla: «одна философия, разные данные»

Лю был дипломатичен, но конкретен при сравнении подхода Xpeng с Tesla FSD.

«Думаю, мы разделяем схожую философию и принципы, заключающиеся в масштабировании, — сказал он. — Неважно, Tesla это, Xpeng или другие компании, работающие в этом направлении — все делают одно и то же: просто следуют закону масштабирования, гарантируя, что у вас есть система, управляемая данными, в которую можно подавать неограниченный объем данных».

Ключевое различие, по словам Лю, заключается в разнообразии данных. Китайские дороги значительно хаотичнее американских — я убедился в этом на личном опыте во время своего 40-минутного тест-драйва VLA 2.0 в Пекине, где я столкнулся с большим количеством нестандартных ситуаций, чем увидел бы за недели вождения в Северной Америке.

«В Китае у вас больше шансов встретить краевые (сложные) случаи и получить данные. Это преимущество», — считает Лю. Он утверждает, что это может облегчить Xpeng выход на международный рынок, чем Tesla — внедрение FSD в Китае. Не то чтобы проще само по себе, но «у вас больше шансов, потому что у вас более разнообразные данные».

Ставка на мост «Золотые ворота»

Генеральный директор Xpeng Хэ Сяопен в прошлом году заключил публичное пари с Лю: если к 30 августа 2026 года VLA 2.0 не достигнет уровня производительности Tesla FSD, Лю должен будет пробежать голым по мосту «Золотые ворота».

Лю говорит, что он в безопасности. «Я вполне уверен, что мне не придется бежать, — сказал он мне. — Условием было достижение паритета с Tesla FSD в начале этого года. Основываясь на тест-драйвах, мы уже достигли этой цели».

Он утверждает, что всего за несколько месяцев Xpeng перешла от уровня паритета с FSD v12 к «почти v14 или даже лучше, чем v13», приписывая успех высокой скорости итераций команды. Августовский дедлайн все еще в силе, но Лю сохраняет спокойствие.

Аналогия с Google Pixel и сделка с Volkswagen

Пожалуй, самый показательный момент наступил, когда Лю описал идентичность Xpeng. Он сравнил компанию с Google, производящей смартфоны Pixel: оборудование существует в первую очередь для демонстрации возможностей и сбора данных для программного обеспечения.

«Производство автомобилей определенно является одной из основных причин, почему мы работаем, — сказал он. — Нам нужны физические устройства в реальном мире, чтобы убедиться, что мы получаем обратную связь, что мы получаем данные. Точно так же, как Google производит Pixel, просто пытаясь показать: «ОК, вот что может Android». Но, с другой стороны, мы хотим убедиться, что мы — ИИ-компания».

Такая постановка вопроса позволяет по-новому взглянуть на сделку по лицензированию VLA 2.0 с Volkswagen. Ранее в этом году Volkswagen стала первым внешним клиентом VLA 2.0 с планами по развертыванию технологии в 2027 году. Лю преуменьшил техническую сложность переноса системы на автомобили VW, отметив, что Xpeng уже внутренне рассылает OTA-обновления на более чем 20 различных моделей автомобилей.

«Добавление одной или двух машин для нас — это не что-то новое или необычное. Вы обучаете модель, и если вы адаптировали ее для 20 автомобилей, не имеет значения, будет ли их 21, 22 или 23».

Более важная цель, предположил Лю, — вовлечь всю индустрию: «Если над этим будут работать только Xpeng или Tesla, это никогда не станет реальностью. Вам нужно много партнеров, много друзей, вам нужно, чтобы все приняли истину о том, что автоматизация неизбежна».

Мнение Electrek

Это интервью подтвердило мои подозрения после апрельского тест-драйва VLA 2.0: Xpeng реализует полноценную программу автономного вождения, которой удалось в сжатые сроки стать серьезным конкурентом Tesla FSD. И все это при бюджете на обучение ИИ около 300 миллионов юаней в месяц, что может звучать как огромная сумма, но в масштабах затрат на ИИ — совсем немного.

Больше всего меня поразила четкость Лю в вопросах архитектурных решений. Формулировка «язык — это яд» звучит как провокация, но его объяснение технически обосновано: преобразование непрерывных визуальных сигналов в дискретные языковые токены и обратно неэффективно для систем управления в реальном времени. Это иная стратегия, нежели та, которую использует большинство игроков отрасли с большими языковыми моделями, и производительность VLA 2.0 на дорогах начинает подтверждать правоту этого пути.

Аналогия с Pixel также показательна. Xpeng дает понять, что рассматривает производство автомобилей как средство, а не как цель. С учетом того, что Volkswagen уже лицензирует VLA 2.0, а Xpeng, по имеющимся данным, ведет переговоры о покупке завода VW в Европе, компания позиционирует себя и как автопроизводитель, и как поставщик технологий для систем автономного вождения, по сути, страхуя риски относительно того, какой бизнес в конечном итоге принесет больше прибыли.

Для меня становится очевидным, что они стремятся стать скорее компанией в области «физического ИИ», чем просто автопроизводителем.