La mise à niveau de l’IA physique de XPENG teste si des modèles plus grands peuvent rendre la conduite plus sûre

XPENG a publié la première mise à niveau majeure de VLA 2.0, ajoutant une mémoire de 30 secondes et une fenêtre de prévision de six secondes à son système de conduite. Le titre de Google News donne l’impression qu’il s’agit d’une nouvelle annonce ambitieuse sur l’intelligence artificielle. Le véritable enjeu est plus difficile : XPENG doit transformer des modèles plus grands et une mémoire plus longue en comportements plus sûrs sur les routes ordinaires.

L’entreprise affirme que XOS 6.3.0 fait évoluer son système d’une perception spatiale statique vers une compréhension dynamique en quatre dimensions. Cela implique de relier les événements précédents à la scène présente avant de prédire ce qui se produira ensuite. XPENG prévoit d’introduire le logiciel sur le G9L et de le distribuer par une mise à jour à distance.

Il ne s’agit pas avant tout d’une compétition pour savoir qui peut apposer la plus grande étiquette d’IA sur un véhicule. Il s’agit de déterminer si une architecture de modèle partagée peut fonctionner sur des voitures particulières, des robotaxis, des robots humanoïdes et d’autres machines physiques. Tesla et plusieurs constructeurs chinois poursuivent des approches de bout en bout similaires, mais XPENG relie davantage de produits à une même base technique.

Ce qui a changé dans la mise à niveau de l’IA physique de XPENG

XPENG a fait évoluer VLA 2.0 d’un système qui lit le présent vers un système conçu pour mémoriser, prédire et agir en continu.

XPENG a annoncé cette mise à niveau lors d’un événement consacré à l’IA physique, le 27 août à Guangzhou. Les détails de la mise à niveau VLA de l’entreprise décrivent XOS 6.3.0 comme la première révision majeure depuis la sortie initiale de VLA 2.0.

VLA signifie vision-language-action, une structure de modèle qui relie la perception visuelle et le raisonnement sémantique à des actions physiques. Dans un véhicule, ces actions comprennent le freinage, la direction, le changement de voie et le choix d’un itinéraire dans la circulation.

L’ajout central est Infini-VLA, une architecture conçue pour traiter une séquence plus longue d’observations de la route. XPENG affirme que le système déployé conserve 30 secondes d’historique de conduite utile. Cet historique aide le modèle à relier des événements qu’une seule image de caméra ne peut expliquer.

Prenons un véhicule qui approche d’un passage piéton partiellement masqué par une camionnette de livraison. Une image instantanée peut ne montrer que la camionnette et une voie visible vide. Un historique temporel peut conserver le mouvement antérieur d’un piéton vers la zone cachée.

Le modèle doit alors déduire que le piéton peut réapparaître. C’est le sens pratique de l’affirmation de XPENG selon laquelle son IA comprend désormais le temps. Cela ne signifie pas que le système possède une conception humaine du temps ou un raisonnement général.

X-Foresight apporte la composante prospective. XPENG affirme que ce modèle du monde prédit le comportement des usagers de la route à proximité au cours des six prochaines secondes. Un modèle du monde estime comment une scène peut évoluer, ce qui permet au logiciel d’évaluer des résultats probables avant de choisir une action.

XPENG a déjà indiqué que son système de recherche pouvait modéliser des périodes plus longues. Le déploiement en production utilise six secondes afin d’équilibrer une anticipation utile avec les limites de calcul embarqué. Cette distinction est importante, car un maximum atteint en recherche ne décrit pas automatiquement un produit commercialisé.

La mise à niveau introduit également l’inférence en flux continu. Au lieu d’observer, de s’arrêter, de raisonner puis de produire une trajectoire, le système réalise ces opérations en continu. XPENG affirme que cette architecture améliore la vitesse de réponse de 300 pour cent.

Le flow matching génère ensuite plusieurs trajectoires futures possibles et leur attribue des probabilités. Le véhicule peut comparer ces trajectoires lorsqu’il réagit à une voiture qui s’insère, à un freinage soudain ou à un piéton qui change de direction. Chaque composant répond au même problème : les scènes routières continuent d’évoluer pendant que l’ordinateur réfléchit.

XPENG indique également que le modèle embarqué contient 3,5 fois plus de paramètres que sa version précédente. Davantage de paramètres peuvent permettre des représentations plus riches, mais ils augmentent aussi les exigences en mémoire, en énergie et en latence. La taille du modèle ne suffit pas, à elle seule, à établir la qualité de conduite.

La mise à jour de XPENG VLA 2.0 est donc importante parce que plusieurs idées de recherche entrent simultanément dans un logiciel de production. Leur valeur dépendra de la régularité avec laquelle elles géreront des routes inconnues, les intempéries et les comportements humains imprévisibles.

Pourquoi cette actualité Google News compte au-delà d’une seule voiture

Le pari plus vaste est que XPENG peut réutiliser une même base d’IA physique sur plusieurs machines sans obliger chaque produit à repartir de zéro.

Les voitures produisent de grands volumes de données visuelles et comportementales tout en étant soumises à des exigences strictes de sécurité et de latence. Les robotaxis font face à des conditions routières similaires, tandis que les robots humanoïdes doivent interpréter des espaces dynamiques à des vitesses plus faibles. Le matériel diffère, mais la perception, la prévision et l’action restent des problèmes liés.

XPENG présente ce recoupement comme une base technique commune. L’entreprise affirme que l’infrastructure moins visible, notamment les systèmes d’entraînement et l’architecture des modèles, représente l’essentiel du travail commun. Les voitures, les robotaxis et les robots deviennent des interfaces distinctes de cette base.

Cela rend la mise à niveau plus significative que ne le laisse entendre son traitement dans Google News. Si la base partagée fonctionne, les investissements dans l’intelligence de conduite peuvent soutenir d’autres machines. Les avancées de la recherche en robotique peuvent également éclairer la façon dont les véhicules raisonnent sur le mouvement et les contraintes physiques.

XPENG a présenté cette stratégie de modèle à CVPR 2026. Ses recherches sur les modèles du monde incluaient X-Foresight, qui prédit des images futures et les actions du véhicule dans un espace de tokens commun. Les tokens sont des représentations compactes qu’un modèle traite lorsqu’il génère des prédictions.

Cette architecture partagée crée un potentiel cercle vertueux des données. Davantage de véhicules peuvent rencontrer davantage de cas limites, produisant des éléments pour l’entraînement et l’évaluation des modèles. De meilleurs logiciels peuvent ensuite améliorer les véhicules et soutenir de nouveaux produits.

Cependant, ce cercle vertueux n’est pas automatique. Les données collectées doivent représenter des situations utiles, respecter les exigences de confidentialité et recevoir des étiquettes ou des retours précis. Une flotte plus importante peut générer davantage de répétitions sans nécessairement résoudre les défaillances de sécurité rares.

Le programme de robotaxis de XPENG constitue un test exigeant, car il réduit la tolérance à l’intervention humaine. L’entreprise indique que certaines capacités de robotaxi sont transférées vers les véhicules de production. Cette formulation exige une interprétation prudente, car une fonctionnalité issue de recherches de niveau 4 n’est pas automatiquement de niveau 4 dans une voiture grand public.

L’automatisation de niveau 4 signifie qu’un système peut accomplir l’ensemble de la tâche de conduite dans des conditions d’exploitation définies sans attendre d’intervention humaine. Les logiciels d’assistance à la conduite destinés au grand public peuvent emprunter des techniques de planification tout en exigeant une supervision. Cette distinction doit rester visible dans chaque description de produit.

Master Agent étend l’idée du modèle partagé à l’habitacle. XPENG affirme que le système combine son VLA de conduite avec un modèle vision-langage, ou VLM, qui interprète les images et le langage. Il peut décomposer une demande orale en tâches et coordonner des fonctions spécialisées du véhicule.

Un conducteur peut demander une destination proche, demander à la voiture de sélectionner un itinéraire et lui indiquer de s’arrêter. L’agent doit traduire cette demande en actions de navigation, de conduite et d’habitacle. XPENG indique qu’une puce Turing dédiée traite ces interactions localement.

Le traitement local réduit la dépendance à un centre de données distant. Il peut également améliorer la confidentialité et le temps de réponse lorsque la connectivité est faible. Il rend toutefois l’efficacité essentielle, car une automobile dispose de limites fixes en matière d’énergie, de refroidissement, de mémoire et de capacité de calcul disponible.

C’est pourquoi l’IA physique de XPENG est une histoire de systèmes, et pas seulement de modèles. Les puces, les logiciels, les capteurs, l’architecture électrique, les opérations de données et les contrôles de sécurité doivent fonctionner ensemble. Une faiblesse dans n’importe quelle couche peut effacer les gains réalisés ailleurs.

La principale confrontation oppose la promesse de XPENG à la réalité routière

Le principal adversaire de XPENG n’est pas un constructeur en particulier, mais l’écart de vérification entre des démonstrations contrôlées et un comportement reproductible dans la circulation publique.

Les présentations de conduite peuvent mettre en avant des insertions réussies, des virages fluides et des réactions assurées à des obstacles reconnaissables. Les routes publiques produisent des combinaisons qu’une équipe de démonstration n’a pas sélectionnées. Les ouvriers de chantier improvisent, les marquages au sol disparaissent et d’autres conducteurs ignorent les règles formelles.

La mémoire temporelle semble bien adaptée à ces situations. Une voiture devrait se souvenir qu’un cycliste est entré dans une zone aveugle ou qu’un véhicule en approche s’est comporté de manière erratique. La prévision devrait l’aider à se préparer avant qu’un risque ne devienne pleinement visible.

Toutefois, la mémoire peut conserver des informations trompeuses. Le système doit décider quelles observations historiques restent pertinentes et lesquelles sont devenues obsolètes. Des associations incorrectes peuvent influencer les décisions ultérieures, même lorsque la scène actuelle indique autre chose.

La prédiction introduit également de l’incertitude. Une prévision sur six secondes ne peut pas savoir exactement ce que fera chaque piéton ou conducteur. Elle doit représenter plusieurs futurs plausibles et éviter de s’engager excessivement dans une seule interprétation.

Le flow matching répond à cette incertitude en générant plusieurs trajectoires. Le logiciel a toutefois toujours besoin d’une politique pour choisir entre elles. Un véhicule trop prudent peut devenir hésitant, tandis qu’une politique agressive peut créer un risque inacceptable.

XPENG affirme que l’ensemble de ces changements produit une amélioration par 20 des performances de sécurité multidimensionnelles. Il s’agit d’une affirmation de l’entreprise, et non d’un résultat de sécurité routière établi de manière indépendante. Les éléments publiés ne fournissent pas suffisamment de détails pour reproduire la comparaison.

Des questions importantes restent sans réponse. L’entreprise n’a pas précisé publiquement toutes les conditions de test, la référence de comparaison, les règles d’intervention ou les catégories de défaillance qui sous-tendent ce multiplicateur. Sans ces détails, les lecteurs ne peuvent pas déterminer comment l’amélioration se transfère d’une route ou de conditions météorologiques à l’autre.

L’inférence en flux continu crée un autre test. Le traitement continu devrait réduire le délai entre la perception et l’action. Pourtant, les améliorations de vitesse rapportées ont besoin de contexte, notamment la latence précédente, la configuration matérielle et le comportement sous une charge de calcul maximale.

La même prudence s’applique à la taille du modèle. Une multiplication par 3,5 des paramètres peut améliorer la capacité, mais elle peut aussi amplifier les défis de déploiement. Les choix de compression et d’ordonnancement déterminent si le système répond assez rapidement à l’intérieur d’un véhicule en mouvement.

XPENG affirme que HybridViT aide à intégrer les fonctions VLA dans des véhicules équipés d’une seule puce Turing. Les vision transformers traitent les images en les divisant en représentations plus petites et en analysant leurs relations. Une conception hybride peut réduire le calcul tout en conservant certaines capacités du modèle.

Cette approche élargit la base installée potentielle. Elle crée également plusieurs profils de performances entre des véhicules ayant différents nombres de puces. Les propriétaires auront besoin d’explications claires sur les fonctions, les limites et les futures mises à jour applicables à chaque configuration matérielle.

Les propriétaires actuels sont déjà attentifs à cette limite. Un nouveau logiciel peut provoquer de la frustration lorsque les véhicules plus anciens ne peuvent pas le prendre en charge. XPENG doit gérer les attentes concernant la compatibilité sans présenter des capacités dépendantes du matériel comme des mises à niveau universelles.

Les preuves les plus difficiles viendront de l’usage ordinaire. Les taux d’intervention, les causes de désengagement, les tendances de quasi-accident et les performances dans différentes villes offriraient une vision plus solide que des démonstrations montées. Des rapports transparents aideraient également à distinguer les progrès significatifs de l’image de marque.

Tesla est le point de référence, mais pas l’ensemble de la concurrence

XPENG s’inspire de l’orientation IA de bout en bout associée à Tesla tout en développant un argument plus large autour des puces locales et d’une IA physique partagée.

Tesla reste une référence incontournable, car l’entreprise a déployé des systèmes de conduite neuronaux basés sur des caméras auprès d’une vaste flotte de consommateurs. Sa stratégie relie les données des véhicules, l’entraînement des modèles, l’inférence embarquée et des mises à jour logicielles fréquentes. XPENG poursuit une boucle de rétroaction similaire dans un environnement réglementaire et industriel différent.

La comparaison ne doit pas se réduire à une simple liste de fonctionnalités. Les systèmes de Tesla, XPENG VLA 2.0 et les autres plateformes de conduite chinoises reposent sur des capteurs, des méthodes d’entraînement, des couvertures géographiques et des règles de déploiement différents. Leurs affirmations publiques en matière de performances reposent également sur des mesures distinctes.

XPENG met l’accent sur l’inférence locale sur ses puces Turing. Cette approche peut réduire la dépendance au cloud et conserver davantage de traitement à l’intérieur du véhicule. Elle donne aussi à l’entreprise un meilleur contrôle sur la relation entre la conception des modèles et le matériel automobile.

Tesla s’appuie elle aussi fortement sur le calcul embarqué. La différence significative n’est pas de savoir si l’une ou l’autre entreprise utilise des puces locales. Elle réside dans l’efficacité avec laquelle leurs modèles interprètent les scènes, anticipent les mouvements et sélectionnent des actions sûres dans leurs limites opérationnelles.

Les concurrents chinois ajoutent une pression supplémentaire. Li Auto, NIO, les systèmes soutenus par Huawei et d’autres constructeurs investissent dans des modèles de conduite de bout en bout et des plateformes de véhicules définis par l’IA. La rapidité des cycles de publication logicielle rend tout avantage technique difficile à préserver.

L’étendue plus large des produits de XPENG distingue son discours actuel. L’entreprise souhaite que sa fondation prenne en charge les robotaxis, les robots humanoïdes et les véhicules. Cette stratégie peut répartir les coûts de recherche, mais elle peut aussi disperser l’attention entre des produits aux exigences de sécurité différentes.

Volkswagen constitue un test commercial pour déterminer si la technologie de XPENG a une valeur au-delà de sa propre marque. Les entreprises ont développé ensemble une architecture électrique et électronique axée sur la Chine. Volkswagen affirme que la joint vehicle architecture prendra en charge des véhicules électriques spécifiques au marché chinois.

Cette relation offre à XPENG une autre voie de revenus techniques. Elle soumet également les systèmes de l’entreprise aux processus d’un grand constructeur automobile mondial. Une intégration réussie montrerait que XPENG peut adapter son ingénierie aux besoins d’une organisation externe.

C’est important, car l’économie du logiciel diffère de celle des véhicules. Une architecture réutilisable peut potentiellement générer des revenus de services techniques sans obliger XPENG à fabriquer chaque voiture. Toutefois, le travail d’intégration peut rester coûteux et spécifique à chaque client.

Les derniers résultats financiers de l’entreprise montrent les deux aspects de cette équation. XPENG a déclaré un chiffre d’affaires trimestriel de 19,74 milliards de RMB et une marge brute de 20,7 %. Ses résultats du deuxième trimestre font également état d’une marge véhicule de 12,1 % et d’une perte nette de 1,34 milliard de RMB.

Les revenus des services et autres activités ont atteint 2,70 milliards de RMB, en hausse de 93,9 % sur un an. XPENG a attribué une partie de cette hausse à des services de recherche et développement techniques fournis à un autre constructeur automobile. Cela constitue un premier signal commercial pour ses partenariats technologiques.

Cependant, les livraisons totales de véhicules au deuxième trimestre ont atteint 103 295 unités, soit un niveau quasiment inchangé par rapport au même trimestre de l’année précédente. Les revenus se sont améliorés, mais la stratégie d’IA physique n’a pas encore entraîné une nette hausse du volume annuel de véhicules. Les capacités logicielles doivent encore se traduire par une demande client.

Le principal enjeu reste donc la confrontation entre promesse et déploiement. Tesla et les concurrents chinois contribuent à définir le rythme, mais ils ne déterminent pas le succès de XPENG. Ce sont les clients, les régulateurs et les performances routières indépendantes qui le feront.

Le financement de la robotique augmente les enjeux pour XPENG VLA 2.0

Un important tour de financement dans la robotique donne davantage de ressources à XPENG, tout en renforçant la pression pour démontrer que l’IA physique partagée peut devenir une véritable activité commerciale.

XPENG a annoncé en août que son activité de robotique avait conclu des accords pour lever plus de 900 millions de dollars américains. L’entreprise a fixé sa valorisation post-financement à plus de 6,3 milliards de dollars américains. IDG Capital a mené le tour, avec la participation d’autres investisseurs.

Le financement de la robotique doit soutenir la production de robots humanoïdes, le développement de modèles et la commercialisation. XPENG décrit l’opération comme le plus grand tour de financement privé unique du secteur de l’IA incarnée en Chine.

Le financement modifie le contexte entourant la sortie de VLA. XPENG ne présente plus l’IA physique uniquement comme une vision de recherche à long terme. L’entreprise associe désormais des attentes commerciales financées séparément à son activité de robotique humanoïde.

IRON, le robot humanoïde de XPENG, représente le test le plus clair de la réutilisation des modèles hors d’une voiture. Une machine humanoïde doit percevoir les personnes et les objets, prédire les mouvements, maintenir son équilibre et coordonner ses actions. Ces tâches recoupent la conduite sur le plan conceptuel.

Ce recoupement ne rend pas le transfert simple. Une voiture évolue sur des routes et contrôle un ensemble limité de mouvements. Un robot humanoïde possède davantage d’articulations, entre directement en contact avec les objets et dispose d’une gamme d’actions possibles beaucoup plus large.

Les données d’entraînement diffèrent également. Les véhicules peuvent recueillir des observations routières répétées auprès de grandes flottes. Les robots humanoïdes ont besoin d’exemples de haute qualité concernant la manipulation, la locomotion, la récupération et l’interaction humaine. Nombre d’échecs utiles sont difficiles ou dangereux à collecter de manière informelle.

C’est là que la fondation commune de XPENG fait face à son test de mécanisme le plus exigeant. Des représentations partagées pourraient réduire les efforts d’ingénierie dupliqués, notamment pour la perception visuelle et la prédiction. Les systèmes de contrôle propres à chaque produit nécessiteront néanmoins un développement et une validation approfondis.

L’entreprise affirme que ses produits d’IA physique partagent des infrastructures et des logiciels. Cela peut améliorer l’efficacité de la recherche lorsque les avancées sont transférées avec succès. Cela peut gaspiller des ressources si les ingénieurs imposent une même architecture à des tâches nécessitant des solutions différentes.

Le calendrier commercial présente une autre incertitude. XPENG affirme que le financement accélérera la production de masse et la commercialisation mondiale. La préparation à la production ne garantit ni la demande, ni le soutien au déploiement, ni une exploitation rentable sur l’ensemble du cycle de vie.

Les robots humanoïdes nécessitent aussi de la maintenance, des procédures de sécurité et des missions clairement définies. Une démonstration convaincante peut attirer l’attention, tandis qu’un déploiement industriel fiable exige des milliers d’heures répétitives et sans incident. Ces résultats reposent sur des preuves différentes.

Les investisseurs observeront si la robotique crée des revenus indépendants des ventes de véhicules. Ils examineront également le coût du matériel, les obligations de service et le développement logiciel continu. Une valorisation élevée renforce l’importance de progrès mesurables.

Pour XPENG, la proposition séduisante est celle d’une couche d’intelligence partagée qui s’améliore d’un produit à l’autre. Le risque est de constituer un ensemble de programmes coûteux reliés principalement par l’image de marque. L’année à venir devrait commencer à distinguer ces deux possibilités.

Ce qu’il faut surveiller après le cycle d’actualité Google News

Trois signaux montreront si XPENG a fait progresser l’IA physique ou s’il a simplement élargi l’ambition associée à ses logiciels.

Le premier signal est le déploiement de XOS 6.3.0 sur le G9L. Il faudra surveiller le calendrier de publication, les configurations matérielles éligibles et la disponibilité géographique. Des retards ou une compatibilité limitée affaibliraient l’affirmation selon laquelle la nouvelle architecture est prête pour une utilisation à grande échelle.

L’expérience utilisateur comptera davantage que le nombre de téléchargements. Les rapports devraient décrire le comportement dans une circulation dense, sur des routes non balisées, en faible visibilité et dans des zones de travaux inhabituelles. Des performances constantes dans ces conditions renforceraient l’argument de XPENG en faveur du raisonnement temporel.

Les éléments les plus utiles incluraient les schémas d’intervention et les catégories de défaillance. Un taux d’intervention inférieur n’a de sens que si la distance d’essai, la difficulté des routes et les règles de supervision sont comparables. Des vidéos soigneusement sélectionnées ne peuvent pas fournir ce dénominateur.

Le deuxième signal est la validation technique externe. L’amélioration de 300 % de la réactivité et l’affirmation d’un gain de sécurité multiplié par 20 de XPENG nécessitent des définitions, des références et des évaluations reproductibles plus claires. Des tests indépendants peuvent déterminer si ces gains restent visibles en dehors des scénarios sélectionnés par l’entreprise.

Les régulateurs peuvent également apporter une validation indirecte. L’autorisation d’étendre les zones d’exploitation ou de proposer des fonctions supervisées moins restrictives indiquerait une confiance dans le dossier de sécurité. Des restrictions, des rappels ou des autorisations retardées indiqueraient l’inverse.

Le troisième signal est la réutilisation commerciale chez Volkswagen, dans les robotaxis et avec IRON. XPENG doit montrer que son infrastructure partagée crée des produits fonctionnels, et pas seulement des diapositives de présentation communes. Les jalons devraient inclure des véhicules déployés, des opérations robotiques, des intégrations partenaires et des revenus de services déclarés.

L’adoption par Volkswagen offre une mesure particulièrement utile, car elle implique un client externe. Une intégration de production fonctionnelle soutiendrait la thèse de XPENG sur sa plateforme. Une mise en œuvre limitée ou retardée suggérerait que la réutilisation exige davantage d’ingénierie sur mesure que prévu.

L’exploitation de robotaxis fournit une autre mesure exigeante. XPENG affirme que la même base matérielle prend en charge des applications de niveau 4. Les lecteurs devraient surveiller les limites opérationnelles, les trajets effectués, l’assistance humaine, les rapports de sécurité et l’accès des passagers ordinaires.

IRON mettra la thèse à l’épreuve au-delà de la mobilité. La question pertinente n’est pas de savoir si le robot peut marcher sur scène. Il s’agit de déterminer si des unités peuvent accomplir à répétition des tâches définies dans des usines, des magasins, des bureaux ou d’autres environnements contrôlés.

Ces signaux comptent également pour les développeurs et les acheteurs de technologies d’entreprise en dehors du secteur automobile. L’IA physique oblige les modèles à fonctionner sous des contraintes de temps réel, d’énergie, de confidentialité et de sécurité. Les progrès de l’inférence locale peuvent influencer la robotique, l’informatique de périphérie et les agents embarqués.

Les travailleurs du savoir devraient s’y intéresser pour une autre raison. Les aperçus de Master Agent annoncent un passage des assistants conversationnels vers des systèmes qui coordonnent des outils et des actions physiques. La valeur découle d’une exécution fiable, tandis que le risque provient d’intentions mal comprises.

Les équipes évaluant de tels agents devraient documenter les affirmations, les tests, les échecs et l’évolution des conditions de publication. Une base de connaissances IA consultable peut aider à conserver ces éléments au fil des examens d’ingénierie, d’approvisionnement et de conformité.

L’article original de Google News a saisi une semaine chargée pour XPENG. L’histoire plus profonde est celle d’une entreprise qui tente de relier la recherche sur les modèles, les puces embarquées, les véhicules grand public, les robotaxis, les partenariats et les robots humanoïdes.

Cette combinaison offre à XPENG plusieurs moyens de valider sa stratégie. Elle crée aussi plusieurs façons pour une exécution insuffisante de devenir visible. Chaque produit doit offrir un comportement utile dans le respect de ses propres contraintes.

La prochaine question est donc concrète : XOS 6.3.0 produira-t-il des améliorations mesurables sur des routes ordinaires, suivies de résultats reproductibles sur les autres machines de XPENG ? Surveillez le déploiement, les preuves de sécurité indépendantes et les déploiements externes avant de considérer l’IA physique comme un avantage acquis.