Telefonkonferenz zu den Ergebnissen des dritten Quartals 2026, 18. November 2026

Versicherungsprämien erweisen sich als harter Sicherheits- und Kostenindikator

Der greifbarste neue Datenpunkt aus der Telefonkonferenz zum dritten Quartal von Pony AI war eine Einschätzung der Sicherheitsbilanz durch Dritte. Chairman und CEO James Peng gab an, dass das Unternehmen kürzlich seine Fahrzeugversicherung erneuert habe und die Jahresprämie pro Robotaxi der Generation 7 bei 40 Prozent des Durchschnitts für von Menschen gesteuerte Taxis liege, nach 50 Prozent im Vorjahr. „Dies ist ein klarer Indikator für unsere überlegene Sicherheitsbilanz“, sagte Peng. CFO Leo Wang fügte hinzu, dass höhere Fahrzeugkosten die Prämien normalerweise durch steigende Reparaturkosten nach oben treiben würden, die Sicherheitsbilanz diesen Aufwärtsdruck jedoch „mehr als ausgeglichen“ habe. Er bezeichnete das Resultat als strukturelle Einsparungen bei den Flottenbetriebskosten. In der Fragerunde erklärte Wang, dass die Prämie pro Fahrzeug für die Gen-7-Flotte in diesem Jahr um weitere 19 Prozent gesunken sei.

PonyWorld: Post-Training in der Simulation als zentrales technisches Argument

CTO Tiancheng Lou nutzte die Konferenz, um die technische Theces des Unternehmens im Detail darzulegen. Die physische KI folge denselben zwei Phasen wie Frontier-Sprachmodelle: Pretraining und Post-Training. Das Pretraining mit multimodalen Daten baue grundlegende Fahrfähigkeiten auf, sei jedoch „durch menschliche Fahrdaten begrenzt, wodurch Long-Tail-Halluzinationen ungelöst bleiben“. Um diese Decke zu durchbrechen, sei Reinforcement Learning im Post-Training erforderlich, wo nach seinen Worten „über 90 bis 95 Prozent der Kernarbeit stattfinden“.

Dies sei die Rolle von PonyWorld, das Lou als „geschlossene virtuelle Fahrschule“ bezeichnete. Die Plattform generiere mittlerweile jede Woche zehn Milliarden Kilometer an Trainingsdaten. Die zentrale Herausforderung sei der sogenannte Sim-to-Real-Gap: Die simulierte Ereignisverteilung müsse die Realität widerspiegeln, da zu selten auftretende Edge Cases nicht gelernt würden und übertriebene Edge Cases die Fahrpolitik zu konservativ machten. Lou erklärte, Pony habe eine sich selbst weiterentwickelnde Pipeline aufgebaut, in der Edge Cases aus dem Flottenbetrieb auf öffentlichen Straßen automatisch die Wiedergabetreue des Simulators schärfen. Er verwies auf die neueste Iteration als PonyWorld 2.0 und betonte, diese reduziere die für das Training des World Models benötigte Zeit und Rechenleistung um eine Größenordnung.

Lou verknüpfte das System mit vier kommerziellen Ergebnissen. Erstens: Sicherheit durch sogenannte Intention Enumeration, bei der alle möglichen Absichten und Trajektorien umgebender Verkehrsteilnehmer generiert und die Fahrpolitik vor dem Einsatz einem Stresstest unterzogen werden. Zweitens: Flächenexpansion ohne Neutraining. Wenn Verkehrsregeln und Fahrstile konsistent seien, verallgemeinere das Modell ohne jegliches Neutraining, sodass das Wachstum von mehr als 1.000 Quadratkilometern in Guangzhou auf „zehntausend Quadratkilometer“ „rein eine Funktion der Bereitstellung weiterer Fahrzeuge“ sei. Drittens: Internationale Replizierbarkeit durch lokalisiertes Interaktionstraining, das laut Lou den Schritt zum fahrerlosen Betrieb in Zagreb innerhalb weniger Monate ermöglicht hat. Viertens: Plattformübergreifende Generalisierung, bei der Robotaxis und Robotrucks eine Kernarchitektur nutzen, die sich durch Post-Training an schwere und leichte Lkw anpasst.

Moat und Rechenleistung: Kein Engpass und nicht destillierbar

Auf eine Frage von Citi zu Chip-Restriktionen erklärte Lou, Pony stoße bei der KI-Rechenleistung „an keinen Engpass“. Auf Fahrzeugseite würden Gen-7-Robotaxis seit ihrer Markteinführung im vergangenen April mit Chips in Automobilqualität betrieben, was die Stücklistenkosten (BOM) sowie den Energieverbrauch senke und die Reichweite pro Ladung erhöhe. Beim Training seien die fahrzeuginternen Modelle wesentlich kleiner als Large Language Models, und der Großteil der Post-Training-Rechenleistung entfalle auf die Simulation innerhalb des World Models, das weitaus weniger Rechenleistung benötige als das Pretraining. Lou betonte, Pony sei das erste Unternehmen, das den fahrerlosen L4-Betrieb auf Chips in Automobilqualität realisiert habe, und hob dies im Gegensatz zu anderen L4-Abiturienten hervor, die stark auf fahrzeuginterne Rechenleistung setzen – was auf größere Modelle und mehr Trainings-Rechenleistung schließen lasse. Lou fügte hinzu, Pony habe mehrere in China hergestellte Chips für das Modelltraining evaluiert und seine Trainings-Pipeline darauf implementiert: „Bei Bedarf können wir unsere Modelle auf diesen Chips trainieren.“

Als Reaktion auf Bloomberg Intelligence zur Frage, ob in verkörperte KI integrierte Modelle der GPT-6-Klasse das autonome Fahren commoditisieren könnten, erklärte Lou, die verkörperte KI habe noch keinen kommerziellen Großeinsatz erreicht und ein paar Minuten Demo „beweisen gar nichts über die Betriebssicherheit im großen Maßstab“. Er argumentierte, dass Sprache „eine langsame und verlustbehaftete intermediäre Repräsentation für die physische Steuerung“ darstelle und das Pretraining von Foundation Models „nur die Startlinie“ sei. Da Ponys Modelle innerhalb eines geschlossenen Systems und nicht hinter einer öffentlichen API laufen, könnten sie nicht destilliert werden, und ein Wettbewerber müsse die Post-Training-Infrastruktur sowie ein realionales Flottendaten-Flywheel von Grund auf neu aufbauen.

Finanzen: Umsatzplus von 75 Prozent, Verluste gehen langsam zurück

Der Gesamtumsatz stieg im Jahresvergleich um 75 Prozent auf 44,6 Millionen US-Dollar. Robotaxis und Robotrucks machten zusammen 80 Prozent des Umsatzes aus, verglichen mit 66 Prozent im Vorjahr. Der Umsatz mit Robotaxi-Diensten erreichte 17,8 Millionen US-Dollar, ein Anstieg von 165 Prozent im Jahresvergleich und 47 Prozent gegenüber dem Vorquartal, und machte 40 Prozent des Gesamtumsatzes aus (gegenüber 26 Prozent im Vorjahr). Der Umsatz aus fahrpreisbasierten Fahrten wuchs im Jahresvergleich um rund 400 Prozent. Der Umsatz mit Robotrucks lag bei 18 Millionen US-Dollar (plus 76 Prozent im Jahresvergleich und plus 35 Prozent zum Vorquartal), angetrieben durch Frachtdienstleistungen mit Sinotrans. Der Umsatz im Bereich Intelligent Solutions blieb mit 8,9 Millionen US-Dollar weitgehend unverändert.

Der Bruttogewinn stieg um 69 Prozent auf 7,9 Millionen US-Dollar, was einer Bruttomarge von 17,8 Prozent entspricht (nach 17,5 Prozent im zweiten Quartal). Die GAAP-Betriebskosten stiegen um 3 Prozent auf 76,6 Millionen US-Dollar, während die Non-GAAP-Betriebskosten um 2 Prozent auf 66,2 Millionen US-Dollar sanken. Die operative Marge verbesserte sich von minus 274 Prozent auf minus 154 Prozent. Der operative GAAP-Verlust verringerte sich leicht von 69,7 Millionen auf 68,7 Millionen US-Dollar, und der operative Non-GAAP-Verlust sank um 8 Prozent auf 58,3 Millionen US-Dollar. Der GAAP-Nettoverlust belief sich auf 136,3 Millionen US-Dollar, einschließlich eines nicht zahlungswirksamen Verlusts von 77 Millionen US-Dollar aus beizulegenden Zeitwertänderungen von Handelswertpapieren. Der Non-GAAP-Nettoverlust verringerte sich um 14 Prozent auf 48,9 Millionen US-Dollar....