Cijfers over het derde kwartaal van 2026, 18 november 2026

Verzekeringspremies blijken harde graadmeter voor veiligheid en kosten

Het meest concrete nieuwe datapunten uit de conference call over het derde kwartaal van Pony AI was een onafhankelijke blik op het veiligheidsdossier van het bedrijf. Voorzitter en CEO James Peng liet weten dat het bedrijf onlangs de autoverzekering heeft vernieuwd en dat de jaarlijkse premie per Gen 7 Robotaxi is uitgekomen op 40% van het gemiddelde voor door mensen bestuurde taxi's, een daling ten opzichte van 50% vorig jaar. "Dit is een duidelijk bewijs van onze superieure veiligheidsreputatie", aldus Peng. CFO Leo Wang voegde eraan toe dat hogere voertuigkosten de premies normaal gesproken zouden opstuwen via duurdere reparaties, maar dat de veiligheidscijfers "deze opwaartse druk ruimschoots compenseerden". Hij omschreef het resultaat als structurele besparingen op de operationele vlootkosten. Tijdens de vragsessie deelde Wang mee dat de premie per voertuig voor de Gen 7-vloot dit jaar met nog eens 19% is gedaald.

PonyWorld: post-training in simulatie vormt het technische kernargument

CTO Tiancheng Lou benutte de call om de technische visie van het bedrijf uiteen te zetten. Physical AI volgt volgens hem dezelfde twee fasen als geavanceerde language models: pretraining en post-training. Pretraining op multimodale data bouwt fundamentele rijvaardigheden op, maar wordt "begrensd door menselijke rijdata, waardoor long-tail hallucinaties onopgelost blijven". Om door dat plafond heen te breken is reinforcement learning in de post-fase vereist, waar naar zijn zeggen "ruim 90% tot 95% van het kernwerk plaatsvindt".

Daar ligt de rol van PonyWorld, door Lou omschreven als een "gesloten virtuele rijschool". Het platform genereert inmiddels wekelijks 10 miljard kilometer aan trainingsdata. De centrale uitdaging is de sim-to-real gap: de gesimuleerde distributie van gebeurtenissen moet de werkelijkheid weerspiegelen, omdat te zeldzame randgevallen niet worden aangeleerd en overdreven randgevallen het rijgedrag te conservatief maken. Volgens Lou heeft Pony een zelf-evolverende pipeline gebouwd waarin randgevallen uit de vlootactiviteiten op de openbare weg de betrouwbaarheid van de simulator automatisch aanscherpen. Hij noemde de laatste iteratie PonyWorld 2.0 en gaf aan dat deze de tijd en rekenkracht voor het trainen van het world model met een orde grootte reduceert.

Lou koppelde het systeem aan vier commerciële resultaten. Ten eerste veiligheid, door middel van wat hij intention enumeration noemde om alle mogelijke intenties en trajecten van andere weggebruikers te genereren en het rijbeleid voor de uitrol te stress testen. Ten tweede gebiedsuitbreiding zonder hertraining: waar verkeersregels en rijstijlen consistent zijn, generaliseert het model zonder enige hertraining, waardoor schalen van meer dan 1.000 vierkante kilometer in Guangzhou naar "tientallen duizenden vierkante kilometers" een "puur gevolg is van het inzetten van meer voertuigen". Ten derde internationale replicatie via gelokaliseerde interactietraining, wat volgens Lou de opmaat was naar de overgang naar volledig bestuurdersloze operaties in Zagreb binnen enkele maanden. Ten vierde cross-platform generalisatie, waarbij Robotaxi's en Robotrucks één kernarchitectuur delen die zich via post-training aanpast aan zware en lichte vrachtwagens.

Moat en compute: geen bottleneck en niet te destilleren

Desgevraagd door Citi over chiprestricties verklaarde Lou dat Pony "geen last heeft van een bottleneck in de AI compute". Op de voertuigen draaien Gen 7 Robotaxi's al sinds de lancering afgelopen april op automotive-grade chips, wat volgens hem de BOM-kosten en het energieverbruik verlaagt en de actieradius per oplaadbeurt vergroot. Wat betreft de training merkte hij op dat de modellen in de voertuigen veel kleiner zijn dan grote language models, en dat het leeuwendeel van de post-training compute opgaat aan het draaien van simulaties binnen het world model, dat beduidend minder compute vergt dan pretraining. Hij stelde dat Pony als eerste onderneming L4-autonomie heeft bereikt op automotive-grade chips, en zette dit af tegen andere L4-spelers die sterk leunen op compute in de auto zelf, wat wijst op grotere modellen en meer trainings-compute. Lou voegde eraan toe dat Pony meerdere in China gemaakte chips heeft geëvalueerd voor modeltraining en zijn trainingspipeline daarop heeft uitgerold: "Indien nodig kunnen we onze modellen op die chips trainen."

In een reactie op Bloomberg Intelligence op de vraag of modellen van GPT-6-klasse gekoppeld aan embodied AI autonoom rijden kunnen commoditiseren, antwoordde Lou dat embodied AI nog geen grootschalige commerciële toepassing heeft bereikt en dat een paar minuten aan demo's "niets bewijzen over de operationele veiligheid op schaal". Hij voerde aan dat taal "een trage en verliesrijke intermediaire representatie is voor fysieke besturing" en dat pretraining van foundation models "slechts de startlijn" is. Omdat de modellen van Pony binnen een gesloten systeem draaien in plaats van achter een publieke API, zijn ze volgens hem niet te destilleren en zou een concurrent de infrastructuur voor post-training en een vloot-dataflywheel in de echte wereld vanaf nul moeten opbouwen.

Cijfers: omzet stijgt met 75%, verliezen nemen langzaam af

De totale omzet steeg op jaarbasis met 75% tot $44,6 miljoen. Robotaxi en Robotruck waren samen goed voor 80% van de omzet, tegenover 66% vorig jaar. De omzet uit Robotaxidiensten bereikte $17,8 miljoen, een stijging van 165% jaar-op-jaar en 47% kwartaal-op-kwartaal, en was goed voor 40% van het totaal vergeleken met 26% een jaar eerder. De omzet uit ritprijzen groeide op jaarbasis met ongeveer 400%. De omzet uit Robotrucks bedroeg $18 miljoen, 76% hoger dan vorig jaar en 35% meer dan het vorige kwartaal, gestimuleerd door vrachtdiensten in samenwerking met Sinotrans. De omzet uit Intelligent Solutions bleef met $8,9 miljoen nagenoeg stabiel.

De brutowinst steeg met 69% tot $7,9 miljoen, wat neerkomt op een brutomarge van 17,8% tegenover 17,5% in het tweede kwartaal. De GAAP-operationele kosten liepen met 3% op tot $76,6 miljoen, terwijl de non-GAAP-operationele kosten met 2% daalden tot $66,2 miljoen. De operationele marge verbeterde van negatief 274% naar negatief 154%. Het GAAP-bedrijfsverlies nam licht af tot $68,7 miljoen, van $69,7 miljoen een jaar eerder, en het non-GAAP-bedrijfsverlies daalde met 8% tot $58,3 miljoen. Het GAAP-nettoverlies bedroeg $136,3 miljoen, inclusief een niet-contant verlies van $77 miljoen als gevolg van reëlewaardeveranderingen in handelseffecten. Het non-GAAP-nettoverlies slonk met 14% tot $48,9 miljoen....