Transcript XPeng: He Xiaopeng over het schrappen van het miljarden-ADAS-systeem voor fysieke AI en de race naar humanoïde robots
Video-podcastinterview met Zhang Xiaojun, 28 mei 2026
De rol van AI-tools en coderen in moderne ondernemingen
Zhang Xiaojun: Hallo iedereen, ik ben Xiaojun. Unfinished Date is een hoogwaardig programma, gecoproduceerd door Weibo Finance en Language is the World Studio. Vandaag is He Xiaopeng, oprichter en CEO van XPeng Group, onze gast. We bespreken zijn verkenning van fysieke AI, al heeft hij nog veel geheimen die hij niet kan delen. Voordat we officieel beginnen, wil ik een korte peiling doen naar uw recente ervaringen met AI. Welke AI-producten heeft u onlangs het meest gebruikt?
He Xiaopeng: Eerlijk gezegd gebruik ik er niet veel. Ik gebruik nog steeds heel traditionele AI-producten zoals Tongyi Qianwen en Doubao. Binnen ons team gebruiken we AI echter veel voor het programmeren. Persoonlijk wil ik het niet te intensief gebruiken. Toen mijn team me vroeg waarom ik het zelf niet wilde gebruiken, gaf ik hen een interessant voorbeeld uit de tijd dat we internetproducten bouwden. Als je elke dag een product gebruikt, raak je al snel verstrikt in de details. Je focust te veel op de onmiddellijke tekortkomingen en functies die niet werken, in plaats van naar het langetermijnpotentieel te kijken. Zodra je het constant gebruikt, richt je al je energie op het oplossen van huidige bugs, wat je belemmert om vooruit te kijken. Dus, hoewel ik me grote zorgen maak over de snelle technologische veranderingen, geloof ik dat de persoon op de toppositie deze tools niet te diepgaand moet gebruiken. Op operationeel niveau moeten we het gebruik ervan echter aanmoedigen, zelfs afdwingen, en uiteindelijk normaliseren.
Zhang Xiaojun: Is AI-ondersteund programmeren zinvol voor de hoogste leidinggevende van een onderneming? Denkt u dat het XPeng, de auto-industrie of de sector voor intelligent rijden als geheel ten goede zal komen? Zal het voor echte veranderingen zorgen?
He Xiaopeng: Ik denk dat het een uitstekende tool is voor junior programmeurs, maar voorlopig blijft het een hulpmiddel. Misschien dwingt het junior programmeurs over twee tot drie jaar om snel door te groeien naar senior programmeurs. Voor zaken als intelligent ondersteund rijden of andere geavanceerde, gespecialiseerde AI-capaciteiten is de directe hulp echter relatief klein. Het is slechts een van de vele tools. De gehele onderliggende infrastructuur moet eerst worden gebouwd. Zodra het hele systeem staat, helpt AI-codering eigenlijk alleen op de applicatielaag. Als je op kernniveau werkt, zoals bij het schrijven van een besturingssysteem, ligt de kernwaarde in de algehele systeeminfrastructuur en niet in het coderen zelf.
De financiële en rekenkrachtrealiteit van grootschalige fysieke AI
Zhang Xiaojun: Hoeveel tokens gebruikt uw bedrijf per maand? Hoeveel aandacht besteedt u aan die metriek?
He Xiaopeng: We besteden niet veel aandacht aan tokenverbruik. Het afgelopen jaar hebben veel mensen dit aangekaart. Ik denk dat digitale mkb-bedrijven zich wellicht sterk op tokens moeten richten, en middelgrote tot grote digitale bedrijven zouden er gepaste aandacht aan moeten besteden, maar het zou geen allesomvattende maatstaf moeten zijn. Sommige kernactiviteiten van bedrijven zijn niet volledig gedigitaliseerd. We hebben een interessante statistiek op onze auto's uitgevoerd. Als ons nieuwe generatie Vision-Language-Action (VLA)-model slechts drie of vier uur per dag draait, hoeveel tokens verbruikt het dan? Ik ken het exacte getal niet, maar het wordt verwerkt als een innerlijke lus. Bij digitale AI is het aantal gebruikte tokens veel lager dan het aantal tokens dat nodig is om de fysieke wereld te analyseren. De twee vergelijken is echter uiteindelijk zinloos, omdat een zelfrijdende auto opereert als een geautomatiseerde machine. Het gebruikt zoveel tokens als nodig is om de omgeving te verwerken. In de fysieke wereld zal tokenverbruik uiteindelijk gaan over de waarde die een machine kan genereren voor mensen en bedrijven, wat een compleet andere dimensie is dan digitale AI.
Zhang Xiaojun: Wat vindt u een redelijk budget voor tokens en hoe beheert u die kosten intern?
He Xiaopeng: Dat weet ik niet. Intern probeer ik het tokenverbruik voor niemand te beperken. Veel leidinggevenden vragen me naar het beheersen van tokenuitgaven en beweren dat ze een jaar aan kosten in één kwartaal kunnen besparen. Ik geloof dat als iemand echt waarde kan genereren, mijn taak alleen is om de meest abnormale gevallen te monitoren en te beheren, zoals de top tien uitschieters in uitgaven. De rest moet open blijven. Als een medewerker duizend of tienduizend RMB per maand uitgeeft maar enorme waarde genereert, waarom zouden we hen dan beperken als hun salaris dat bedrag ver overstijgt? Momenteel is onze tokenverdeling geconcentreerd in ons General Intelligence Center, de samengevoegde afdeling van onze divisies voor autonoom rijden en cockpits. Dat is een enorm team. We meten rekenkracht in plaats van alleen tokens. We kijken bijvoorbeeld naar hoe efficiënt een bedrijfseenheid een toewijzing van dertigduizend of vijftigduizend NVIDIA H100 GPU's gebruikt.
Zhang Xiaojun: U noemde het beheren van uitschieters. Op welke data-uitschieters heeft u zich onlangs gericht?
He Xiaopeng: We hebben onlangs strikte controles rondom data ingesteld. Veel mensen praten over de waarde van data, maar heel weinig bedrijven realiseren zich de astronomische kosten die gepaard gaan met het beheer ervan. In de digitale AI-wereld is de dataomvang voor training relatief klein, vaak slechts tientallen terabytes. Maar wanneer we fysieke AI-modellen trainen, verwerken we tientallen tot honderden terabytes in één run. Het opslaan en beheren van deze data is ongelooflijk duur. Onze directe, vaste kosten voor data-investeringen bedragen elk jaar bijna meer dan een miljard RMB. We moeten analyseren welke data waardevol is, welke data tijdelijk nuttig is, welke data snel toegankelijk moet zijn en welke data kan worden 'opgewarmd' en hergebruikt. Het optimaliseren van deze workflows kan tientallen miljoenen RMB besparen en zorgen voor enorme efficiëntiewinsten. We hebben specifieke teams die data en rekenkracht beheren om precies deze reden, en daarom maak ik me niet al te veel zorgen over het aantal tokens per individuele ingenieur. De rekenkracht die nodig is tijdens de training voor fysieke modellen is waar de werkelijke kosten zitten.
Waarom het automatiseren van de rol van CEO veel moeilijker is dan autonoom rijden
Zhang Xiaojun: Als we een AI-model zouden trainen om uw vaardigheden te kopiëren—een "He Xiaopeng-vaardigheid"—welke trainingsdata zouden we daarvoor nodig hebben en hoe zou die vaardigheid eruitzien?
He Xiaopeng: Tegenwoordig maken digitale en fysieke modellen het veel eenvoudiger om de vaardigheden van basis-kantoormedewerkers te automatiseren dan die van basis-handarbeiders. Als we echter kijken naar de logische voortgang van het verdwijnen van vaardigheden, zullen er enorme maatschappelijke risico's ontstaan zodra hoogwaardige handarbeid- en kantoorrollen worden geautomatiseerd. Een CEO zou technisch gezien over een paar decennia of een eeuw vervangen kunnen worden. Tegen die tijd zouden mijn capaciteiten inderdaad verpakt kunnen worden in een AI-vaardigheid. Maar tegen die tijd zullen menselijke CEO's ook sterkere, uitgebreidere capaciteiten hebben ontwikkeld. We hebben hier diep over nagedacht omdat we robots bouwen. Er zijn hier twee grote tegenstrijdigheden. De meeste mensen denken na over hoe ze hun bestaande vaardigheden kunnen omzetten in vaardigheden voor een model. Maar vanuit modelperspectief: hoe weet het systeem dat een gedigitaliseerde vaardigheid correct is en hoe verbetert het zichzelf continu door middel van 'continuous learning'? In een fysiek simulatiemodel kan dit worden versterkt. Dit is heel anders dan bij coderen of autonoom rijden. Bij coderen en autonoom rijden is het duidelijk wanneer een systeem een fout maakt. Maar als je probeert de besluitvorming van He Xiaopeng tot een vaardigheid te maken, is het extreem moeilijk om in realtime te beoordelen of een strategische beslissing correct of onjuist is. Daarom richten we ons op het bouwen van het onderliggende systeem zelf in plaats van alleen een systeem te gebruiken dat door anderen is gebouwd.
Zhang Xiaojun: Wat zou intuïtief het grootste tekortkoming zijn van een gedigitaliseerde He Xiaopeng-vaardigheid?
He Xiaopeng: Ik denk dat zodra iemands vaardigheden volledig gedigitaliseerd zijn, iedereen zal beseffen dat deze persoon eigenlijk veel tekortkomingen heeft. Als CEO ben ik daar zeker geen uitzondering op.
Zhang Xiaojun: Vindt u als CEO dat de focus van uw bedrijf op AI vandaag de dag voldoende is?
He Xiaopeng: Ik denk dat bedrijven in de digitale wereld zich sterk op AI kunnen richten, misschien wel tientallen procenten van hun middelen eraan besteden. In de fysieke wereld is XPeng een bedrijf met tienduizenden mensen, en ik geloof dat we vijftien tot twintig procent van onze totale middelen moeten besteden aan wat ik 'pan-AI' noem. Dit omvat onze divisie voor autonoom rijden en onze robotica-divisie. Dit is een redelijk en voldoende aandeel.
De draai van AI-autobedrijf naar fysieke AI-krachtpatser
Zhang Xiaojun: Als we kunstmatige-intelligentiebedrijven aan de ene kant plaatsen en productiebedrijven aan de andere kant, hoe brengt u die twee in balans? Heeft u een interne strijd over de vraag of XPeng een AI-bedrijf of een autoproducent moet zijn?
He Xiaopeng: Zo kijk ik er niet naar. Ik geloof dat auto-ontwikkeling uit verschillende soorten onderzoek en ontwikkeling bestaat. Ten eerste is er hardware-R&D, ten tweede software-R&D, en AI is slechts één onderdeel van de software. Dan is er productie-R&D. Hardware-R&D en productie zijn twee totaal verschillende vaardigheden. Je kunt bijvoorbeeld de ontwerpcapaciteit hebben om een mooie tafel en stoelen te schetsen, maar je hebt waarschijnlijk niet de productiecapaciteit om ze daadwerkelijk te bouwen. In een autobedrijf is het beheersen van deze verschillende R&D-capaciteiten de kernfundering. In de toekomst komt er misschien zelfs een vijfde type capaciteit bij.
Zhang Xiaojun: Vorig jaar noemde u XPeng nog een "AI-autobedrijf". Dit jaar is het bedrijf officieel omgedoopt tot XPeng Group en u stelde dat XPeng nu een "fysiek AI-bedrijf" is. Wat was de strategische reden achter deze naamswijziging en wat zijn de praktische implicaties?
He Xiaopeng: Deze transitie is net begonnen en er zijn nog veel details die we niet volledig kunnen onthullen, maar ik kan wat context delen. Het afgelopen decennium richtte XPeng zich op slimme elektrische voertuigen. We ontwierpen onze eerste auto's, produceerden ze op grote schaal, verkochten onze eerste honderdduizend eenheden en kwamen in een standaard productiecyclus terecht. Toen we in 2014 begonnen, geloofde vrijwel niemand in voertuigintelligentie. Slechts enkelen geloofden in elektrificatie en de meeste mensen zagen auto's gewoon als een traditionele, grootschalige business. Tegen vorig jaar, in 2025, accepteerde iedereen dat elektrificatie de toekomst was vanwege de wereldwijde verschuiving naar nieuwe energie. Hoewel intelligentie in de autosector snel is ontwikkeld, is de vooruitgang nog steeds onbevredigend. Van Toyota en Google tot Baidu, Tesla en XPeng: we hebben allemaal enorme middelen in autonoom rijden gestoken. We hebben belangrijke resultaten behaald, maar we bereikten niet het niveau dat we echt wilden. De systemen die we bouwden waren wat ik "Stitch Monsters" noem—een combinatie van softwareregels en AI-algoritmen, in plaats van een geïntegreerde AI-bestuurder gebouwd op een uniform AI-model. Het was nog steeds gebaseerd op softwarelogica.
De miljardenweddenschap: Het Stitch Monster inruilen voor het VLA-fundatiemodel
Zhang Xiaojun: Wat gebeurde er binnen XPeng vorig jaar om dit paradigma te veranderen?
He Xiaopeng: Vorig jaar kwamen we op een belangrijk kantelpunt. We werkten tegelijkertijd aan twee generaties van ons intelligente rijhulpsysteem. Intern noemden we ze onze eerste generatie VLA en tweede generatie VLA. De eerste generatie VLA vergrootte het model om de invloed van traditionele softwareregels te verkleinen, verbeterde de backend-capaciteiten en versterkte de post-training. De tweede generatie VLA sloeg een compleet andere weg in. We gooiden de traditionele end-to-end logica overboord en gebruikten een veel groter fundatiemodel om de absolute bovengrens van autonoom rijden te ontsluiten. Vervolgens werkten we aan het convergeren van de ondergrens, wat betekent: kritieke fouten minimaliseren en ervoor zorgen dat de auto zich precies gedraagt zoals verwacht. Generalisatie bij autonoom rijden blijft een enorm probleem. Vandaag de dag kan geen enkel bedrijf in autonoom rijden soepel rijden in een onbekende ondergrondse parkeergarage zonder te vertrouwen op geheugenondersteund rijden, waarbij de auto de route eerst een keer moet rijden om de ruimte in kaart te brengen. Dit laat zien dat het werkelijke begrip van het systeem van de fysieke wereld extreem laag is. De bovengrens van de oude architectuur was simpelweg te laag. Om het goed te doen, moet je tienduizend mogelijkheden openen, maar de oude systemen waren beperkt tot duizend. Rond deze tijd vorig jaar opende mijn tweede generatie VLA mijn ogen voor een enorme verschuiving. De bovengrens kon honderdduizend of zelfs een miljoen punten bereiken, maar de ondergrens was op dat moment verschrikkelijk. Bij het oude systeem had je misschien een bovengrens van duizend en een ondergrens van negenhonderd, wat erg stabiel is. Bij het nieuwe model was de ondergrens in eerste instantie veel lager dan die van onze bestaande commerciële producten. We stonden voor een keuze: software-engineeringmethodologieën en AI als gereedschapskist binnen een traditionele bedrijfsstroom blijven gebruiken, of een enorme gok wagen. We realiseerden ons dat het gebruik van traditionele softwaremethodologieën met AI-tools alleen maar een krachtiger software-"Stitch Monster" creëert. Dus, rond april vorig jaar, deden we een enorme weddenschap. We stopten de ontwikkeling van ons vorige systeem, dat ons enkele miljarden RMB had gekost om te bouwen.
Zhang Xiaojun: Waarom besloot u een systeem van miljarden RMB te doden? Wat was de aanleiding?
He Xiaopeng: Omdat ik me realiseerde dat het oude systeem nooit echte bestuurderloze autonomie zou bereiken, noch robots in staat zou stellen om te generaliseren. Als een robot een onbekende kamer inloopt, je herkent, gaat zitten en natuurlijk reageert wanneer je een glas water afwijst, dan kan dat niet worden bereikt met sterke regels en kleine AI-algoritmen. Ik realiseerde me dat, hoewel we een ongelooflijk slimme auto wilden bouwen, onze bestaande softwaremethodologieën het nooit oneindig slim zouden laten worden. Het was een kortere weg, maar niet de eigenlijke weg. We moesten het echte pad vinden. We moesten erop vertrouwen dat de waarde van hardware en software uiteindelijk fifty-fifty zou worden verdeeld, waarbij klanten bereid zouden zijn honderdvijftigduizend RMB te betalen voor de hardware van een auto van driehonderdduizend RMB, en nog eens honderdvijftigduizend RMB voor de uitgebreide software- en intelligentiecapaciteiten. We moesten onze strategische planning en R&D-processen vanaf de basis volledig herstructureren.
Zhang Xiaojun: Waren er belangrijke vergaderingen binnen het bedrijf toen u deze enorme weddenschap aanging? Hoe voerde u zo'n grote organisatorische verandering door?
He Xiaopeng: Er was geen enkele dramatische vergadering; ik nam de definitieve beslissing in mijn hoofd en we gingen er vol voor. Tegen het einde van het derde kwartaal van vorig jaar maakten we onze zet en herstructureerden we ons centrum voor autonoom rijden volledig. In elke organisatie hebben getalenteerde mensen inertie. Ze voelen zich comfortabel bij het gebruik van oude methodologieën, zelfs als ze de nieuwste AI-tools in handen krijgen. Maar om echt te innoveren, moet je je kernmethodologie en mindset veranderen. Ik kan de exacte operationele stappen die we hebben genomen niet delen omdat ze zeer strategisch en bedrijfseigen zijn. We hebben verschillende bedrijfseenheden in verschillende tempo's aangepast, met een sterke focus op leiderschap en organisatiestructuur. Het is extreem moeilijk. Als je de onderliggende logica niet verandert, gebruik je AI uiteindelijk alleen om sneller een huis te bouwen, maar ben je nog steeds bezig met het repareren van een oud huis. Wij wilden iets compleet nieuws bouwen. Als CEO moet je de weddenschap plaatsen, de feedback accepteren en de organisatie door de transitie leiden. XPeng is een grote startup met tienduizenden werknemers, dus het beheren van deze organisatorische verandering is een totaal andere uitdaging dan bij een klein team. Wanneer jij degene bent die het totaalplaatje overziet, ontvang je advies vanuit vele verschillende hoeken, maar het meeste daarvan is incompleet. Uiteindelijk moet je die perspectieven integreren en de knoop doorhakken.
Zhang Xiaojun: Ik hoorde dat u de afgelopen drie jaar veel meer bereid bent geworden om te gokken op grote beslissingen.
He Xiaopeng: Het gaat er niet om een gokker te zijn; het gaat erom te weten wanneer je een weddenschap moet plaatsen en dat vroeg te doen. Tegen het einde van 2022, toen XPeng voor enorme uitdagingen stond, stelde ik twee kernfilosofieën voor mezelf vast. Ten eerste: geef nooit op. Ten tweede: wees bereid om nederlaag toe te geven. Het balanceren van deze twee betekent dat je, zelfs wanneer je met enorme moeilijkheden wordt geconfronteerd, moet volharden en doorzetten. Maar je moet ook de objectieve helderheid behouden om projecten die niet langer levensvatbaar zijn stop te zetten, precies zoals we deden toen we onze eerste generatie VLA volledig stopten. Aarzelen, wachten en observeren vertraagt alleen je tijdlijn en maakt succes onmogelijk. Over een paar jaar, als we succesvoller zijn, kunnen we de exacte details bespreken. Elk bedrijf moet zijn eigen unieke pad vinden. Vandaag de dag in China praat iedereen over het kopiëren van Bedrijf A of Bedrijf B, maar dat is een fout. Wat werkt voor digitale AI kan niet zomaar worden gekopieerd naar fysieke AI. Het is een compleet andere wereld. Wanneer digitale AI-bedrijven de fysieke wereld proberen te definiëren zonder ooit een fysiek bedrijf te hebben gerund, bouwen ze fysieke AI in een zeer enge zin. De werkelijke fysieke wereld omvat complexe menselijke interacties, omgevingsvariabelen, wettelijke naleving en commerciële levensvatbaarheid. Je moet veel breder denken dan alleen het hebben van een paar sterke functies. Daarom kunnen CEO's van digitale AI de overstap naar fysieke AI niet gemakkelijk uitleggen; ze zijn nog steeds aan het ontdekken of ze überhaupt kunnen slagen.
De wedergeboorte van XPeng's humanoïde robot IRON
Zhang Xiaojun: Laten we praten over uw humanoïde robot, IRON, die vorig jaar enorm veel aandacht trok. Hoe is dit product ontstaan en waarom stapte u in 2023 over op universele humanoïde robots?
He Xiaopeng: De robotica-reis van XPeng omvat eigenlijk drie verschillende fasen. De eerste fase was van 2018 tot 2020. Het was een onafhankelijk team van ongeveer vier of vijf bedrijven in China die quadruped-robotica verkenden. De tweede fase was van 2020 tot 2023. Gedurende die vier jaar bouwden we drie verschillende mijlpalen. We probeerden robots te maken met traditionele robotica-methoden en probeerden zelfs robots te maken op de manier waarop we auto's maken, waarbij we verschillende elementen samenvoegden met wisselend succes. De derde fase begon na 2023. Toen we eind 2022 de vooruitgang van fundatiemodellen zagen, veranderde onze hele logica. Voorheen geloofden we dat het onmogelijk was om een succesvol robotbrein te bouwen omdat de complexiteit van het cerebellum—het behouden van fysiek evenwicht en bewegingscontrole—te hoog was. Vandaag beweren veel bedrijven dat ze een robot-cerebellum hebben ontwikkeld omdat hun robot langzaam in een monotoon tempo vooruit kan lopen. Dat is geen cerebellum; dat is slechts een basis-ruggengraat of hersenstam die het evenwicht bewaart. Ze zijn nog lang niet bij het bereiken van echte cerebellum-functionaliteit.
Zhang Xiaojun: Welke grote organisatorische veranderingen heeft u in 2023 doorgevoerd om deze nieuwe visie te realiseren?
He Xiaopeng: In 2023 besloten we volledig over te stappen van vier poten naar twee benen. We lieten onze oude aannames varen en richtten ons op een gloednieuw ontwerp dat direct wordt aangestuurd door het brein van de robot, gecombineerd met onze technische expertise uit de autosector. Het hebben van goede technologie garandeert geen goed product, en het hebben van een goed product garandeert niet dat je de productie kunt opschalen. Auto's hebben een zeer volwassen proces dat zich uitstrekt van planning en ontwerp tot ET, PT, SOP en SOD. Tegen het einde van dit jaar hopen we onze robots te laten overgaan naar een SOP-proces van automobielkwaliteit. Tegen 2027 verwachten we dat robots van hoog niveau wereldwijd hun eerste echte jaar van commerciële massaproductie ingaan. Op dat moment zullen traditionele bewegingsgestuurde robots beginnen af te nemen naarmate geavanceerde fysieke AI-robots het overnemen. De kernwaarde van fysieke AI ligt in het vermogen om zowel emotionele als fysieke waarde voor mensen te genereren door daadwerkelijk werk te verrichten. In 2023 realiseerden we ons dat ons bestaande robotica-team, ondanks dat ze zeer bekend waren met traditionele robotica, niet in staat was om deze nieuwe generatie fysieke AI-robots te bouwen. Op dat moment had onze robotica-divisie, geleid door LC, ongeveer driehonderd mensen. We braken het team op, waardoor er minder dan zestig kernleden overbleven. Velen van degenen die vertrokken, startten hun eigen startups en haalden meerdere financieringsrondes op. Maar om de logica van de hele robot te reconstrueren, konden we niet uitsluitend vertrouwen op traditionele auto-ingenieurs of traditionele robotica-experts. We hadden een compleet nieuw team nodig met een verenigd begrip van AI, autotechniek, productie en robotica.
Zhang Xiaojun: Waarom koos u LC om deze inspanning te leiden toen hij noch een traditionele robotica-expert, noch een specialist in intelligent rijden was?
He Xiaopeng: Soms komt het neer op het lot. Zijn strategisch denken en mentale kwadrant sloten perfect aan bij het mijne, waardoor hij de juiste persoon was om deze nieuwe manier van denken aan te sturen. Veel van de robot-demo's die je vandaag van andere bedrijven ziet, maken nog steeds gebruik van wat wij beschouwen als de derde- of vierde-generatie technologiestacks. Ze voeren alleen basistests uit. Bij XPeng hebben we het geduld en de moed om op de lange termijn te investeren. Een snelle demo betekent heel weinig. Het is net als in 2017, toen China honderden startups in autonoom rijden had die level 4-data lieten zien; zeer weinig van die technologieën vertaalden zich ooit in echte, gecommercialiseerde waarde.
Zhang Xiaojun: Wat is LC's wervings- en talentstrategie voor dit herbouwde team?
He Xiaopeng: LC richt zich sterk op wat hij talentdichtheid noemt, wat ik zie als talentpotentieel. Hij rekruteert de absoluut beste geesten. Vanaf het einde van vorig jaar tot de eerste helft van dit jaar heeft onze robotica-afdeling alleen al bijna tachtig master- en doctoraatsafgestudeerden van topinstellingen aangenomen. Ze zijn ongelooflijk duur, maar we zijn volledig toegewijd aan het ondersteunen van hun langetermijnverkenning. Wij geloven dat we super-slimme mensen moeten gebruiken om super-moeilijke problemen op te lossen, in plaats van te vertrouwen op rigide processen en vooraf gedefinieerde tools. LC is ongelooflijk ambitieus—hij vertelt me vaak dat hij kunstmatige mensen wil creëren in plaats van alleen commerciële robots te bouwen. Hij wil dat robots een oprecht gevoel van deelname aan onze samenleving hebben en diep contact maken met menselijke emoties.
De valkuilen van bipedale humanoïde robotica overwinnen
Zhang Xiaojun: Waarom koos u zo resoluut voor universele bipedale humanoïde robots boven andere vormen?
He Xiaopeng: Het is het meest uitdagende pad, maar het is het pad dat de meest diepgaande impact op de menselijke samenleving zal hebben. De komende decennia zullen universele humanoïde robots diep geïntegreerd raken in het menselijk leven. Terwijl digitale AI beperkt is tot het assisteren bij een paar dozijn kantoorrollen, kunnen fysieke AI-robots honderden fysieke rollen vervullen, vooral in vergrijzende samenlevingen. Ik geloof dat de twee meest kritieke factoren voor de toekomst van de mensheid medische AI zijn om ouderen te helpen langer en gezonder te leven, en fysieke AI-robots om zorg en gezelschap te bieden. Voor veel ouderen kan een robot uiteindelijk hun primaire ondersteuningssysteem worden. We kozen dit moeilijke pad omdat we de fundamentele gebreken van andere vormen analyseerden. We ontwikkelden bijvoorbeeld voorheen quadruped-robots—honden en paarden. Maar als je een robothond van meer dan een meter hoog een standaard huis binnenbrengt, kan deze niet functioneren. Hij kan niet omdraaien naast een nachtkastje zonder de muren te krassen of het bed te beschadigen. In tegenstelling tot een echte golden retriever, wiens staart en lichaam zacht zijn, zal een rigide robothond onvermijdelijk schade aanrichten. Als je de robothond kleiner maakt, wordt zijn batterijduur te kort en daalt zijn nut tot basisgezelschap.
Zhang Xiaojun: Hoe zit het met bipedale robots? Wat zijn de mensgerichte ontwerpuitdagingen daar?
He Xiaopeng: Als je een enorme, 1,8 meter grote bipedale robot bouwt die bedekt is met zwaar metalen pantser, zal zelfs de ontwerper ervan een intens gevoel van fysieke onderdrukking voelen als hij er naast staat. Je zult je van nature zorgen maken over het vallen, oververhitten, blootstellen van hoogspanning of simpelweg vies zijn. Als volwassenen zich zo voelen, hoe zullen kinderen en ouderen dan reageren? Hoe los je die veiligheids- en wettelijke voorschriften op in een huishoudelijke setting? Terwijl industriële robots dat ontwerp kunnen gebruiken omdat ze in gecontroleerde omgevingen opereren, moeten huishoudelijke robots anders worden ontworpen. Ze moeten comfortabel zijn voor mensen om mee te interageren. Daarom is onze huidige generatie robots ontworpen om ongeveer 1,69 tot 1,70 meter lang te zijn—een lengte die comfortabel is voor zowel mannen als vrouwen. Ze zijn ontworpen om kleding te dragen en kunnen zelfs haar hebben, maar ze mogen geen realistisch menselijk gezicht hebben om het 'uncanny valley'-effect en andere complexe sociologische kwesties te vermijden.
Achter de schermen van de grote humanoïde robot-controverse
Zhang Xiaojun: Tijdens uw persconferentie vorig jaar zei u dat uw team diep verdeeld was over de vraag of ze moesten bewijzen dat de robot op het podium volledig autonoom was en niet door een mens werd bestuurd. Waarom was dat zo'n strijd?
He Xiaopeng: Persoonlijk kon het me niet schelen, maar mijn team was ongelooflijk angstig. Ze voerden aan dat hoe meer we probeerden uit te leggen, hoe sceptischer mensen zouden worden, aangezien de publieke opinie online vaak cynisch is. Ze wilden vierentwintig uur wachten om te zien hoe het publiek reageerde voordat ze een verklaring zouden afleggen. Maar na een paar uur kon ik de verspreidende geruchten niet meer verdragen. In China en wereldwijd verspreidden de speculaties zich met bliksemsnelheid. Als we vierentwintig uur zouden wachten, zou het narratief volledig uit de hand lopen. We wisten intern dat het een echte robot was en dat het thermisch beheer nog in ontwikkeling was, waardoor hij heet liep. Maar het was een belangrijke mijlpaal voor ons en we wisten dat toekomstige versies aanzienlijk beter zouden zijn. Dus die avond belde ik het team en zei dat ze een demonstratie moesten voorbereiden voor de volgende ochtend. Ik stond erop dat we iedereen lieten zien dat het een echte robot was die autonoom opereerde, in plaats van het scepticisme te laten voortduren.
Zhang Xiaojun: Hoe bewees u het aan het publiek?
He Xiaopeng: We besloten dat de eenvoudigste en meest onweerlegbare methode was om de robot te laten lopen terwijl we zijn linkerbeen verwijderden. Omdat de robot van links naar rechts loopt, is het linkerbeen het meest zichtbaar voor het publiek. Het verwijderen van het been terwijl hij functioneerde, demonstreerde de interne mechanische en software-architectuur duidelijk, wat bewees dat het geen mens in een pak was. Dit loste de pr-crisis snel op.
Het marktpotentieel, commercialisering en de toekomstige tijdlijn van humanoïde robots
Zhang Xiaojun: Hoe is uw robotica-strategie geëvolueerd sinds dat publieke evenement?
He Xiaopeng: Het heeft onze werving versneld. We hebben een ongelooflijk scala aan talent aangetrokken voor onze robotica-divisie. Het starten van een robotica-business is totaal anders dan het starten van een autobedrijf. Ik geloof dat het starten van een robotica-bedrijf twintig tot honderd keer moeilijker is dan het bouwen van een autobedrijf. Zelfs met de gevestigde productie- en AI-capaciteiten van XPeng, heeft ons succes van vorig jaar onze algehele slaagkans slechts met een kleine marge verhoogd. Vandaag de dag zijn er meer dan tweehonderd robotica-startups in China opgericht, wat het dubbele is van het aantal elektrische-autostartups dat we zagen tijdens het hoogtepunt van de autoboom. Maar in tegenstelling tot auto's, die primair worden gecategoriseerd in personenauto's, bedrijfsvoertuigen of speciale voertuigen, zullen robots talloze classificaties hebben, variërend van medische en vrachttransport tot vrachtinspectie. Veel van deze gespecialiseerde robots hoeven niet humanoïde te zijn. Maar op het pad van universele bipedale humanoïde robots zal negentig procent van de bedrijven falen. De softwarecomplexiteit is simpelweg te hoog en er is geen open-sourceplatform dat een robotica-startup kan helpen bij het bouwen van high-fidelity fysieke AI-software. We zijn gefocust op het zelf navigeren door deze valkuilen, omdat je de technische uitdagingen pas echt begrijpt als je in de vallen trapt.
Zhang Xiaojun: Wie beschouwt u als uw belangrijkste concurrenten in de ruimte voor universele humanoïde robotica?
He Xiaopeng: Op dit moment hebben universele humanoïde robots geen echte rivalen. Het is volledig een race tegen onszelf. Elk robotica-bedrijf moet zich erop concentreren zichzelf zo sterk mogelijk te maken, de onderliggende organisatie, de hardware-infrastructuur en de algehele systeemintegratie te bouwen. Vorig jaar ging onze robot viraal vanwege zijn zeer levensechte bewegingscontrole. Traditionele automotive bewegingscontrole is de afgelopen eeuw grotendeels gecommoditiseerd, waarbij autobedrijven motorcontrollers kochten van Tier 1-leveranciers. Maar om een robot echt capabel te maken, moet zijn bewegingscontrole veel meer geïntegreerd en responsiever zijn dan die van een auto. In een auto zijn verschillende controledomeinen geïsoleerd. Dit werkt voor standaard rijden, maar als een auto zijn linkerbanden op sneeuw heeft en zijn rechterbanden op gras, is het uitvoeren van een bocht van zevenenveertig graden met een persoon die plotseling voor het voertuig verschijnt, ongelooflijk moeilijk. Het beheren van vierwieltractie, bewegingsbalans en latentie onder die omstandigheden blijft een uitdaging. Voor een robot wordt de complexiteit vermenigvuldigd. Een mens heeft meer dan tweehonderd gewrichten, wat een oneindige lus van potentiële bewegingscombinaties mogelijk maakt. Het repliceren van deze personificatie in volledige pose met behulp van AI-gestuurde bewegingscontrole in plaats van op regels gebaseerde software is ongelooflijk moeilijk. We willen onze robots hetzelfde fysieke instinct geven dat een mens heeft bij het lopen op sneeuw, ijs of gras, waarbij ze wrijving voelen en het evenwicht direct aanpassen. Daarom ontwikkelen we tachtig procent van onze robothardware in-house, inclusief onze actuatorgewrichten en handen, terwijl we samenwerken met upstream Tier 2-leveranciers om kwaliteit op te schalen.
Zhang Xiaojun: Wat zijn de belangrijkste technische en commerciële knelpunten waarmee u wordt geconfronteerd terwijl u zich voorbereidt op massaproductie?
He Xiaopeng: Het eerste knelpunt is ervoor zorgen dat onze in-house hardware uitzonderlijk betrouwbaar en stabiel is. Het tweede is het bereiken van een naadloze pasvorm tussen onze fundatiemodellen van hoog niveau en de fysieke actuatoren. Het derde is het bewijzen van de commerciële levensvatbaarheid van het product. De markt wacht op zijn iPhone 4-moment. De eerste commercieel geproduceerde robots zullen waarschijnlijk niet eens zo gepolijst zijn als de originele iPhone 1, maar ze zullen een enorme paradigmaverschuiving vertegenwoordigen. Zodra een robot algemene softwarecapaciteiten bereikt, zullen de adoptie op de markt en de productieschaling veel sneller gaan dan bij auto's. Auto's hadden een eeuw nodig om op te schalen omdat we wereldwijde weginfrastructuur moesten bouwen, verkeersregels moesten opstellen en zeer complexe productielogistiek moesten beheren. Robots kunnen direct worden ingezet in bestaande menselijke omgevingen. Als de software klaar is, zal fysieke AI snel opschalen.
Introductie van de GX: XPeng's vlaggenschip-SUV met zes zitplaatsen en front-mounted Robotaxi
Zhang Xiaojun: Laten we praten over uw autobusiness. U brengt dit jaar verschillende nieuwe auto's uit, waaronder de GX. Dit vertegenwoordigt de terugkeer van XPeng naar de high-end markt, toch?
He Xiaopeng: Ja, de GX is onze eerste full-size vlaggenschip-SUV met zes zitplaatsen. Wat de GX uniek maakt, is dat we veel van onze geavanceerde R&D-capaciteiten van onze vliegende auto- en robotica-divisies in dit voertuig hebben geïntegreerd. We hebben bijvoorbeeld de veiligheidsredundantiesystemen genomen die zijn ontwikkeld voor de vluchtkritieke componenten van onze vliegende auto's en ingebouwd in de GX. De GX is China's eerste in massa geproduceerde personenauto uitgerust met een front-mounted Robotaxi-architectuur, met zes volledige veiligheidsredundanties. Zelfs als de primaire stroomvoorziening in de wildernis uitvalt, kan de auto nog steeds worden bestuurd. Zelfs als een muis door een kabelboom knaagt, blijft het systeem operationeel, net als de veiligheidssystemen op commerciële vliegtuigen.
Zhang Xiaojun: Hoe integreert de software-architectuur van de GX met zijn fysieke chassis?
He Xiaopeng: We hebben ons draadgestuurde chassis verbonden met onze nieuwe Electronic and Electrical Architecture (EEA) en ons VLA-systeem voor autonoom rijden. Deze integratie stelt het chassis in staat om VLA-beslissingen uit te voeren met een aanzienlijk kortere latentie, wat de veiligheidsondergrens verhoogt en de controlegevoeligheid met tientallen procenten verbetert. We hebben ook robot-taakplanningslogica in het voertuig gebracht. Bij toekomstige interacties in de auto zal het voertuig taken verwerken, net als een humanoïde robot. Wanneer je het systeem een taak geeft, zal het eerst identificeren wie er spreekt, hun autorisatieniveau bepalen en een reeks acties plannen om het commando uit te voeren. Bovendien hebben we de binnenruimte zo ontworpen dat deze zeer veelzijdig is. De derde rij kan volledig plat worden neergeklapt, waardoor de SUV direct verandert van een zespersoonsauto in een zeer ruime vier- of vijfpersoonsauto. We hebben elk detail aangepast, waarbij we premium privacyglas co-ontwikkelden met Fuyao Glass en een nieuwe generatie koelkast voor in de auto met Midea. Het bouwen van een voertuig met dit niveau van geïntegreerde capaciteit is de enige manier om te winnen in de huidige, zeer competitieve markt.
Zhang Xiaojun: Hoe heeft u de prijsstelling voor de GX bepaald? Maakt u zich zorgen over het herhalen van de strategische fouten van de oorspronkelijke G9-lancering?
He Xiaopeng: Ik maak me helemaal geen zorgen. Ons strategisch denken, onze prijslogica en onze organisatorische capaciteiten bevinden zich in een totaal andere dimensie dan toen we de G9 lanceerden. De afgelopen drie en een half jaar hebben we onze productplanning, organisatiestructuur, klantbegrip en kernbedrijfslogica volledig herzien. Wanneer je systemische capaciteiten een hogere dimensie bereiken, kun je gemakkelijk fouten uit het verleden identificeren en voorkomen dat ze opnieuw gebeuren. Ons officiële lanceringsevenement op 21 mei zal onze configuratie en prijzen duidelijk laten zien. De GX is ontworpen als een gezinsgericht, technologisch luxueus voertuig voor professionals, managers en ondernemers van boven de dertig die graag de luxe van geavanceerde technologie willen ervaren.
Consolidatie en de strijd in de "zee van bloed" van de auto-industrie
Zhang Xiaojun: Hoe kijkt u naar de felle concurrentie met andere vlaggenschip-SUV's zoals Li Auto's L9 of Nio's vlaggenschip-SUV-serie?
He Xiaopeng: Ik zie hen als bondgenoten en als concurrenten. We zijn allemaal vrienden. Tijdens de Beijing Auto Show bezocht ik de stand van Li Xiang om de nieuwe L9 te bekijken, en ik bezocht de stand van William Li om de vlaggenschip-SUV-serie van Nio te zien. We hebben allemaal onze eigen unieke inzichten en oplossingen voor dit segment. Esthetiek is uiteindelijk subjectief, maar ik heb veel vertrouwen in het visuele ontwerp van onze voertuigen. We zitten op een pad waarbij onze ontwerpen steeds mooier worden. Sommige mensen vragen waarom we ons niet concentreren op het maken van minder modellen in plaats van dit jaar vier auto's te lanceren. Elk bedrijf heeft zijn eigen strategische pad. Voor ons is het lanceren van deze modellen in lijn met onze bredere bedrijfsschaal en strategie voor technologie-integratie.
Zhang Xiaojun: Waar besteedt u nu de meeste van uw persoonlijke tijd aan? Is het aan auto's, robots, AI of organisatorisch management?
He Xiaopeng: Ik neem deel aan al die gebieden, maar ik besteed het grootste deel van mijn tijd aan langetermijnstrategie en planning. In de auto-industrie garandeert schaal alleen geen permanent succes, en kortetermijnwinsten kunnen vaak pijnlijk en tijdelijk zijn. Mijn taak is om onze technische capaciteiten, organisatiestructuur en marktpositionering te integreren in een samenhangende langetermijnstrategie. Auto's zijn zeer complexe, samengestelde systemen. Het hebben van één sterk punt is nutteloos als je zwakke punten je tegenhouden. Sommige bedrijven scheppen bijvoorbeeld op over het bereiken van level 4-autonomie dit jaar, wat simpelweg onrealistisch is. Ik geloof dat echte Level 4-autonomie over achttien tot vierentwintig maanden daadwerkelijk zal worden geïmplementeerd. Wanneer het wordt geïmplementeerd, zal het zeker de autoverkoop stimuleren, hoewel de exacte vermenigvuldiger nog moet blijken. Eind maart brachten we de eerste versie van onze tweede generatie VLA uit. Terwijl de totale autoverkoop in China in april een daling van ongeveer twintig procent op jaarbasis liet zien, steeg de verkoop van XPeng met vijftig tot zeventig procent, waarvan een aanzienlijk deel direct werd gedreven door onze tweede generatie VLA. Echt succes voor een autobedrijf vereist een masterclass in integratie van meerdere systemen, waarbij hardware, software, productie, ontwerp en operaties worden gecombineerd.
Zhang Xiaojun: Yu Kai, de oprichter van Horizon Robotics, zegt vaak dat u zijn meest uitdagende partner bent omdat u aandringt op in-house ontwikkeling. Hij gelooft dat autobedrijven uiteindelijk moeten vertrouwen op externe leveranciers voor software en intelligentie. Wat vindt u van zijn mening?
He Xiaopeng: Yu Kai is een goede vriend en Horizon Robotics heeft uitstekend werk geleverd. Zijn strategische pad hangt echter af van de vraag of er in de toekomst meer of minder auto- en roboticaproducenten zullen zijn. Als de markt concentreert, krimpt zijn adresseerbare markt, wat zijn pad uitdagender maakt. Ik geloof dat de markt sterk zal concentreren. Tegen 2030 heeft China misschien nog maar vijf grootschalige autogroepen over. Hoewel andere kleine spelers in nichesegmenten kunnen overleven, zal hun gebrek aan schaal het steeds moeilijker maken om te concurreren. Historisch gezien voerden veel autobedrijven geen echt intern onderzoek uit; ze specialiseerden zich in assemblage en integratie. Als je doel tactische uitvoering op korte termijn is, is vertrouwen op integratie door derden correct. Maar als je doel overleving op lange termijn is, moet je zelfonderzoek beheersen. Over tien jaar zal software meer dan vijftig procent van de waarde van een auto vertegenwoordigen. Een Tier 1-leverancier kan honderden verschillende partners niet gemakkelijk helpen dat niveau van diepe, domeinoverschrijdende fusie te bereiken. Je moet hardware, software, productie en gebruikersoperaties integreren in één samenhangend systeem.
Zhang Xiaojun: Bent u vandaag eindelijk uit de "zee van bloed" van de auto-industrie gezwommen?
He Xiaopeng: Nee, we zwemmen allemaal nog steeds. Ik denk niet dat iemand al echt uit de zee van bloed is gekomen. De roboticamarkt zal iets beter zijn omdat de softwarebarrière uitzonderlijk hoog is, wat de onmiddellijke, homogene prijsoorlogen die we in de autosector zien, voorkomt. Mijn dagelijkse schema blijft intens, net als bij elke andere ondernemer. Ik begin mijn dag laat, werk tot diep in de nacht en neem razendsnelle beslissingen in alle bedrijfseenheden. Ik lees niet veel zakelijke boeken meer omdat de fysieke wereld te snel verandert; tegen de tijd dat een boek is gedrukt, zijn de inzichten al verouderd. Ik absorbeer kennis liever door directe, praktische ervaring, reizen en constante communicatie. Als ik terugkijk, heb ik geen spijt van mijn beslissingen uit het verleden. We maken veel te veel fouten in het bedrijfsleven om tijd te besteden aan spijt. De sleutel is om te analyseren waarom een fout is opgetreden, ervan te leren en vooruit te blijven gaan.