Por Dentro da Aposta Bilionária da XPeng para Superar a Tesla ao Eliminar a Linguagem da Direção Autônoma

Em uma escalada de provocações e engenharia, a montadora chinesa XPeng definiu publicamente seu plano para desafiar o domínio da Tesla na direção autônoma. Durante a conferência CVPR, em junho de 2026, a empresa detalhou uma arquitetura de IA radical que abandona um componente central da maioria dos sistemas robóticos: a linguagem. Junto com a divulgação de um gasto anual astronômico com treinamento, a XPeng defende que sua abordagem não é apenas diferente, mas fundamentalmente mais rápida e confiável.

O chefe de IA da empresa, Dr. Xianming Liu, diretor do Centro de Inteligência Geral da XPeng, revelou em uma entrevista ao Electrek que a companhia gasta cerca de RMB 300 milhões por mês, ou aproximadamente US$ 500 milhões por ano, somente com o treinamento de modelos de IA . Este valor cobre apenas a computação bruta para treinar os modelos de condução autônoma, sendo distinto do orçamento total de pesquisa e desenvolvimento em IA. Os gastos mais amplos da XPeng com P&D relacionado à IA foram de cerca de US$ 652 milhões em 2025 e devem chegar a aproximadamente US$ 970 milhões em 2026, conforme a empresa amplia sua ambição .

VLA 2.0 na CVPR 2026: Removendo o Gargalo da 'Linguagem'

O ponto central da presença da XPeng na CVPR 2026 foi a introdução formal de seu modelo de segunda geração Visão-Linguagem-Ação, o VLA 2.0. A arquitetura representa um afastamento radical da maneira como muitos sistemas de IA, incluindo o modelo de primeira geração da própria XPeng, lidam com a tarefa de dirigir .

Em um pipeline VLA tradicional, o sistema segue um processo sequencial: o carro vê a estrada, traduz essa percepção visual em tokens semelhantes à linguagem e, em seguida, raciocina sobre esses tokens linguísticos para gerar uma ação de direção. O Dr. Liu descreveu essa etapa intermediária como uma fraqueza crítica, afirmando de forma direta que “idioma é veneno” para a direção em tempo real . Seu argumento é que os tokens de linguagem introduzem latência inerente e injetam ruído semântico irrelevante em um processo que exige reações na casa dos milissegundos.

O modelo VLA 2.0 elimina esse gargalo por completo. Ele adota o que a empresa chama de caminho “Visão-Token Implícito-Ação”, permitindo uma geração de comandos de direção de ponta a ponta, diretamente a partir de entradas visuais brutas, sem qualquer representação de linguagem intermediária . Embora o sistema ainda possa aceitar a linguagem como uma entrada — como um comando de navegação do motorista ou uma instrução falada — ele nunca cria seus próprios tokens de linguagem como uma saída interna durante o ato de dirigir . A XPeng exibiu o sistema em seu estande na CVPR, juntamente com um modelo de mundo físico de IA, e um artigo de pesquisa relacionado, DrivePTS, foi aceito para publicação na conferência .

Alegando Paridade, e Depois Superioridade, Sobre o FSD da Tesla

A liderança da XPeng não tem sido modesta ao fazer comparações diretas com a Tesla. Suas declarações durante a primavera e o verão de 2026 representam uma forte escalada de confiança. O Dr. Liu afirmou em sua entrevista de junho que a XPeng já alcançou a paridade com o FSD v13 da Tesla na China e que igualar o desempenho do mais recente FSD v14 está “ao alcance antes do final do verão” .

Essas alegações técnicas são respaldadas por um compromisso pessoal incomum do alto escalão. Em dezembro de 2025, o CEO He Xiaopeng fez uma “aposta de desempenho” pública, declarando que o sistema VLA da XPeng deve igualar a experiência nas ruas do FSD v14.2 da Tesla no Vale do Silício até 30 de agosto de 2026 . As apostas foram explicitadas: se a equipe falhasse, o responsável teria que “correr pelado” .

Para apoiar sua narrativa, a XPeng divulgou um vídeo comparativo em maio de 2026, trazendo dois entusiastas da Tesla baseados nos EUA para a China. A comparação encenada colocou um XPeng P7 rodando o VLA 2.0 contra um Tesla Model 3 com FSD em rotas idênticas em Pequim. De acordo com a própria versão do vídeo, seu veículo exigiu apenas 2 intervenções do motorista, em comparação com 7 do Tesla . Embora He Xiaopeng tenha reiterado em vários eventos, incluindo a Auto China 2026, que a meta é superar totalmente o FSD da Tesla no mercado chinês até agosto, as análises independentes recomendam cautela. Um editor do Electrek que testou o VLA 2.0 em Pequim descreveu seu desempenho como “comparável” ao FSD v14, mas observou que ambos os sistemas ainda exigem atenção constante do motorista e estão longe de serem totalmente autônomos .

Por ora, a corrida permanece uma perseguição em alta velocidade, definida por apostas arquitetônicas ousadas e alegações ainda mais audaciosas. A decisão da XPeng de projetar a linguagem para fora de seu cérebro de direção é uma aposta calculada de que o caminho mais rápido da visão para a ação é uma linha reta — mesmo que isso signifique jogar o dicionário pela janela.