Xpeng представила модель восприятия для воплощённого интеллекта GroundingPI. По заявлению компании, её модуль восприятия по совокупной оценке обошёл фронтирную модель OpenAI GPT-6 Astra. Разработка велась совместно с научными коллективами вузов, включая Пекинский университет и Университет Гонконга.
Модель построена на «восприятие-ориентированном» подходе: при примерно 4 млрд параметров она заняла первое место в комплексной оценке на 34 публичных бенчмарках восприятия. В сравнении на том же наборе тестов с равным весом 11 категорий способностей GroundingPI набрала 73,68 балла против 71,54 у GPT-6 Astra, выпущенной OpenAI в сентябре этого года. Код и веса модели открыты.
В названии Grounding отсылает к ключевой способности визуальной локализации, а PI расшифровывается как Physical Intelligence. По логике разработчиков, универсальные большие модели создавались для цифровых сценариев и при переносе в физический мир — например, в автопилот или робототехнику — требуют адаптации. GroundingPI исходит из того, что базовое условие воплощённого интеллекта — точное определение пространственных позиций, поэтому при обучении не использовались роботизированные данные с метками суставных действий: модель опирается только на данные чистого восприятия без меток действий и охватывает 11 категорий, включая общее детектирование, распознавание текста и пространственную локализацию робота.
Воплощённый интеллект принято делить на быструю систему (System 1), отвечающую за скоростное восприятие и исполнение действий, и медленную (System 2), которая занимается пониманием задачи и планированием. GroundingPI задумана как «восприятие-нативная» база для быстрой системы, а не как замена универсальных возможностей медленной.
Исследование пока находится на стадии научного прототипа, но симуляции подтвердили два ключевых момента для масштабного развёртывания. Первый — заметное снижение затрат на ручной сбор демонстрационных данных робота: система с GroundingPI в роли визуальной основы при 50% данных превышает успешность исполнения у сравнительных моделей, использующих 75% демонстраций, поскольку берёт на себя задачу локализации объектов, которой в традиционных Vision-Language-Action-моделях занимаются отдельно. Второй — более широкая обобщаемость по сценариям: в насыщенных симуляциях вроде сортировки сыпучих материалов и подсчёта в контейнерах система сохраняет стабильность при смене материалов, категорий объектов и фона, что упрощает перенос между рабочими станциями.
Для Xpeng это шаг в построении собственной системы физического ИИ. В начале года компания объединила центр автономного вождения и центр умного кокпита в центр общего интеллекта под руководством специалиста по ИИ Лю Сяньмина, чтобы дать автомобильному и робототехническому направлениям единую ИИ-платформу.