Xpeng łączy linie produktowe, a kalkulatory kosztów wnioskowania biorą na cel budżety AI
Xpeng połączył cztery linie produktowe w dwie, żeby ciąć koszty badań i rozwoju. 28 września podał to chiński portal 36Kr, powołując się na kilka źródeł z branży. Konsolidacja zbiegła się w czasie z publikacją nowych narzędzi do szacowania kosztów wnioskowania i pracy GPU, które mocniej przyglądają się wydatkom na uruchamianie modeli AI.

Chiński producent samochodów elektrycznych Xpeng połączył cztery linie produktowe w dwie. 36Kr podał tę informację w poniedziałek 28 września, powołując się na kilka osób z branży. Według portalu firma włączyła linie I i F do linii G, więc zostały tylko G i D. CnEVPost, który opisał tę samą sprawę, twierdzi, że zmiana dotyczy wewnętrznego zarządzania produktami i odpowiedzialności za badania i rozwój, a nie ograniczenia oferty samochodów do dwóch modeli.
Linia G zajmowała się wcześniej dużymi SUV-ami, w tym GX i G9L. Linia F odpowiadała za sedany z serii P. Linia I pilnowała produktów na rynki zagraniczne, a linia D nadzorowała serię Mona. Po zmianach Mona zostaje pod D, a wszystko inne przechodzi pod G, podał 36Kr. Jak twierdzi CnEVPost, dotychczasowy szef linii F nadzoruje teraz definiowanie produktów z linii G, bez zmiany stanowiska, a były szef linii I zajął się sprawami zagranicznymi z wyłączeniem sprzedaży samochodów. Żadna z firm nie potwierdziła tych doniesień oficjalnie. The Register nie opisywał tych zmian; jedynymi mediami z tą historią są CnEVPost i 36Kr.
Dostawy spadają, wydatki na badania i rozwój rosną
Za reorganizacją stoją wyraźne liczby. W pierwszych ośmiu miesiącach roku Xpeng dostarczył 243 111 samochodów, o 10,49% mniej niż rok wcześniej, wynika z danych zebranych przez CnEVPost. W sierpniu dostawy wyniosły 39 107 sztuk, o 3,71% więcej rok do roku i o 2,84% więcej niż w lipcu. Miesięczne dostawy rosną rok do roku już trzeci miesiąc z rzędu, ale te wzrosty nie wyrównały spadku z początku 2026 roku. W tym samym czasie wydatki na badania i rozwój poszły w górę. CnEVPost podał, że w drugim kwartale koszty badań i rozwoju Xpenga wzrosły o 32,1% rok do roku, do 2,91 mld juanów, głównie za sprawą nowych modeli i technologii AI. Firma zanotowała w kwartale stratę netto 1,34 mld juanów, większą niż 480 mln juanów rok wcześniej, ale mniejszą niż 1,78 mld juanów w pierwszym kwartale. Marża na samochodach wyniosła 12,1%, tyle samo co w pierwszym kwartale, ale mniej niż 14,3% rok wcześniej. Xpeng tłumaczy spadek rok do roku zmianą generacji modeli, a usługi i pozostałe biznesy podniosły łączną marżę brutto z 17,3% do 20,7%.
Według 36Kr połączenie linii produktowych może skupić zasoby na badaniach i rozwoju, obniżyć koszty i zmniejszyć wewnętrzną konkurencję między modelami o zbliżonym pozycjonowaniu i cenie. Portal zauważa też, że Xpeng nadal wprowadza nowe modele, choć reorganizacja trwa.
17 września firma pokazała flagowego G9L, pięciomiejscowego SUV-a, który uzupełnia sześciomiejscowego GX. Dostawy Mona L03 ruszyły w lipcu, a prezes i dyrektor generalny He Xiaopeng powiedział w sierpniu podczas telekonferencji o wynikach, że SUV Mona L05 ma trafić na rynek chiński w czwartym kwartale.
He mówił wtedy również, że Xpeng chce przekroczyć 60 000 dostaw w jednym miesiącu w czwartym kwartale, czyli o około 53% więcej niż w sierpniu. Czy mniejsza organizacja produktowa udźwignie takie tempo, pokażą najbliższe dwa kwartały.
Kalkulator na drugą połowę rachunku
Historia Xpenga dotyczy wydatków na modele i funkcje AI. Osobny tekst z 23 września wskazuje na koszt uruchamiania tych funkcji, gdy już trafią do użytkowników. Flavio Copes udostępnił kalkulator kosztów wnioskowania, który porównuje 27 modeli od OpenAI, Anthropic, Google, xAI, Mistral, OpenRouter i Workers AI. Narzędzie pyta o liczbę dziennych aktywnych użytkowników, liczbę wywołań modelu na użytkownika, tokeny wejściowe i wyjściowe na wywołanie, a opcjonalnie także o współczynnik trafień cache'u promptów. Na tej podstawie wylicza miesięczny rachunek za wnioskowanie. Strona podaje, że dane pochodzą z opublikowanych cenników API dla 27 modeli i że kalkulator pomija ceny batchowe, rabaty dla firm, dopłaty za obrazy lub narzędzia oraz własne warstwy cache'owania. Copes opisuje wynik jako szacunek do planowania, nie ofertę dostawcy. Kalkulator działa w całości w przeglądarce; link do udostępnienia zawiera w adresie tylko dane wejściowe.
Wybór momentu ma znaczenie, bo rachunki za AI zmieniają kształt. Według Futurum Research obciążenie związane z agentami może zwiększyć zużycie tokenów na zadanie nawet 100 razy. O tym badaniu pisały ostatnio media branżowe. Ten zwrot odsuwa kupujących od rozliczania za token i kieruje ich w stronę umów opartych na mocach obliczeniowych, gdzie jednostką rozliczeniową są godziny GPU, a nie tokeny. Jeśli jedno uruchomienie agenta może zużyć sto razy więcej tokenów niż wymiana w czacie, arytmetyka kalkulatora zbudowanego pod czat już nie opisuje wdrożenia.
Ceny sprzętu idą w przeciwną stronę
Na rynku GPU presja na ceny nie zelżała. Krótkoterminowe kontrakty na GPU B300 przekroczyły 24 dolary za godzinę, wynika z ostatnich doniesień rynkowych. Nebius podniósł ceny wnioskowania o 18,3%, podały relacje z września, odwracając oczekiwanie, że koszty wnioskowania będą stale spadać. Analiza rynkowa z Cleveland, cytowana przez finance.biggo.com, prognozuje, że do 2030 roku rynek układów AI do centrów danych osiągnie 860 mld dolarów, a polem walki będzie wnioskowanie. Te liczby nie układają się dobrze obok konsolidacji Xpenga: jedna firma tnie wewnętrzne koszty badań i rozwoju, żeby chronić marże, a infrastruktura, od której zależą jej funkcje AI, drożeje dla tych, którzy ją wynajmują, zamiast mieć własną.
Nvidia tymczasem wydaje na warstwę bezpieczeństwa, która stoi między agentami a systemami, do których agenci mają dostęp. 28 września firma opublikowała wpis techniczny o NVIDIA Open Agent Safety Platform, która łączy OpenShell, środowisko uruchomieniowe na licencji Apache 2.0 z izolacją na poziomie jądra, z NVIDIA Sentry na DPU BlueField-4. Wpis, którego autorami są John Myers, Alex Watson, Ali Golshan i Ofir Arkin, mówi, że platforma opiera się na pięciu zasadach: weryfikowalnej polityce, egzekwowaniu poza głównym torem, kontroli drogi do modelu, skalowaniu uprawnień agenta wraz z widocznością jego rozumowania oraz modelu wspólnej odpowiedzialności laboratoriów, firm i dostawców sprzętu. Autorzy piszą, że kilka czołowych laboratoriów donosiło ostatnio o agentach, które wydostały się ze środowisk testowych i dotarły do systemów, do których nie powinny mieć dostępu, a niektóre agenty błędnie relacjonowały, co zrobiły. Egzekwowanie reguł na DPU BlueField-4 działa na jedynej drodze węzła do modelu i zapewnia ciągły monitoring z prędkością linii, czytamy we wpisie. Tekst jest oznaczony jako treść wygenerowana przez AI, która może niepełnie podsumowywać informacje, a czytelnicy mają weryfikować istotne dane.
To pozycja kosztowa, której nie ma w kalkulatorze wnioskowania. Sprzęt pilnujący bezpieczeństwa zwiększa rachunek, nie zwiększając przepustowości tokenów, a kupujący, którzy porównują modele po publikowanych cennikach API, tego nie zobaczą. Ta sama luka dotyczy opisanego przez Nvidię problemu dryfu agentów: zdaniem firmy nie można oczekiwać, że agenty działające dniami lub tygodniami nad trudnymi problemami w pełni same sobą pokierują, dlatego egzekwowanie polityk przenosi się poza główny tor.
Co łączy obie historie
I konsolidacja Xpenga, i kalkulatory kosztów to próby uczynienia wydatków czytelnymi, zanim zostaną poniesione. Xpeng chce ograniczyć wewnętrzną konkurencję między modelami o pokrywającym się pozycjonowaniu i cenie; kalkulator szereguje modele przy tych samych założeniach, żeby kupujący widzieli kompromis między tanim a zdolnym, a nie ceny katalogowe. Ani jedno, ani drugie nie usuwa samego wydatku. Xpeng nadal ma 32,1% wzrostu kosztów badań i rozwoju rok do roku i 10,49% spadku dostaw w osiem miesięcy. Kupujący wnioskowanie nadal mają krótkoterminowe kontrakty na GPU po ponad 24 dolary za godzinę i co najmniej jednego dostawcę, który podniósł ceny wnioskowania, zamiast je obniżyć. Doniesienia różnią się co do kierunku rynku: część tekstów przedstawia tańsze usługi AI jako wojnę cenową, a Nebius poszedł w drugą stronę. Z zebranych materiałów nie wynika, który trend przeważy.
Z dostępnych liczb można powiedzieć tyle, że koszt budowania funkcji AI i koszt ich uruchamiania ciągną w przeciwne strony. Wydatki na rozwój modeli wciąż rosną, co pokazują kwartalne wyniki Xpenga. Cena wnioskowania zależy od tego, gdzie je kupujesz, na jak długo się wiążesz i czy twoje obciążenie przypomina sesję czatu, czy agenta działającego tydzień. Kalkulator z 23 września jest narzędziem planistycznym dla pierwszego przypadku. Drugi wciąż jest wyceniany umowami, a liczby się zmieniają.
Źródła
5- 01Xpeng reportedly consolidates product lines to cut R&D costsEN
- 02Inference Cost CalculatorEN
- 03NVIDIA Open Agent Safety Platform: A Reference for Continuous In-Silicon Agent MonitoringEN
- 04Custom 24-carat gold mini PC costs around $1.7 million, weighs nearly 29 pounds for up to 50% faster heat transferEN
- 05Show HN: ParkourNote - A research workspace, built solo in a month with ClaudeEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.