A XPeng Motors anunciou em 22 de outubro que o modelo VLA de segunda geração foi atualizado e já roda no próprio dispositivo (on-device) do robô humanoide IRON. Depois da atualização, o IRON refaz a inferência a cada 0,2 segundo com base na imagem à sua frente e, ao mesmo tempo, prevê a evolução dos movimentos nos 6 segundos seguintes.
A XPeng resume o avanço assim: no mês passado, o VLA de segunda geração começou a entender o “tempo”; neste mês, aplicado ao IRON, passa a entender “o seu próximo passo”.
Quando o outro muda de jogada
A demonstração oficial concentra-se em interações de curta distância. O IRON consegue apertar a mão, fazer toque de punho e bater palmas com uma pessoa, e se ela mudar de gesto de repente, ele se ajusta: se a mão estendida vira punho de uma hora para outra, ele passa a fazer o toque de punho; se a posição do high five muda, ele troca de mão para acompanhar.
Segundo a descrição da XPeng, o IRON observa continuamente, avalia em tempo real e ajusta sem parar, sem precisar terminar uma sequência de movimentos para só então reagir. Sobre a dificuldade desse tipo de cenário, a reportagem do ITHome usou uma frase bem direta: “as pessoas não jogam no ritmo do robô”.
No método antigo, o robô primeiro reconhecia um gesto e depois acionava a sequência completa correspondente; durante a execução, ficava praticamente “cego” às mudanças externas. Com a frequência de reinferência mais alta, o movimento é fatiado em trechos muito curtos, e cada trecho pode ser corrigido com a imagem mais recente.
Os números 0,2 segundo e 6 segundos
Olhando os dois números juntos, dá para estimar o compasso do sistema. Refazer a inferência a cada 0,2 segundo significa 5 vezes por segundo; dentro da janela de previsão de 6 segundos, o modelo é chamado de novo cerca de 30 vezes, atualizando a cada vez sua leitura dos próximos segundos e extraindo daí apenas o trecho mais imediato para executar.
A janela de previsão é muito mais longa que o trecho executado. A vantagem é que o movimento não fica truncado e o robô sabe que está no meio de um gesto mais longo; a desvantagem é que cada inferência precisa terminar em 0,2 segundo, e esse limite aperta tanto o tamanho do modelo quanto o poder de processamento no dispositivo. A XPeng não divulgou o número de parâmetros do VLA de segunda geração implantado no IRON, nem a distribuição medida da latência de inferência.
Como termo de comparação, o tempo de reação simples de uma pessoa a um estímulo visual costuma ficar em torno de 0,2 segundo. O intervalo de reinferência do IRON está na mesma ordem de grandeza e, à primeira vista, basta para interações de velocidade moderada como aperto de mão e high five. Se esse compasso de 0,2 segundo acompanharia movimentos mais rápidos, como rebater um objeto lançado ou pegar algo arremessado, é algo que a demonstração não mostrou.
A implantação no dispositivo também tem seus detalhes: a inferência é feita no próprio corpo do robô, sem depender de idas e vindas à nuvem, de modo que oscilações de rede não atrasam diretamente a reação; o custo é ter de encaixar o modelo nos chips dentro do corpo.
A base de hardware do IRON
O IRON foi apresentado pela XPeng no Tech Day de 5 de novembro de 2025. O corpo tem coluna vertebral que imita a humana, músculos biônicos e pele flexível que o envolve por completo; a cabeça é uma tela 3D curva, os ombros têm estrutura biônica e a mão destra possui 22 graus de liberdade.
Na parte computacional, leva 3 chips de IA Turing desenvolvidos pela própria XPeng; no software, combina VLT, VLA e VLM, sustentando diálogo, locomoção e interação. O VLA de segunda geração foi construído sobre a mesma base de IA física da XPeng; segundo a versão oficial, no mês passado ele ganhou primeiro a compreensão do “tempo”, e só neste mês chegou ao IRON.
Cronograma de produção em massa
O plano da XPeng é atingir a produção em massa de robôs humanoides até o fim de 2026 e começar as entregas no primeiro semestre de 2027, primeiro para cenários comerciais como lojas e shoppings, expandindo depois para a indústria e o ambiente doméstico.
Na mesma semana, a Unitree lançou o robô humanoide H2-X, cuja autonomia máxima, segundo a empresa, é de cerca de 8 horas; o ritmo de lançamentos de humanoides na China segue intenso. As demonstrações de cada fabricante se parecem cada vez mais com interações do dia a dia, mas se, depois da produção em massa, os robôs manterão a mesma velocidade de reação em meio a pessoas de verdade, a XPeng não divulgou até agora nenhum dado de testes em campo; isso só se poderá ver quando os primeiros robôs entrarem nas lojas.
Fontes: comunicado oficial da XPeng Motors, ITHome, CocoLoop; o conteúdo divulgado pela XPeng foi conferido quanto ao intervalo de reinferência, à janela de previsão e ao plano de produção e entrega em massa.