Ce qui empêche un modèle de conduite de traverser une frontière

Deux affirmations contradictoires, la même semaine, la même entreprise

Munich, mi-juillet 2026. XPeng lance son L03 sur une soixantaine de marchés simultanément et fait rouler dans les rues de la ville son modèle de conduite VLA VLA Vision-Language-Action. Architecture de conduite de bout en bout où un modèle unique prend les images des caméras en entrée et produit directement les commandes (direction, accélération, freinage), sans le découpage classique perception, prédiction, planification, contrôle. 2.0, entraîné sur des routes chinoises. Le 15 juillet, un vice-président de l’entreprise écrit sur Weibo que ce modèle montre en Europe un haut niveau d’adaptabilité et qu’il gère des scénarios urbains complexes avec presque aucune donnée d’entraînement supplémentaire. Le même jour, le responsable de la conduite intelligente concède sur X que le même modèle ne réussit pas encore tous les scénarios européens. Et la presse spécialisée chinoise rapporte que les ingénieurs doivent entraîner spécifiquement la culture allemande du céder-le-passage aux piétons, parce que beaucoup de règles tacites ne s’apprennent que par collecte locale.

Trois affirmations, une seule maison, sept jours. Les deux premières sont en tension, la troisième contredit franchement la première : on ne peut pas à la fois n’avoir presque besoin d’aucune donnée supplémentaire et devoir collecter localement les règles tacites de la circulation allemande. La question qui nous intéresse n’est pas de savoir qui ment, mais de comprendre ce qui, dans un modèle de conduite, traverse une frontière et ce qui ne la traverse pas.

Avant d’y répondre, il faut désamorcer le piège du sujet, sinon tout le reste se lit de travers. En Europe, une fonction absente ne prouve rien sur le modèle.

Le règlement européen 2018/858 impose une réception par type réception par type Procédure européenne (règlement 2018/858) qui homologue un type de véhicule avant toute mise en circulation, chaque exemplaire conforme héritant ensuite de l'agrément. À l'opposé de l'auto-certification américaine, où le constructeur atteste lui-même sa conformité et s'expose à un contrôle a posteriori. avant toute circulation sur route ouverte, là où les États-Unis fonctionnent par auto-certification. Une pile logicielle peut donc être techniquement prête et rester interdite. Le cadre qui autorise les manœuvres initiées par le système hors autoroute, c’est-à-dire la conduite urbaine assistée, arrive avec les amendements de série 02 du règlement UNECE R171, adoptés en juin 2026 et applicables autour de janvier 2027. À ce jour, aucune homologation R171 n’est confirmée pour XPeng, NIO, BYD ou Zeekr. Celles qui existent sont allées à BMW, à Lotus et à Tesla.

La contrainte joue dans les deux sens, et c’est la meilleure preuve qu’elle n’a rien de géopolitique. Après l’accident d’une Xiaomi SU7 sur autoroute en mars 2025, trois morts, système d’aide à la conduite actif et reprise en main deux secondes avant l’impact, le ministère chinois de l’industrie a gelé les tests publics de systèmes non certifiés, interdit les termes de conduite autonome dans la publicité et soumis à approbation les mises à jour à distance touchant à la conduite. Xiaomi a rappelé près de 117 000 véhicules pour capacité de reconnaissance insuffisante.

Ce que l’on prend pour un échec technique est le plus clair du temps une case d’homologation non cochée. Une fois cette confusion écartée, on peut regarder ce qui se passe dans le modèle.

Un modèle de perception ne traverse pas l’Atlantique

La mesure existe, elle est ancienne, et elle est nette. Des chercheurs de Cornell ont entraîné un détecteur d’objets 3D sur KITTI, un jeu de données collecté en Allemagne, puis l’ont testé sur Waymo, collecté aux États-Unis. Le titre du papier dit tout : Train in Germany, Test in the USA.

Les auteurs résument la chute d’un chiffre : le détecteur importé est 36 % moins performant que celui entraîné sur place. Le détail est plus brutal encore. Sur leur métrique la plus exigeante, la précision moyenne des boîtes englobantes en trois dimensions pour la catégorie voiture, le modèle importé tombe à 11,9 % quand le modèle local atteint 85,3 %. Ces deux valeurs ne mesurent pas la même chose et ne se divisent pas l’une par l’autre : la première est le résumé que donnent les auteurs, la seconde une métrique précise sur une catégorie et un seuil donnés.

Un mot sur ce seuil, parce qu’il explique la violence du second chiffre. Le protocole ne compte une détection comme juste que si la boîte prédite et l’objet réel se recouvrent à 70 %. En dessous, la détection est rejetée en bloc, sans crédit partiel. Une erreur systématique de dimensions ne dégrade donc pas le score progressivement : elle fait basculer des détections entières du bon côté au mauvais.

Vient alors la partie intéressante, celle de la cause. Les auteurs ont cherché ce qui, dans le décalage entre les deux continents, expliquait l’effondrement. Ce n’est pas la signalisation. Ce n’est ni la météo, ni la luminosité, ni le comportement des conducteurs. C’est la taille des voitures. Un Ford F-150 mesure 5,3 mètres, une Volkswagen Golf en mesure 4.

Voici pourquoi ce détail suffit à casser un modèle. Un détecteur 3D ne mesure pas une boîte englobante au sens où un télémètre mesurerait une distance : il la régresse. À partir d’un nuage de points partiel, bruité, tronqué par les occlusions, il produit une estimation de longueur, de largeur et de hauteur. Et pour produire cette estimation il s’appuie sur ce qu’il a vu pendant l’entraînement, c’est-à-dire sur une distribution a priori des dimensions plausibles d’une voiture. En Allemagne, cette distribution est centrée sur des véhicules courts. Emmenez le modèle au Texas et l’a priori qui l’aidait devient un biais systématique : il sous-estime chaque véhicule, ses boîtes ne recouvrent plus assez les objets réels, et le seuil des 70 % les rejette en bloc.

Le phénomène est symétrique, ce qui achève de montrer qu’il s’agit d’une propriété des données et non d’une infériorité de tel ou tel jeu. Les travaux sur ST3D refont l’expérience dans l’autre sens, d’un modèle entraîné sur Waymo vers KITTI, et relèvent une chute de plus de 45 %, dominée par les mêmes facteurs : taille des objets et densité du nuage de points.

Une réserve avant d’aller plus loin, parce qu’elle borne ce que ces chiffres autorisent à dire. Il s’agit de perception 3D par LiDAR LiDAR Light Detection And Ranging. Capteur qui mesure la distance en chronométrant le retour d'impulsions laser et produit un nuage de points 3D. Contrairement à la caméra, il donne la géométrie directement, ce qui déplace la difficulté de l'estimation de distance vers la classification et la densité du nuage. , sur la seule catégorie voiture, au seuil de recouvrement le plus sévère. Rien là-dedans ne parle de planification, ni de la façon dont le véhicule décide. Nous y venons.

Le retournement : ce défaut se répare pour presque rien

Si l’histoire s’arrêtait là, elle conforterait l’intuition commune : un modèle de conduite est prisonnier de sa géographie, et l’exporter revient à tout recommencer. Les mêmes auteurs ont montré le contraire.

Puisque la cause dominante est une erreur de distribution sur les dimensions, la corriger ne demande pas de réapprendre à voir. Il suffit de renormaliser statistiquement les tailles d’objets vers la distribution du pays cible. L’opération récupère 41,4 points de précision moyenne, sur le sous-ensemble le moins difficile du jeu de test, celui où les véhicules sont proches et peu masqués. Pas de nouvelle campagne de collecte, pas de flotte supplémentaire, pas de mois de réentraînement. Un recalage statistique.

Nous n’irons pas jusqu’à soustraire ce gain de l’écart mesuré plus haut : les deux chiffres ne portent pas sur le même sous-ensemble du jeu de test, et les auteurs ne publient pas de quoi reconstituer précisément où l’on atterrit par rapport au modèle entraîné sur place. Ce n’est d’ailleurs pas ce qui compte. Un gain de cette taille s’obtient sans une seule donnée nouvelle, et c’est cette phrase-là qui structure tout le reste de l’article.

La perception voyage mal, et une grande part de ce qu’elle perd se rattrape sans rien collecter. Le prix d’entrée sur un nouveau marché est donc ailleurs. Reste à trouver où.

Le comportement, lui, ne se recale pas

Passons de ce que le véhicule voit à ce qu’il décide. Le décalage y est comparable en amplitude, mais aucun correctif bon marché n’a été publié.

La mesure la plus directe vient du banc nuPlan, qui couvre quatre villes réelles. Un planificateur d’apprentissage entraîné uniquement sur Las Vegas, puis évalué sur les autres localisations, perd 35,1 % de performance en boucle fermée boucle fermée Protocole d'évaluation où la décision du modèle modifie l'état suivant : le véhicule simulé suit vraiment la trajectoire qu'il choisit, et ses erreurs se répercutent. En boucle ouverte, on compare la décision à celle d'un humain sur un enregistrement figé, sans jamais quitter la trajectoire de référence, ce qui masque l'accumulation d'erreurs. non réactive et 41,5 % en boucle fermée réactive. La pire localisation est Singapour, et les auteurs en donnent la raison sans détour : on y roule à gauche, alors que le modèle a appris à droite.

C’est le pendant exact de la taille des voitures, transposé au registre de la décision. Le modèle n’a pas mémorisé une statistique de dimensions, il a mémorisé une statistique de conventions. Et cette statistique-là ne se renormalise pas d’un coefficient, parce qu’elle ne porte pas sur une grandeur continue mais sur la structure même de ce qu’il faut faire à une intersection.

D’autres travaux mesurent la même fragilité sous des angles différents. Un banc à routes appariées relève une chute moyenne de 22,8 % du taux de succès sous décalage de distribution, sur sept modèles de l’état de l’art. En transfert entre villes simulées, certaines politiques tombent purement à 0 % de réussite hors de leur ville d’entraînement, contre 57 % chez elles. Et une étude sur nuPlan quantifie ce qui sépare deux villes du même pays : la distance au véhicule de tête, mesurée sur les données réelles, montre que les conducteurs de Boston sont plus agressifs que ceux de Pittsburgh.

Le mécanisme sous-jacent est connu depuis longtemps et il n’a rien de propre à l’automobile. Une politique apprise par clonage comportemental clonage comportemental Apprentissage d'une politique par imitation directe de démonstrations humaines. Son défaut structurel : le modèle est entraîné sur les états visités par un bon conducteur, mais une fois lâché il visite ceux que ses propres erreurs produisent, absents de son entraînement. L'écart s'accumule de façon quadratique avec la durée de l'épisode. souffre d’un défaut structurel : elle est entraînée sur les états visités par un bon conducteur, mais une fois lâchée elle visite les états que ses propres erreurs produisent, états qui sont par construction absents de son entraînement. Le travail fondateur sur le sujet chiffre cette dérive, et le résultat est plus dur qu’on ne l’imagine : l’écart total ne croît pas proportionnellement à la durée du trajet, il croît avec son carré, parce que chaque erreur rend la suivante plus probable. Réinjecter dans l’entraînement les états que la politique visite réellement ramène cette croissance au proportionnel. Un changement de pays ne fait qu’élargir la porte d’entrée de ce cercle vicieux.

Un second résultat vient s’ajouter, plus vicieux. Un modèle d’imitation peut verrouiller des corrélations trompeuses propres à son environnement d’origine, au point que lui donner davantage d’information dégrade sa performance au lieu de l’améliorer.

Le terrain confirme, et le meilleur cas documenté ne concerne pas un constructeur chinois en Europe. Il concerne Tesla en Chine. Faute de pouvoir exporter les données de conduite chinoises, Tesla a entraîné la version locale de son système sur des vidéos publiques de routes et de panneaux trouvées sur Internet. Le résultat a été à la hauteur de la méthode : un conducteur a reçu sept amendes en un seul trajet, pour des incursions en voie de bus et en piste cyclable. Un essai comparatif conduit à Shanghai relève de l’ordre de 34 infractions et 24 interventions sur une session, contre une quinzaine d’infractions chacun pour les deux véhicules locaux soumis au même exercice.

Reste un manque qu’il faut nommer. Toutes les mesures de dégradation de politique que nous venons de citer ont été obtenues en simulateur, sur nuPlan ou sur CARLA. Aucun banc académique ne mesure ce que devient une politique de conduite lors d’un transfert réel vers réel entre deux pays. C’est un trou de la littérature publique, et les seuls chiffres qui prétendent le combler sont auto-déclarés.

Le contre-argument, et ce qu’il vaut

Ces chiffres viennent d’une entreprise qui affirme le contraire, et il serait malhonnête de l’escamoter. Wayve revendique un modèle de fondation unique, entraîné sur des données de plus de soixante-dix pays, capable de rouler n’importe où. Les chiffres avancés sont impressionnants : 506 villes visitées, dont 219 sans aucune donnée locale préalable, soit 43 % du total, pour 1,45 million de kilomètres cumulés. Le passage du Royaume-Uni aux États-Unis se serait fait d’abord sans données locales, puis, après 500 heures de données américaines collectées en huit semaines, l’entreprise annonce une performance multipliée par quarante, au niveau de sa référence britannique. L’entreprise a levé 1,2 milliard de dollars en février 2026, environ 1,10 milliard d’euros, sur une valorisation de 8,6 milliards de dollars.

Trois choses doivent être dites avant d’utiliser ces chiffres.

La première : il n’existe aucune corroboration indépendante. Ni évaluation par un tiers, ni revue par les pairs, ni vérification d’un régulateur, d’un assureur ou d’un client. Toutes les reprises externes se contentent de répéter les chiffres de l’entreprise. Les papiers publiés sur ses modèles de monde sont des rapports techniques déposés sur arXiv, non revus, et ils décrivent le simulateur génératif, pas la généralisation en conduite. Les essais de presse existent, chez MIT Technology Review, Forbes ou TIME, mais ils sont qualitatifs : personne n’y mesure un taux de désengagement ou un taux de réussite.

La deuxième : le facteur quarante annoncé après 500 heures de données locales est invérifiable, parce que l’entreprise ne définit nulle part ce que mesure sa notion de performance de niveau britannique. Un multiplicateur sans métrique n’est pas un résultat.

La troisième est la plus importante et elle recadre tout le reste. Ces 1,45 million de kilomètres sont de la conduite réelle supervisée, avec un conducteur de sécurité à bord. Ce n’est ni de la simulation, ni du service sans conducteur. La formule d’une synthèse externe est juste : il faut y lire une opération de test, pas un déploiement commercial continu.

Cela dit, et c’est ce qui rend le contre-argument utile plutôt que gênant : même dans sa version la plus favorable, il concède le point. Cinq cents heures de données locales, ce n’est pas zéro. Tesla a dû construire un centre de données en Chine. Waymo refait une collecte manuelle ville par ville, y compris à Tokyo, où la campagne a démarré avec des chauffeurs d’un opérateur local avant même le premier kilomètre autonome. La formulation défendable n’est pas que le calcul ne se transporte pas. C’est que le transport a un coût local décroissant, mais jamais nul.

La facture est une facture de validation

Nous savons maintenant ce qui voyage et à quel prix. Reste la question que personne ne pose : combien coûte le fait de prouver que le résultat est sûr ?

La réponse commence par un chiffre qui ferme la porte à l’approche naïve. Pour démontrer avec 95 % de confiance qu’un véhicule autonome réduit de 20 % le taux de mortalité par rapport au conducteur humain, il faudrait parcourir 8,8 milliards de miles, soit environ 14,2 milliards de kilomètres. Avec une flotte de cent véhicules roulant vingt-quatre heures sur vingt-quatre toute l’année, l’étude qui produit ce nombre calcule qu’il faudrait quatre cents ans. La validation empirique sur route ouverte n’est pas difficile, elle est statistiquement hors d’atteinte.

Le secteur a donc fait la seule chose possible : il a déplacé la preuve dans le simulateur. Waymo revendique aujourd’hui plus de vingt milliards de miles simulés contre un peu plus de deux cents millions de miles réels, un rapport de cent pour un. Le déséquilibre ne date pas d’hier : dès 2016, l’entreprise accumulait deux milliards et demi de miles virtuels pour trois millions de miles réels, avec vingt-cinq mille véhicules simulés roulant huit millions de miles par jour.

Ce que cela coûte en calcul, personne ne le publie proprement, et c’est en soi le résultat le plus intéressant de notre recherche. Aucune entreprise ne donne la répartition de son budget de calcul entre entraînement et validation. La meilleure approximation disponible tient dans un billet d’ingénierie de Cruise publié en 2022, et sa valeur vient de ce que les deux chiffres figurent dans le même document.

Ces chiffres sont exprimés en années-GPU, une unité qui mérite une seconde d’explication : une année-GPU, c’est un accélérateur occupé pendant un an, ou trois cent soixante-cinq accélérateurs occupés pendant un jour. Elle mesure du calcul consommé, pas du matériel possédé.

Acteur	Entraînement	Simulation et validation
Cruise (2022)	Centaines d'années-GPU par mois	Dizaines d'années-GPU par jour, plus des milliers d'années-cœur par jour
Zoox (2025)	64 GPU et quelques pour le modèle multimodal	Jusqu'à 2 000 GPU réservés dans un cluster unique
Waymo (2025)	Non communiqué	Plus de 20 milliards de miles simulés contre 200 millions de miles réels

Faites la multiplication, elle tient en deux lignes. Quelques centaines d’années-GPU par mois, sur douze mois, donnent quelques milliers d’années-GPU sur l’exercice. Quelques dizaines d’années-GPU par jour, sur trois cent soixante-cinq jours, en donnent plusieurs milliers également, et probablement davantage. Les deux postes tombent dans le même ordre de grandeur, avec un avantage probable à la simulation.

La réserve est réelle et il faut la porter : le second poste agrège aussi la labellisation et les compilations distantes, donc le rapport est majoré. Mais la conclusion tient dans les deux lectures, et Zoox la confirme d’un angle différent.

Le calcul de validation n’est pas un poste annexe du calcul d’entraînement. Il est au moins son égal, et probablement davantage.

Ajoutez-y le volume de données que cela suppose. Un véhicule d’essai produit entre 1,4 et 19 téraoctets par heure. Rejouer ces enregistrements pour évaluer une nouvelle version de la pile, ce que le métier appelle la resimulation resimulation Rejeu d'enregistrements de capteurs collectés sur route à travers une nouvelle version de la pile logicielle, pour observer ce qu'elle aurait décidé. Offre le réalisme maximal puisque les données sont réelles, mais ne couvre que les situations rencontrées : les événements rares demandent de la génération synthétique. , mobilise des centaines de pétaoctets, des dizaines de milliers de cœurs et plus de trente gigaoctets par seconde d’entrées-sorties soutenues.

L’ordre de grandeur de ce que cela représente en pratique se lit dans une homologation récente. Pour faire accepter sa pile aux Pays-Bas en avril 2026, sous R171 et par la voie de l’exemption de l’article 39, Tesla a présenté plus de 1,6 million de kilomètres d’essais européens, treize mille accompagnements passagers, dix-huit mois de campagne et un dossier couvrant plus de quatre cents exigences. L’autorité néerlandaise note au passage que le logiciel européen diffère substantiellement de la version américaine.

Voilà le prix d’entrée sur un marché. Ce n’est pas une recompilation. Ce n’est même pas un réentraînement. C’est une campagne de preuve.

Où le calcul a le droit de vivre

Il reste à savoir où cette campagne peut physiquement se dérouler, et c’est là que le droit des données reprend la main sur l’ingénierie.

La Chine classe les données cartographiques et de conduite autonome parmi les données importantes. Elles doivent être stockées sur le territoire, et tout transfert transfrontalier passe par une évaluation de sécurité préalable. La compilation de cartes de navigation est fermée aux investisseurs étrangers, qui doivent sous-traiter à une entité qualifiée.

Le cas Tesla montre ce que produit cette contrainte quand elle rencontre une contrainte symétrique. La Chine interdit la sortie des données d’entraînement. Les contrôles américains à l’exportation de puces empêchent Tesla de bâtir de grands centres de calcul en Chine. L’entreprise se retrouve donc avec les données d’un côté, le calcul de l’autre, et l’interdiction de les réunir. D’où l’entraînement sur des vidéos glanées sur Internet, et d’où les sept amendes. Une contrainte réglementaire a produit une limite technique, en passant par la géographie du calcul.

Dans l’autre sens, XPeng affirme opérer un domaine de sécurité des données européen sur une infrastructure cloud européenne, logiquement et physiquement isolé. Sa politique de confidentialité européenne, mise à jour en janvier 2026, prévoit néanmoins des traitements impliquant des filiales chinoises pour l’exploitation informatique, la recherche et le support, encadrés par les clauses contractuelles types de l’Union. Aucun audit indépendant publié ne vient étayer l’isolation revendiquée. Nous la mentionnons comme une revendication, pas comme un fait.

De notre point de vue, c’est ici que se joue la vraie question industrielle, et elle n’est pas automobile. La carte du calcul d’entraînement et de validation n’est plus dessinée par la disponibilité des GPU ni par le prix du kilowattheure. Elle est dessinée par le droit des données, qui décide de quel côté d’une frontière un jeu de données peut rencontrer un cluster. Un constructeur qui veut un modèle européen devra faire tourner du calcul européen, sur des GPU européens, parce qu’il ne pourra pas rapatrier la matière première ailleurs.

Nous avons regardé, dans un précédent dossier, où l’on peut louer cette capacité en France et en Europe. La question qui vient ensuite est de savoir si cette capacité suffira quand plusieurs constructeurs, chinois et autres, découvriront en même temps qu’ils doivent payer leur seconde campagne de preuve sur ce continent-ci.

Sources et méthode

Les montants en dollars sont convertis en euros au taux indicatif de 1 USD = 0,92 EUR (mi-2026). Les mesures de généralisation sont rapportées avec leur protocole, parce qu’une évaluation en boucle ouverte et une évaluation en boucle fermée ne mesurent pas la même chose. Nous distinguons systématiquement une limite technique d’une limite d’homologation.

Faits vérifiés

Perception et transfert géographique. Wang et al., Train in Germany, Test in The USA: Making 3D Object Detectors Generalize, CVPR 2020 (arXiv 2005.08139), pour la chute de 36 %, les précisions de 11,9 % contre 85,3 %, l’attribution à la taille des véhicules et le gain de 41,4 points par renormalisation statistique. Yang et al., ST3D, CVPR 2021 (arXiv 2103.05346), pour la chute de plus de 45 % dans le sens inverse.

Transfert de politique. Banc nuPlan (arXiv 2403.04133) pour les pertes de 35,1 % en boucle fermée non réactive et 41,5 % en boucle fermée réactive d’un planificateur entraîné sur Las Vegas, et pour l’attribution du pire cas à la conduite à gauche de Singapour. AdaptiveDriver (arXiv 2406.10714) pour l’écart de distance au véhicule de tête entre Boston et Pittsburgh. Fail2Drive (arXiv 2604.08535) pour la chute moyenne de 22,8 % sur sept modèles. DriveVLM-RL (arXiv 2603.18315) pour l’effondrement en transfert entre villes simulées.

Théorie de l’imitation. Ross, Gordon et Bagnell, A Reduction of Imitation Learning and Structured Prediction to No-Regret Online Learning, AISTATS 2011, pour le regret quadratique du clonage comportemental et sa réduction au linéaire. de Haan, Jayaraman et Levine, NeurIPS 2019 (arXiv 1905.11979), pour la confusion causale.

Discrédit des évaluations en boucle ouverte. AD-MLP (arXiv 2305.10430) et Is Ego Status All You Need for Open-Loop End-to-End Autonomous Driving? (arXiv 2312.03031, CVPR 2024) pour la proportion de 73,9 % de scènes en ligne droite dans nuScenes et pour la quasi-absence de dégradation de la planification lorsque l’entrée caméra est supprimée.

Coût de la validation. RAND, Driving to Safety (RR1478, 2016) pour les 8,8 milliards de miles et les quatre cents ans. Billet d’ingénierie de Cruise sur Google Cloud, mars 2022, pour les centaines d’années-GPU par mois en entraînement et les dizaines d’années-GPU par jour en simulation, les deux chiffres provenant du même document. Étude de cas AWS et présentation re:Invent 2025 pour les deux mille GPU de simulation de Zoox contre soixante-quatre et quelques pour son entraînement. Page officielle Waymo pour les vingt milliards de miles simulés contre deux cents millions de miles réels, et l’enquête de The Atlantic du 23 août 2017 sur Carcraft pour les chiffres de 2016. Architecture ValOps documentée par Microsoft pour les ordres de grandeur de la resimulation.

Cadre réglementaire. Règlement (UE) 2018/858 pour la réception par type préalable. Règlement d’exécution (UE) 2022/1426 pour l’interdiction de fonder la réception sur les seules simulations. Document GRVA-18-50e (2024) pour la proposition de 30 % d’essais physiques. Règlements UNECE R157 et R171, ce dernier pour les cinq caractéristiques de crédibilité de la chaîne d’outils virtuelle. Homologation du FSD (Supervised) par le RDW néerlandais le 10 avril 2026 pour les 1,6 million de kilomètres d’essais européens, les treize mille accompagnements et les quatre cents exigences. Première homologation mondiale sous UN-R157 délivrée par la KBA allemande à Mercedes-Benz DRIVE PILOT le 9 décembre 2021 ; la désignation de type accordée à Honda par le MLIT japonais en novembre 2020 relève d’un cadre national distinct.

Localisation des données. Loi chinoise sur la cybersécurité (2016, amendée au 1er janvier 2026), loi sur la sécurité des données (2021) et loi sur la protection des informations personnelles (2021) pour le statut de donnée importante et l’évaluation de sortie. Liste négative 2024 pour l’interdiction faite aux investisseurs étrangers de compiler des cartes de navigation. Politique de confidentialité européenne de XPeng, mise à jour le 16 janvier 2026.

Estimations crédibles

L’affirmation selon laquelle le calcul de validation est au moins de l’ordre du calcul d’entraînement est une annualisation des deux chiffres de Cruise, pas une mesure. Le poste de simulation cité agrège aussi la labellisation de vérité-terrain et les compilations distantes, ce qui majore le rapport. Aucune entreprise ne publie de répartition explicite entre les deux budgets, et cette absence est elle-même un résultat.

La conversion des 8,8 milliards de miles en 14,2 milliards de kilomètres est arithmétique. Le nombre d’origine vaut pour un niveau de confiance et un scénario précis (95 % de confiance, amélioration de 20 % du taux de mortalité par rapport à une référence de 1,09 décès pour 100 millions de miles) et perd tout sens s’il en est détaché.

Hypothèses et revendications non vérifiées

Les chiffres de généralisation de Wayve (506 villes, 219 en zero-shot, 1,45 million de kilomètres, facteur quarante après 500 heures de données locales) proviennent exclusivement de communications de l’entreprise. Aucune évaluation indépendante, revue par les pairs, réglementaire, assurantielle ou client ne les corrobore. Les rapports techniques GAIA-1 (arXiv 2309.17080) et GAIA-2 (arXiv 2503.20523) ne sont pas revus par les pairs et portent sur le simulateur génératif. Les kilomètres annoncés correspondent à de la conduite réelle supervisée avec conducteur de sécurité, non à un service sans conducteur.

L’isolation du domaine de données européen revendiquée par XPeng n’est étayée par aucun audit tiers publié.

Ce que nous n’avons pas pu établir

Aucun banc académique ne mesure la dégradation d’une politique de conduite lors d’un transfert réel vers réel entre deux pays. Toutes les mesures citées plus haut ont été obtenues en simulateur.

Aucun coût monétaire direct d’une campagne de validation, en euros par campagne ou par kilomètre validé, n’est publié par les acteurs du secteur. Seules circulent des tailles de flotte de calcul et des volumes de stockage.

Aucune comparaison chiffrée n’oppose le coût du rejeu de logs à celui de la génération de scènes synthétiques. L’arbitrage entre les deux n’est documenté que qualitativement.

Nous n’avons trouvé aucune preuve technique publique qu’un système d’aide à la conduite chinois échoue en Europe. Cette absence est un résultat, et elle est la raison pour laquelle cet article traite d’un mécanisme et non d’un match.