共计 1148 个字符，预计需要花费 3 分钟才能阅读完成。
黄仁勋发布 Alpamayo 2 Super: 自动驾驶黑箱终于被打开了
自动驾驶的竞争, 正在从“能不能开”转向“为什么这样开”。 在 GTC 台北 2026 大会上, 英伟达发布开放视觉 - 语言 - 动作推理模型 NVIDIA Alpamayo 2 Super, 将自动驾驶研发的重点进一步推向可解释、安全推理与规模化验证。
📌 开放推理模型瞄准 L4 自动驾驶
据大会信息,Alpamayo 2 Super 是一款 320 亿参数的开放 Reasoning VLA 模型, 可在驾驶任务中结合感知、推理、规划与行动, 为 L4 级自动驾驶系统开发提供支持。黄仁勋在演讲中将其概括为汽车从“单纯驾驶”迈向“安全推理”的标志。
与传统端到端模型相比, 英伟达强调的核心变化在于: 车辆不只是输出控制结果 , 还可以用自然语言解释决策逻辑。例如遇到前方静止车辆、侧向车辆切入或路口让行时, 系统能够给出对应原因。这种能力被视为提升开发者调试效率和公众信任的重要环节。
🔍 三项升级让“黑箱”更透明
- 360 度全景感知: 感知范围从前向摄像头扩展到前、侧、后方, 为变道、并线、路口通行等复杂场景提供更多上下文。
- 元动作输出: 模型可输出让行、变道、停车等更高层级的驾驶意图, 便于下游规划模块使用。
- 推理自动标注: 结合 2D 定位能力生成决策因果标签, 目标是缩短数据标注周期, 降低辅助驾驶数据管线成本。
此外,Alpamayo 2 Super 可作为“教师模型”, 通过蒸馏方式生成更紧凑模型, 并运行在 NVIDIA DRIVE AGX Thor 车载计算平台上。这意味着车企或开发者有机会在开放生态中复用推理能力, 而不必完全从零搭建大模型体系。
💡 仿真工具成为训练关键配套
围绕 Alpamayo, 英伟达还介绍了 AlpaGym 与 OmniDreams 等配套工具。前者是面向闭环强化学习的开源框架, 可让模型在仿真环境中经历连续的“观察—决策—反馈”过程; 后者则面向生成式世界模型, 用于构建更逼真的辅助驾驶场景。
这类工具如果能够成熟落地, 将有助于开发团队更系统地复现极端路况、复合错误和罕见交通行为 。不过, 仿真结果与真实世界之间仍存在差距, 最终安全性仍需要工程验证、法规测试和道路运营数据共同支撑。
📊 英伟达的汽车布局不止模型
本次演讲中, 英伟达还提到面向智能体 AI 的 Vera CPU、AI 工厂参考设计 DSX, 以及物理 AI 相关模型与平台。放在同一框架下看,Alpamayo 2 Super 更像是英伟达“AI 基础设施”版图中连接汽车产业的一环。
🚀 行业观察: 可解释性会成为新门槛
- 开放模型是否能吸引更多车企、出行平台和研究机构参与;
- 蒸馏后的车端模型在性能、延迟和安全冗余上表现如何;
- 仿真生成数据能在多大程度上替代昂贵的真实路测;
- 可解释能力能否真正进入监管、测试和用户沟通流程。
