英偉達發布并開源Alpamayo：自動駕駛終于開始講道理了｜甲子光年

“全球首個具備思考與推理能力的自動駕駛AI”來了。

作者｜王博

自動駕駛行業，正在進入一個微妙卻關鍵的階段。

一方面，越來越多的自動駕駛系統（包括輔助駕駛系統、智能駕駛系統）已經能在大多數時間里“把車開好”：在高速公路、城市主干道，以及熟悉的路況中，它們已經接近人類司機的平均水平。

但另一方面，行業內部對一個問題的焦慮卻從未消失——當自動駕駛系統面對未見過的情況時，它究竟是怎么做出決定的？

北京時間今天凌晨，在美國拉斯維加斯CES現場，英偉達發布Alpamayo系列開源AI模型、仿真工具及數據集，旨在推動安全可靠的推理型自動駕駛汽車開發。

英偉達CEO黃仁勛在演講中更是直呼Alpamayo是“全球首個具備思考與推理能力的自動駕駛AI”。

自動駕駛系統是如何思考并決策的呢？Alpamayo，正是一次對這個核心問題的正面回應。

1.一個長期被回避的問題：車是“怎么想的”？

過去一年，關于自動駕駛的評測和爭議不斷。

去年7月，在懂車帝發布的智駕評測視頻中，36輛來自不同品牌不同型號的車在面對模擬事故場景時，處理方式各異。即使是采用同一套智駕方案的不同車型，在面對同一模擬事故場景時也會“糾結”。有的車型還會在發生碰撞前的幾秒鐘退出智駕，要求駕駛員接管處理。

《懂車智煉場》智駕測試，圖片來源：懂車帝B站賬號

有的車芯片算力高，有的車傳感器多，有的車攝像頭及算法先進，有的車數據來源豐富。車企和自動駕駛廠商不斷在宣傳配置，展示能力，但是很少有企業說明白：車是“怎么想的”。

回顧自動駕駛的技術演進，可以發現一個清晰的脈絡。

最早的階段，行業關注的是能不能看見：傳感器如何融合？目標如何識別？障礙物如何分類？

隨后，問題變成了能不能跑得穩：路徑規劃是否平滑？控制是否魯棒？系統是否足夠可靠？

而最近幾年，隨著端到端模型和大規模數據的引入，行業開始追求能不能開得像人。

但在這一過程中，有一個問題始終被“技術性回避”了：系統的決策邏輯，是否可以被理解、復盤和解釋？

在很多現有方案中，決策是隱式存在的。模型做出了一個動作，但并不會告訴你：它關注了環境中的哪些關鍵信息？它如何權衡了風險與收益？它為什么沒有選擇另一條看似合理的路徑？

Alpamayo的出現，本質上是英偉達對這一問題的回應。

根據英偉達發布的技術介紹，Alpamayo將開源模型、仿真框架與數據集三大支柱整合為統一開放的生態系統，任何汽車開發者或研究團隊均可在此基礎上進行研發。

Alpamayo的核心組件，圖片來源：英偉達

在開源模型方面，英偉達推出了Alpamayo 1。英偉達介紹，這是業界首款面向自動駕駛研究社區設計的思維鏈VLA（視覺-語言-動作）推理模型，現已在Hugging Face上發布。

Alpamayo 1擁有100億參數，可通過視頻輸入生成行駛軌跡，同時給出推理思路，能夠清晰展示每項決策背后的邏輯。

開發者既可將Alpamayo 1調整為更精簡的運行時模型部署于車端，也可將其作為自動駕駛的基礎架構，構建諸如基于推理的評估器和自動標注系統等開發工具。Alpamayo 1提供開放模型權重和開源推理腳本。該系列的后續模型將具備更大的參數規模、更精細的推理能力、更靈活的輸入輸出方式以及更豐富的商用選項。

英偉達同步發布了一款面向高保真自動駕駛開發、完全開源的端到端仿真框架AlpaSim，現已在GitHub上公開。該框架可提供逼真的傳感器建模、可配置交通動態，以及可擴展的閉環測試環境，支持快速驗證與策略優化。

此外，英偉達還提供了物理AI開放數據集，這是一個多元化的大規模自動駕駛開放數據集。該數據集包含超過1700小時的駕駛數據，覆蓋廣泛的地理區域和環境條件，涵蓋推動推理架構發展所必需的罕見且復雜的真實世界極端場景。目前，該數據集已在Hugging Face上開放使用。

這些工具共同構建了一個自我強化的開發閉環，用于推理型自動駕駛堆棧的開發。

從形式上看，這并不陌生。過去幾年里，模型、仿真和數據早已是自動駕駛系統的“標配”。

真正不同的是，Alpamayo補上一個長期缺位的能力層：推理。

在英偉達的敘事中，自動駕駛不再只是一個從感知到控制的流水線，而是一套具備理解、思考與決策能力的系統。

2.拆解Alpamayo

Alpamayo 1并不是直接部署于車端的模型，而是作為大規模教師模型（large-scale teacher models），供開發者調優、蒸餾，成為其完整自動駕駛技術棧的核心基礎。

從模型整體架構看，Alpamayo 1被設計為一個清晰分層的自動駕駛系統，由視覺、推理和行動三個部分構成。這種結構反映了英偉達對自動駕駛問題的一個核心判斷：在感知與控制之間，引入獨立的推理層，有助于提升系統在復雜和長尾場景中的決策能力。

Alpamayo 1模型架構，圖片來源：英偉達

在底層，Alpamayo 1通過視覺與文本編碼器處理來自多攝像頭、多時間步的圖像輸入，同時融合導航信息、用戶指令以及車輛自身的歷史狀態。該模塊強調高效的上下文編碼，通過對多模態信息進行壓縮和結構化，控制序列長度和計算成本，為后續推理階段預留足夠的算力空間。

系統的核心位于中間的推理層。Alpamayo 1引入了基于互聯網規模數據預訓練的推理骨干網絡，并通過帶有可驗證獎勵的強化學習，將通用的因果推理能力遷移到真實駕駛情境中。這一層負責對當前交通環境進行理解和判斷，為后續決策提供明確的推理依據。

在行動層，模型先形成接近人類駕駛策略的高層決策，再由軌跡解碼模塊生成具體行駛路徑。整個軌跡生成過程受到推理結果的約束，使決策與執行之間保持一致，從而提升行為質量與可解釋性。

而在訓練方面，Alpamayo 1結合了模仿學習、監督微調和強化學習等多種信號，對齊推理過程與行動結果。推理能力因此成為一個可訓練、可評估的系統組件，而不再只是隱含在模型內部的黑盒過程。

整體而言，Alpamayo 1的架構嘗試將駕駛中的理解與決策過程顯性化，并以工程化方式嵌入自動駕駛系統之中。這一設計思路，也構成了黃仁勛所強調的“全球首個具備思考與推理能力的自動駕駛AI”的技術基礎。

搭載Alpamayo的奔馳CLA在實際道路測試，圖片來源：英偉達

在通用大模型領域，思維鏈（Chain-of-Thought）往往被理解為“讓模型回答得更好”。但在自動駕駛領域，它是一條可追溯的推理鏈，可以對事故或險情進行因果分析，在仿真中比較不同決策路徑，為安全認證提供依據并減少對人工規則的依賴。

值得注意的是，Alpamayo 1的參數規模是100億（10B），這并不是一個很大的模型。

克制的規模，指向工程現實：Alpamayo 1希望成為一個可以嵌入現有架構的推理中樞。

從仿真框架來看，傳統仿真系統關注的是結果是否符合預期，而行業如今更需要關注的是決策過程是否合理。

Alpamayo此次同步發布的端到端仿真框架AlpaSim就支持對同一場景進行多策略回放、反事實測試，以及推理路徑對齊，這使得仿真從“驗證結果”升級為“驗證邏輯”。

值得關注的是，英偉達此次發布的自動駕駛數據集，強調覆蓋復雜地理、氣候和駕駛文化差異，其數據結構更偏向語義和情境，而非單純的感知標注。這意味著，模型訓練的目標更偏重于理解場景。

相比特斯拉FSD強調數據規模和隱式學習，英偉達Alpamayo則強調顯式推理與可解釋性；相比Waymo強調規則和地圖，Alpamayo則試圖用推理模型，承擔一部分規則難以覆蓋的工作。

當然，這些并非簡單的技術主義對立，而是代表了不同的風險管理哲學。

「甲子光年」認為，在一個仍處于快速演進中的行業里，與其陷入非此即彼的路線爭論，不如回到工程與風險本身，觀察不同體系各自試圖解決的問題。

過去十多年，英偉達始終站在自動駕駛產業鏈的基礎層，提供算力、工具、服務幾乎所有自動駕駛路線，這讓英偉達能夠在不綁定單一路線的前提下，對行業瓶頸做出判斷。

Alpamayo，本質上是英偉達站在“系統工程視角”給出的答案。

3.英偉達開源之后

在Alpamayo發布后，國內自動駕駛圈內很快有人開始討論：英偉達這次是不是真的把自動駕駛模型“開源”了？相關廠商和研發者會不會因此受益？

在官方新聞稿中，英偉達多次使用了 “open-source”“open models”“open ecosystem” 等表述，從目前已公開的信息來看，「甲子光年」認為，這接近于一種分層、有邊界的開源。

一方面，英偉達已將Alpamayo-R1的核心代碼在GitHub上以Apache-2.0協議公開，包括推理實現、示例腳本和開發工具。這意味著研究人員和開發者可以自由查看、修改和擴展其推理邏輯，在技術層面具備了真正的開源屬性。同時，AlpaSim仿真框架也以完整開源的形式發布，鼓勵社區參與驗證和二次開發。這些舉措，使Alpamayo不再只是一個封閉平臺或黑盒模型，而是具備可復現、可討論、可演進的工程基礎。

但另一方面，英偉達對模型權重和產業級使用仍然保留了明確的許可邊界。Alpamayo的模型權重雖可下載和實驗，但其使用條款更偏向研究和開發場景，并不等同于“可直接用于量產自動駕駛系統”的自由授權。官方倉庫也明確強調，Alpamayo是一套用于探索推理型自動駕駛的基礎構件，而非經過完整安全驗證的商業級自動駕駛棧。

從這個角度看，英偉達的“開源”并非理想主義式的全面放權，而是一種高度工程化、面向生態協作的開放策略：開放方法論、開放工具和關鍵實現，推動行業在同一技術范式下前進，同時對商業化和安全責任保持必要控制。

不過Alpamayo已經是英偉達在自動駕駛領域，迄今為止“開放程度最高”的一次嘗試。英偉達通過Alpamayo在自動駕駛領域釋放了一個非常清晰的信號：推理方法、仿真驗證和工程實現，應該成為行業的公共討論基礎。

Alpamayo，圖片來源：英偉達

值得注意的是，Alpamayo沒有站在傳統模塊化或純端到端的任何一端。

它保留了端到端模型在感知與理解上的優勢，同時又在中間顯式引入推理層，對決策過程進行結構化。這種設計，為長期陷入對立的技術路線提供了一種新的參考解法：端到端可以存在，但推理不必是黑盒。

這意味著，行業里的路線之爭，可能逐步從“架構宗教”轉向更現實的問題：哪些能力必須顯性化？哪些可以繼續交給數據和模型隱式學習？

雖然Alpamayo沒有給出明確答案，但它提供了一個可驗證的樣本。

從產業結構看，Alpamayo的發布，也意味著英偉達在自動駕駛領域的角色發生了微妙變化。

過去，英偉達更像是算力和工具的提供者，為不同路線“供能”；而現在，英偉達則更進一步，開始對“自動駕駛該如何被構建”提出明確方法論。

如果說過去十年，是自動駕駛的“感知時代”，那么英偉達通過Alpamayo試圖開啟的，是一個更復雜、也更現實的階段——

自動駕駛，終于開始講道理了。

（封面圖為黃仁勛在CES 2026上的演講，來源：英偉達）