NVIDIA針對自駕車打造的開放模型進入商用階段 推進自駕計程車規模化佈署

在自動駕駛與自駕計程車 （Robotaxi）的開發過程中，最棘手往往不是順暢的日常路況，而是難以預測且極難納入訓練的罕見「邊角案例」 （Corner Cases）。為了克服這項瓶頸，NVIDIA 表示今年6月對外公布、專為自動駕駛打造的前沿開放模型 ——NVIDIA Alpamayo 2 Super，正式全面開放商業授權。

相比上一代僅限研發用途，Alpamayo 2 Super採用Linux Foundation的開放授權條款 （OpenMDW-1.1），允許汽車製造商、商用車隊與開發者對此模型進行微調、衍生開發乃至商業化佈署，意味自駕車 核心AI 架構從「雲端研發」走向「車端量產」的重要里程碑。

以推理為核心：霸榜LingoQA等多項自駕評測基準

Alpamayo 2 Super以NVIDIA Cosmos 3 Super Reasoner為底層架構，透過強化學習 （Reinforcement Learning）進行後訓練，其參數規模達300億組，是先前 Alpamayo 1.5與1.0版本的3倍，大幅提升模型在面對複雜多車互動情境時的廣泛應用能力。

在針對自動駕駛推理能力的核心基準測試LingoQA中，Alpamayo 2 Super於近40款受評模型中強勢登頂。根據NVIDIA透過Lingo-Judge指標進行的測試顯示：

• 領先Qwen2.5-VL 72B達17.0分

• 領先Gemini 2.5 Pro達15.1分

• 領先GPT-4o達23.2分

此外，Alpamayo 2 Super支援360度全車身環景攝影機影像融合，能同步處理前方、側邊與後方視角，精準應對無號誌保護轉彎、車流匯入與複雜路口等高風險駕駛場景。

可檢視的黑盒子：單一模型輸出5大連動結果

過去端到端自駕模型常被詬病為無法解釋決策過程的「黑盒子」。為了確保符合ISO／PAS 8800 AI安全規範，Alpamayo 2 Super每次推理均會同步產生5項緊密連動的輸出，供開發者進行安全驗證與審查：

• 行駛軌跡 （Trajectory）：車輛規劃的物理路徑。

• 因果鏈軌跡 （Chain-of-Causation， CoC）：詳細解釋「為何做出該決策」的推理過程，並且整合至NVIDIA Halos安全驗證工作流程中。

• Meta-Action意圖捕捉：標示如讓行、變換車道、煞停等核心意圖。

• 推理自動標籤：自動產生因果鏈註解，用於後續資料庫驗證。

• 2D視覺定位問答：將模型文字回答直接連結至攝影機畫面中的特定區域，達成可視化的歸因。

從雲端到車端：模型蒸餾加速資料標註

除了作為車載駕駛決策大腦，Alpamayo 2 Super也能在雲端開發流程中扮演「教師模型」 （Teacher Model）。

透過模型蒸餾 （Distillation）技術，開發者可以將Alpamayo 2 Super的高階推理能力「壓縮」，並且轉移至輕量化的車端專用模型中，在滿足量產車輛即時推論 （Real-time inference）功耗要求的同時，顯著降低運營成本。

此外，該模型亦能充當自動標註工具，將原始駕駛影片自動加上因果鏈註解，能將過去動輒耗時數月的資料標註週期大幅縮短至數天。

筆者觀點

Alpamayo 2 Super透過OpenMDW-1.1開放授權與Hugging Face開放權重，NVIDIA實際上是在為全全球的车企與自駕計程車新創提供一套免費且頂尖的「通用AI大腦」。當車廠不需要從頭花費數億美元訓練基礎模型時，自然會更深地綁定NVIDIA的雲端訓練算力與DRIVE車載晶片生態系。對於急於推進自駕計程車商用量產的業者來說，這無疑是一把強力的催化劑。

《原文刊登於合作媒體mashdigi，聯合新聞網獲授權轉載。》