英伟达发布并开源Alpamayo：自动驾驶终于开始讲道理了｜甲子光年

“全球首个具备思考与推理能力的自动驾驶AI”来了。

作者｜王博

自动驾驶行业，正在进入一个微妙却关键的阶段。

一方面，越来越多的自动驾驶系统（包括辅助驾驶系统、智能驾驶系统）已经能在大多数时间里“把车开好”：在高速公路、城市主干道，以及熟悉的路况中，它们已经接近人类司机的平均水平。

但另一方面，行业内部对一个问题的焦虑却从未消失——当自动驾驶系统面对未见过的情况时，它究竟是怎么做出决定的？

北京时间今天凌晨，在美国拉斯维加斯CES现场，英伟达发布Alpamayo系列开源AI模型、仿真工具及数据集，旨在推动安全可靠的推理型自动驾驶汽车开发。

英伟达CEO黄仁勋在演讲中更是直呼Alpamayo是“全球首个具备思考与推理能力的自动驾驶AI”。

自动驾驶系统是如何思考并决策的呢？Alpamayo，正是一次对这个核心问题的正面回应。

1.一个长期被回避的问题：车是“怎么想的”？

过去一年，关于自动驾驶的评测和争议不断。

去年7月，在懂车帝发布的智驾评测视频中，36辆来自不同品牌不同型号的车在面对模拟事故场景时，处理方式各异。即使是采用同一套智驾方案的不同车型，在面对同一模拟事故场景时也会“纠结”。有的车型还会在发生碰撞前的几秒钟退出智驾，要求驾驶员接管处理。

《懂车智炼场》智驾测试，图片来源：懂车帝B站账号

有的车芯片算力高，有的车传感器多，有的车摄像头及算法先进，有的车数据来源丰富。车企和自动驾驶厂商不断在宣传配置，展示能力，但是很少有企业说明白：车是“怎么想的”。

回顾自动驾驶的技术演进，可以发现一个清晰的脉络。

最早的阶段，行业关注的是能不能看见：传感器如何融合？目标如何识别？障碍物如何分类？

随后，问题变成了能不能跑得稳：路径规划是否平滑？控制是否鲁棒？系统是否足够可靠？

而最近几年，随着端到端模型和大规模数据的引入，行业开始追求能不能开得像人。

但在这一过程中，有一个问题始终被“技术性回避”了：系统的决策逻辑，是否可以被理解、复盘和解释？

在很多现有方案中，决策是隐式存在的。模型做出了一个动作，但并不会告诉你：它关注了环境中的哪些关键信息？它如何权衡了风险与收益？它为什么没有选择另一条看似合理的路径？

Alpamayo的出现，本质上是英伟达对这一问题的回应。

根据英伟达发布的技术介绍，Alpamayo将开源模型、仿真框架与数据集三大支柱整合为统一开放的生态系统，任何汽车开发者或研究团队均可在此基础上进行研发。

Alpamayo的核心组件，图片来源：英伟达

在开源模型方面，英伟达推出了Alpamayo 1。英伟达介绍，这是业界首款面向自动驾驶研究社区设计的思维链VLA（视觉-语言-动作）推理模型，现已在Hugging Face上发布。

Alpamayo 1拥有100亿参数，可通过视频输入生成行驶轨迹，同时给出推理思路，能够清晰展示每项决策背后的逻辑。

开发者既可将Alpamayo 1调整为更精简的运行时模型部署于车端，也可将其作为自动驾驶的基础架构，构建诸如基于推理的评估器和自动标注系统等开发工具。Alpamayo 1提供开放模型权重和开源推理脚本。该系列的后续模型将具备更大的参数规模、更精细的推理能力、更灵活的输入输出方式以及更丰富的商用选项。

英伟达同步发布了一款面向高保真自动驾驶开发、完全开源的端到端仿真框架AlpaSim，现已在GitHub上公开。该框架可提供逼真的传感器建模、可配置交通动态，以及可扩展的闭环测试环境，支持快速验证与策略优化。

此外，英伟达还提供了物理AI开放数据集，这是一个多元化的大规模自动驾驶开放数据集。该数据集包含超过1700小时的驾驶数据，覆盖广泛的地理区域和环境条件，涵盖推动推理架构发展所必需的罕见且复杂的真实世界极端场景。目前，该数据集已在Hugging Face上开放使用。

这些工具共同构建了一个自我强化的开发闭环，用于推理型自动驾驶堆栈的开发。

从形式上看，这并不陌生。过去几年里，模型、仿真和数据早已是自动驾驶系统的“标配”。

真正不同的是，Alpamayo补上一个长期缺位的能力层：推理。

在英伟达的叙事中，自动驾驶不再只是一个从感知到控制的流水线，而是一套具备理解、思考与决策能力的系统。

2.拆解Alpamayo

Alpamayo 1并不是直接部署于车端的模型，而是作为大规模教师模型（large-scale teacher models），供开发者调优、蒸馏，成为其完整自动驾驶技术栈的核心基础。

从模型整体架构看，Alpamayo 1被设计为一个清晰分层的自动驾驶系统，由视觉、推理和行动三个部分构成。这种结构反映了英伟达对自动驾驶问题的一个核心判断：在感知与控制之间，引入独立的推理层，有助于提升系统在复杂和长尾场景中的决策能力。

Alpamayo 1模型架构，图片来源：英伟达

在底层，Alpamayo 1通过视觉与文本编码器处理来自多摄像头、多时间步的图像输入，同时融合导航信息、用户指令以及车辆自身的历史状态。该模块强调高效的上下文编码，通过对多模态信息进行压缩和结构化，控制序列长度和计算成本，为后续推理阶段预留足够的算力空间。

系统的核心位于中间的推理层。Alpamayo 1引入了基于互联网规模数据预训练的推理骨干网络，并通过带有可验证奖励的强化学习，将通用的因果推理能力迁移到真实驾驶情境中。这一层负责对当前交通环境进行理解和判断，为后续决策提供明确的推理依据。

在行动层，模型先形成接近人类驾驶策略的高层决策，再由轨迹解码模块生成具体行驶路径。整个轨迹生成过程受到推理结果的约束，使决策与执行之间保持一致，从而提升行为质量与可解释性。

而在训练方面，Alpamayo 1结合了模仿学习、监督微调和强化学习等多种信号，对齐推理过程与行动结果。推理能力因此成为一个可训练、可评估的系统组件，而不再只是隐含在模型内部的黑盒过程。

整体而言，Alpamayo 1的架构尝试将驾驶中的理解与决策过程显性化，并以工程化方式嵌入自动驾驶系统之中。这一设计思路，也构成了黄仁勋所强调的“全球首个具备思考与推理能力的自动驾驶AI”的技术基础。

搭载Alpamayo的奔驰CLA在实际道路测试，图片来源：英伟达

在通用大模型领域，思维链（Chain-of-Thought）往往被理解为“让模型回答得更好”。但在自动驾驶领域，它是一条可追溯的推理链，可以对事故或险情进行因果分析，在仿真中比较不同决策路径，为安全认证提供依据并减少对人工规则的依赖。

值得注意的是，Alpamayo 1的参数规模是100亿（10B），这并不是一个很大的模型。

克制的规模，指向工程现实：Alpamayo 1希望成为一个可以嵌入现有架构的推理中枢。

从仿真框架来看，传统仿真系统关注的是结果是否符合预期，而行业如今更需要关注的是决策过程是否合理。

Alpamayo此次同步发布的端到端仿真框架AlpaSim就支持对同一场景进行多策略回放、反事实测试，以及推理路径对齐，这使得仿真从“验证结果”升级为“验证逻辑”。

值得关注的是，英伟达此次发布的自动驾驶数据集，强调覆盖复杂地理、气候和驾驶文化差异，其数据结构更偏向语义和情境，而非单纯的感知标注。这意味着，模型训练的目标更偏重于理解场景。

相比特斯拉FSD强调数据规模和隐式学习，英伟达Alpamayo则强调显式推理与可解释性；相比Waymo强调规则和地图，Alpamayo则试图用推理模型，承担一部分规则难以覆盖的工作。

当然，这些并非简单的技术主义对立，而是代表了不同的风险管理哲学。

「甲子光年」认为，在一个仍处于快速演进中的行业里，与其陷入非此即彼的路线争论，不如回到工程与风险本身，观察不同体系各自试图解决的问题。

过去十多年，英伟达始终站在自动驾驶产业链的基础层，提供算力、工具、服务几乎所有自动驾驶路线，这让英伟达能够在不绑定单一路线的前提下，对行业瓶颈做出判断。

Alpamayo，本质上是英伟达站在“系统工程视角”给出的答案。

3.英伟达开源之后

在Alpamayo发布后，国内自动驾驶圈内很快有人开始讨论：英伟达这次是不是真的把自动驾驶模型“开源”了？相关厂商和研发者会不会因此受益？

在官方新闻稿中，英伟达多次使用了 “open-source”“open models”“open ecosystem” 等表述，从目前已公开的信息来看，「甲子光年」认为，这接近于一种分层、有边界的开源。

一方面，英伟达已将Alpamayo-R1的核心代码在GitHub上以Apache-2.0协议公开，包括推理实现、示例脚本和开发工具。这意味着研究人员和开发者可以自由查看、修改和扩展其推理逻辑，在技术层面具备了真正的开源属性。同时，AlpaSim仿真框架也以完整开源的形式发布，鼓励社区参与验证和二次开发。这些举措，使Alpamayo不再只是一个封闭平台或黑盒模型，而是具备可复现、可讨论、可演进的工程基础。

但另一方面，英伟达对模型权重和产业级使用仍然保留了明确的许可边界。Alpamayo的模型权重虽可下载和实验，但其使用条款更偏向研究和开发场景，并不等同于“可直接用于量产自动驾驶系统”的自由授权。官方仓库也明确强调，Alpamayo是一套用于探索推理型自动驾驶的基础构件，而非经过完整安全验证的商业级自动驾驶栈。

从这个角度看，英伟达的“开源”并非理想主义式的全面放权，而是一种高度工程化、面向生态协作的开放策略：开放方法论、开放工具和关键实现，推动行业在同一技术范式下前进，同时对商业化和安全责任保持必要控制。

不过Alpamayo已经是英伟达在自动驾驶领域，迄今为止“开放程度最高”的一次尝试。英伟达通过Alpamayo在自动驾驶领域释放了一个非常清晰的信号：推理方法、仿真验证和工程实现，应该成为行业的公共讨论基础。

Alpamayo，图片来源：英伟达

值得注意的是，Alpamayo没有站在传统模块化或纯端到端的任何一端。

它保留了端到端模型在感知与理解上的优势，同时又在中间显式引入推理层，对决策过程进行结构化。这种设计，为长期陷入对立的技术路线提供了一种新的参考解法：端到端可以存在，但推理不必是黑盒。

这意味着，行业里的路线之争，可能逐步从“架构宗教”转向更现实的问题：哪些能力必须显性化？哪些可以继续交给数据和模型隐式学习？

虽然Alpamayo没有给出明确答案，但它提供了一个可验证的样本。

从产业结构看，Alpamayo的发布，也意味着英伟达在自动驾驶领域的角色发生了微妙变化。

过去，英伟达更像是算力和工具的提供者，为不同路线“供能”；而现在，英伟达则更进一步，开始对“自动驾驶该如何被构建”提出明确方法论。

如果说过去十年，是自动驾驶的“感知时代”，那么英伟达通过Alpamayo试图开启的，是一个更复杂、也更现实的阶段——

自动驾驶，终于开始讲道理了。

（封面图为黄仁勋在CES 2026上的演讲，来源：英伟达）