英伟达320亿参数智驾大模型上新！富士康、Uber加入Robotaxi生态

车东西（公众号：chedongxi）
作者 ｜ Janson
编辑 ｜ 志豪

英伟达创始人兼CEO黄仁勋再次把汽车业务推到聚光灯下。

车东西6月2日消息，在2026年Computex期间举行的NVIDIA GTC台北大会上，英伟达发布了两项汽车相关最新进展。

首先，英伟达升级了面向L4级自动驾驶开发的开放推理模型NVIDIA Alpamayo 2 Super，参数高达320亿。

其次，英伟达还扩展了NVIDIA DRIVE Hyperion平台生态，富士康、VinFast、Uber、Autobrains、HUMAIN等合作伙伴加入，计划在亚洲、欧洲和中东推进无人驾驶出租车落地。

当下，包括比亚迪、滴滴、吉利、长城、极氪、小米以及小马智行等车企和自动驾驶公司，都在基于NVIDIA DRIVE Hyperion平台开发相关系统。

▲采用NVIDIA Hyperion平台的企业

黄仁勋表示，自动驾驶出行正在进入产业化规模扩张阶段，汽车正在演变为智能机器，无人驾驶出租车车队需要一套能够在现实环境中完成感知、推理并安全运行的AI基础设施。

这句话也点出了英伟达此次发布的核心逻辑：无人驾驶出租车的竞争，已经不只是单车算法或单颗芯片的竞争，而是车端算力、安全系统、开放模型、仿真训练和运营生态的系统竞争。

不难看出，英伟达这次在台北发布的新内容，更多是围绕模型升级和无人驾驶出租车生态扩展，而中国车企则构成了Hyperion平台已有生态的一部分。

一、黄仁勋现场谈汽车 无人出租车需要AI基础设施

在GTC台北大会现场，黄仁勋把无人驾驶出租车放进了英伟达“物理AI”的大框架中。

NVIDIA DRIVE Hyperion是面向L4级自动驾驶车辆的统一平台，整合了NVIDIA DRIVE AGX车端算力、基于安全认证DriveOS操作系统构建的NVIDIA Halos OS、多模态传感器套件，以及NVIDIA DRIVE AV软件。

▲NVIDIA Hyperion平台

其中，富士康计划在中国台湾地区构建并部署具备L4级自动驾驶能力的无人驾驶出租车车队，项目将率先从高雄等城市启动，并计划逐步扩展至亚洲市场。

富士康还计划于2028年推出无人驾驶出租车服务，首批线路将连接机场与市区，随后沿台湾地区高铁网络相关交通走廊扩展。

在东南亚市场，VinFast则正与Autobrains合作，计划将基于NVIDIA DRIVE Hyperion平台打造的L4级车辆。该合作将整合VinFast的整车研发与制造能力，以及Autobrains的自动驾驶软件栈。

东南亚市场道路环境复杂，摩托车、非机动车和混合交通流较多，对车辆感知、预测和决策能力都有更高要求。

在欧洲，Uber将与Autobrains合作，在慕尼黑推出基于NVIDIA DRIVE Hyperion的无人驾驶出租车项目。该项目将集成Autobrains的代理式AI自动驾驶软件，相关汽车制造商信息将在今年晚些时候公布。

Uber全球自动驾驶出行与配送负责人Sarfraz Maredia表示，挑战不只在于制造具备自动驾驶能力的车辆，更在于如何将其接入商业网络，从而规模化、可靠地服务乘客。

中东市场则由HUMAIN推进。HUMAIN计划将基于NVIDIA DRIVE Hyperion的无人驾驶出租车引入沙特阿拉伯，利用其AI与移动出行生态支持区域内L4级自动驾驶交通解决方案开发和部署。

可以看到，英伟达并没有直接扮演车队运营商角色，而是继续做底层平台提供者：车企和制造伙伴负责车辆，自动驾驶公司负责软件栈，出行平台负责商业网络，英伟达则提供计算、安全、模型和仿真工具。

二、Alpamayo 2 Super发布 让系统学会“为什么这么开”

除Hyperion生态外，英伟达此次发布的另一项核心进展，是NVIDIA Alpamayo 2 Super，这是一款拥有320亿参数的开放视觉-语言-动作推理模型。

英伟达称，该模型能够在完整驾驶堆栈中进行推理、规划与行动，目标是支持更安全、可规模化的L4级自动驾驶开发。

相比此前100亿参数版本，Alpamayo 2 Super的参数规模提升至320亿，基于NVIDIA Cosmos世界基础模型构建，新模型在长尾场景推理、3D空间理解和轨迹预测方面有所增强。

但这次升级的重点并不只是“模型更大”。

自动驾驶系统过去更多解决的是“看到了什么”的问题，例如识别车辆、行人、车道线和交通灯。但在真实道路中，更难的是理解“为什么要这样开”。

例如，前车突然减速，可能是因为前方有被遮挡的行人；右侧两轮车短暂消失在盲区，可能下一秒重新并入车道；路口对向车辆虽然静止，但可能存在抢行意图。

这些场景要求系统不只是识别目标，还要理解因果关系，并给出可解释的驾驶决策。

Alpamayo 2 Super的能力升级正是围绕这一点展开。

首先，它从前向摄像头扩展到前、侧、后方的360度全景感知。

这样一来，模型在处理变道、并线和交叉路口通行时，可以获得更完整的周围交通关系，而不是只依赖车头方向的信息。

其次，它新增了“元动作”输出，例如让行、变道、停车等宏观动作。相比直接输出一条轨迹，元动作更像人类驾驶员的决策语言，也更容易被后续规划模块理解、调用和验证。

▲NVIDIA Alpamayo 2 Super推理

更重要的是，Alpamayo 2 Super还被用于推理自动标注和因果链标注。

带2D定位能力的推理自动标注可将标注周期从几个月压缩至几天，因果链自动标注流水线则可以从原始驾驶片段中自动生成具有决策关联的标签，减少对人工标注的依赖。

如果大模型可以自动理解“这个场景为什么危险”“车辆为什么应该让行”“导致风险的关键对象是谁”，那么数据筛选、标注和训练效率都会提升。

不过，320亿参数模型并不意味着它会直接作为所有车辆的实时车端模型。

英伟达给出的路径是，让Alpamayo 2 Super作为“教师模型”，先在开发阶段完成推理、标注、场景理解、模型评判和知识蒸馏，再将能力压缩到更小的模型中，运行在NVIDIA DRIVE Hyperion平台的车载计算系统上。

三、AlpaGym、OmniDreams补齐训练闭环 先在仿真世界处理长尾场景

仅有大模型还不够，自动驾驶系统真正落地，还需要训练和验证工具。

因此，英伟达此次同步推出了NVIDIA AlpaGym、NVIDIA OmniDreams以及基于NVIDIA Omniverse NuRec的神经重建能力。

AlpaGym是一个开源、高吞吐量闭环强化学习框架。与开环训练不同，闭环训练会让模型在仿真环境中经历连续观察和连续决策：一次刹车、一次转向、一次路线选择，都会改变后续交通状态。

开环训练像“看录像答题”，模型只需要根据已记录数据判断下一步动作；闭环训练则像真正进入道路环境，模型的每一个动作都会影响下一秒的局面。

▲搭载英伟达辅助驾驶能力的汽车

OmniDreams则是全新的生成式世界模型，用于生成逼真的闭环驾驶场景，支持开发者大规模仿真罕见长尾场景。

长尾场景是无人驾驶出租车最难跨过的门槛之一。

真实道路上，普通跟车、变道、路口通行占据多数时间，但真正决定系统安全边界的，往往是低频高风险场景，例如施工车辆突然变道、儿童从遮挡物后跑出、两轮车逆行、雨夜反光、临时交通管制等。

依靠真实车队自然采集这些场景，不仅效率低，而且很多危险场景不可控。生成式世界模型的价值就在于，可以大规模合成、变体化和重放这些低频高风险场景。

Omniverse NuRec则负责把真实车队驾驶场景重建为逼真的3D场景，并适配不同车辆传感器配置。

这样，同一个真实道路片段可以在仿真中被重新构建，并调整天气、光照、交通参与者位置和传感器组合，用于测试模型稳定性。

结语：英伟达从“卖芯片”走向“卖底座”

整体来看，黄仁勋在台北Computex讲汽车，最新信息主要集中在两件事上：模型能力升级和无人驾驶出租车生态扩张。

从商业路径看，英伟达并不打算自己造车或直接运营无人驾驶出租车，而是继续做平台提供者。

这一路线能否跑通，还要看后续项目在真实道路测试、法规审批、运营成本和安全表现上的结果。

但可以确定的是，英伟达汽车业务的重点已经不只是“提供车载芯片”。在无人驾驶出租车和L4级车辆开发上，英伟达正在试图提供一套从模型、仿真、安全到车端计算的完整基础设施。