你以为自动驾驶AI是这样训练的，把方向盘交给它，让它在路上摸爬滚打、从每一次失误中成长？
错。
绝大多数端到端自动驾驶模型的训练方式，可以想象成让一个从没碰过方向盘的学生，坐在教室里反复看老司机的行车记录仪，然后在试卷上勾选"此刻应该左转还是右转"
它答对了，你给它满分。
但试卷永远不会因为它答错而变成另一张卷
这就是行业里说的开环训练，模型的输出从不改变它下一秒看到的世界
它永远在一条"标准答案"铺好的轨道上滑行，永远不知道自己偏半米之后，整个世界会变成什么样
然后你把它放上真实的马路。
方向盘偏了一点，车道线的位置变了，后面的视觉输入全部偏离训练集，一个微小的错误，像滚雪球一样越滚越大，直到不可收拾
NVIDIA刚刚开源了一个东西，试图终结这场骗局
“让它撞”：AlpaGym的暴力美学
▲ NVIDIA亚太官方帖直言：开环训练无法捕捉轻微错误如何随时间"滚雪球"
2026年5月底，伴随Alpamayo 2 Super（320亿参数的开源推理型驾驶大模型）的高调亮相，NVIDIA悄悄把一个名叫AlpaGym的GitHub仓库推到了公众面前
它的逻辑简单到近乎粗暴：别再让AI看录像了，把方向盘交给它，让它在仿真世界里真的开，真的撞，真的冲出道路，然后把这些"物理后果"变成可以优化的学习信号
▲ 斯坦福教授、NVIDIA自动驾驶研究负责人Marco Pavone的开源声明：“监督学习可以模仿行为，但稳健的自主最终需要通过与环境交互来学习”
Pavone这句话值得反复读。
它精准地戳中了一个被行业回避多年的问题：模仿学习能教会模型"像人那样说和规划"，但永远教不会它"偏了之后怎么救"
因为在开环数据里，车从来没偏过。
AlpaGym要做的，就是补上这后半段
三块积木搭起的"驾驶炼狱"
AlpaGym在三个系统之间充当胶水，把它们粘在一起：
第一块：AlpaSim，仿真世界。
一个开源的闭环自动驾驶仿真平台，支持高保真相机渲染、车辆动力学与交通场景
它可以接NuRec（把真实车队录像重建成可渲染的三维场景）和OmniDreams（用生成模型合成罕见长尾场景）
AlpaSim为AlpaGym提供可交互的"世界"
第二块：Cosmos-RL，训练引擎。
NVIDIA面向Physical AI的分布式强化学习框架，负责大规模rollout编排与梯度更新，相当于AlpaGym的"肌肉"
第三块：AlpaGym本身，粘合剂与规则书
它定义了策略如何与仿真器对话（每一tick，仿真器送来相机画面，策略返回轨迹，仿真器更新世界再送下一帧），如何给一整段驾驶打分（进度加分，碰撞扣10分，冲出道路重罚，舒适度微调），如何把分数变成梯度回传给模型
▲ NVlabs/alpagym 仓库页面：Apache-2.0开源，目前支持Alpamayo 1.5（约100亿参数）作为示例模型
一次完整的闭环训练是这样的：Host侧用Hydra合成配置 → 拉起AlpaSim仿真器 → 启动Cosmos-RL运行时 → 策略在仿真器里跑一段路（rollout）→ 系统对整段驾驶打分 → 梯度更新权重 → 把新权重同步回去 → 再跑，再撞，再学
它用的算法叫GRPO，同一个场景跑多次，按奖励差距调整偏好
如果你关注大模型后训练，这个名字应该不陌生：它和ChatGPT们用来对齐人类偏好的技术属于同一个家族
只不过，聊天模型的"错误后果"是文本偏好，而驾驶的错误后果是碰撞、冲出道路和乘客的尖叫
有人真的跑通了，代价不小
日本开发者媒体Classmethod（DevelopersIO）在AWS上用两张L40S 48GB显卡，按官方教程把AlpaGym跑了起来
▲ 日文开发者社区的实操文章：标题直译，“试着在AWS上玩了一下NVIDIA的自动驾驶强化学习基盘AlpaGym”
结果很真实，也很冷酷：
- 烟雾测试10分钟跑通，一轮完整的"试跑→奖励→梯度→权重同步"流水线确认可用
- 双卡VRAM各吃满约45GB
- 日志显示模型总参约111亿，但实际更新的只有约22.8亿（语言模型部分被冻结，只练视觉和动作头）
- 10步短训中，没撞车的步奖励约+0.6，一撞车直接跌到-9.3到-9.5，碰撞项权重-10带来的断崖式惩罚清晰可见
- 最扎心的一条：单次10步训练吃掉约117GB磁盘空间（检查点+多相机rollout录像），存储先于GPU爆炸
作者特意提醒：单场景10步绝不足以宣称"车开得更好了"，只验证了流水线和学习信号确实存在
这条限定很重要，工程可演示，不等于统计显著的安全改进
AlpaGym背后：英伟达在下一盘更大的棋
▲ NVIDIA DRIVE介绍Alpamayo 2 Super与AlpaGym闭环强化学习能力
把镜头从AlpaGym拉远，你会看到NVIDIA正在搭建一条从车队日志到可训场景再到可优化策略的完整装配线：
- Alpamayo 2 Super：320亿参数的开源推理型VLA，支持7个以上摄像头、360°感知、思维链推理与自动标注，它是AlpaGym要训练的"大脑"
- OmniDreams / Cosmos-Dreams：生成式世界模型，用AI合成那些在真实路上一年碰不到一次、但在事故统计里致命的长尾场景
- NuRec：把真实车队录像重建为可渲染三维场景，让闭环训练不只跑在游戏引擎合成的世界里
- 公开挑战赛：CVPR 2026的闭环驾驶挑战与推理挑战，给整条流水线一个外部验收口
黄仁勋的原话大意是：Alpamayo让汽车在安全驾驶中具备推理能力
开源不等于平等：闭环训练的算力账单落在谁肩上？
这里有一个容易被忽略的产业结构问题
开环训练可以高度批量化，堆大batch、吞数据、一晚上刷完十万段录像
闭环训练天然更贵：每一步都要仿真渲染、策略推理、多相机记录、权重同步
双卡满血、每跑一轮上百GB磁盘，这是"开源"二字背后的真实账单
Cosmos-RL的Slurm预设、AlpaGym的多节点设计，都在暗示：目标用户主要是实验室与车企训练集群，普通笔记本电脑难以承受这类负载
谁能负担"让错误发生在仿真里"的算力成本，谁就更能把复合误差变成梯度；
负担不起的团队，可能仍停留在开环模仿加几轮闭环评测
开源带来了可见性与接口标准，算力门槛依然存在
从"做选择题"到"交方向盘"
回到开头的比喻。
过去十年，自动驾驶行业在开环指标上制造了大量幻觉，模型在日志上和专家轨迹比L2距离，分数越来越好看，但上了闭环仿真或实车就失稳
根因从未改变：训练时假设状态由专家产生，部署时状态由自己产生
你在别人的轨道上得了满分，但你从来没在自己的轨道上活过一秒
AlpaGym没有解决自动驾驶的全部问题
10步训练的奖励曲线不能外推为"车变聪明了"；
仿真里学会的谨慎可能在真车上错误迁移；
策略也可能针对度量方式取巧，却没能提升驾驶安全
从闭环RL到量产部署之间，还隔着影子模式、功能安全认证与无数轮回归测试
但它做对了一件事：让错误回到模型。
错误从评测报告里的failure rate，变成了可以进入奖励函数、形成梯度并改变下一次转向的信号
这是一条从"看录像做选择题"到"把方向盘交给你，然后世界按你的操作播下去"的路
路很长。
但方向盘，终于交出去了。
10个月宝宝每天需要喝多少奶粉？
