当前位置：首页>自动驾驶>英伟达开源自动驾驶大模型:车会讲理由

英伟达开源自动驾驶大模型:车会讲理由

2026-10-30 17:00:04

英伟达开源自动驾驶大模型:车会讲理由

「机器学会给理由，不是为了让人安心，是为了让责任有地方落脚。」——《AI时代漫游指南》第 189 章·说得出理由的机器

8 月 4 日，英伟达把一个 340 亿参数的自动驾驶模型丢上了 Hugging Face。

权重可下载，可商用，可以拿去改成自己的模型再卖钱。

名字叫 Alpamayo 2 Super——秘鲁一座以陡峭闻名的雪山。

这件事奇怪在两个地方。

第一，自动驾驶是全球最烧钱、最讲护城河的赛道之一。各家的模型是压箱底的命根子，没人开源。

第二，英伟达是卖芯片的。它把最贵的那部分软件白送，图什么？

先说结论：它送的不是软件，是标准。

而这个模型真正的新意也不在参数量——在于它开车的时候，会一边开一边说出"我为什么这么开"。

编者注：一家公司免费送东西时，永远要问一句"它想让什么变得必需"。答案通常不在赠品里，在赠品的插座上。

一、这个模型到底是什么

不是感知模型，是"看—想—做"一条龙

传统自动驾驶是流水线：

摄像头识别物体 → 预测别人怎么动 → 规划自己怎么走 → 控制方向盘。

四个模块，四拨人马，中间用人写的接口拼起来。

Alpamayo 2 Super 属于另一类，业内叫 VLA（视觉-语言-动作模型）。

人话版：它能看懂路况、能用人话说出想法、并且直接给出怎么开。

它的身体由两部分拼成：

组成	参数	干什么
Cosmos 3 Super Reasoner	320 亿	看画面、理解场景、想清楚
Action Expert（扩散式）	23 亿	把想法翻译成具体路径

用一个类比：前者是副驾上那个会说话的老司机，后者是握方向盘的手。

加起来约 340 亿。

顺便解释一个让人困惑的细节：网上有的媒体写 320 亿，有的写 340 亿——不是谁写错了，是"算不算那只手"的区别。

大脑 320 亿，手 23 亿，合起来 340 亿。

这个"大脑+手"的拆分不是为了好看，后面会讲它的用意。

编者注：参数量报道不一致，是新技术进入公众视野的标准症状。等到大家开始争论"谁家的手更灵"而不是"谁家脑子更大"，这个行业才算成熟。

输入：从"只看前面"到"六只眼睛"

上一代 Alpamayo 主要吃前视摄像头，这一代扩到了全车环视：

•前广角、左前斜、右前斜、左后、右后、后长焦——六路摄像头（架构最多支持七路）

•每路各取 4 帧连续画面（所以它看的是视频，不是照片）

•加上自车运动历史：三维位移 + 旋转矩阵

•再加上文字指令（导航提示、自然语言提问）

对比很直观：上一代像一个只能盯着前挡风玻璃的新手，这一代终于会看后视镜和侧后方了。

输出：五样东西，同时给

这是它和普通端到端模型最不一样的地方。它不只吐一个动作，一次吐五样：

未来 6.4 秒的路，切成 64 个路点，每 0.1 秒一个，每个点带位置和车身朝向。

2）因果链

一段人话解释。不是"置信度 0.87"，而是——

"前方右侧车辆打了左转向灯并开始压线，我减速让行。"

3）元动作

高层决策标签，分三个维度：横向（变道/靠边）、纵向（加速/减速/停车）、车道级（走哪条道）。

4）带框的视觉问答

你可以问它"那个骑车的人在哪"，它不光回答，还在画面上把人框出来。

5）推理式自动标注

它能给海量行车视频自动打上结构化标签，直接输出 JSON。

编者注：第五项看着最不性感，商业价值可能最大。自动驾驶行业最脏最累的活是人工标注，英伟达的说法是把标注周期从"数月"压到"数天"。这相当于给整个行业的地基换了个施工队。

二、成绩单：好看，但要会看

官方公布的跑分，我把关键的整理成表：

项目	成绩	怎么读
LingoQA 驾驶推理	79.2 分，第 1	近 40 个模型同台
对比 Gemini 2.5 Pro	高 15.1 分	通用模型在专业赛道吃亏
对比 GPT-4o	高 23.2 分	同上
轨迹预测 minADE	0.911 米	6.4 秒后平均偏差不到一米
闭环仿真 AlpaSim	1.50 ± 0.13	910 个重建场景实跑
2D 定位准确度	IoU 0.71	对比 Qwen3-VL 的 0.17

训练用料：11.5 万小时多摄像头行车视频 + 370 万条因果链推理标注。

11.5 万小时是什么概念？

一个人每天开 8 小时车、一年 365 天不休息，要开将近 40 年。

有两个数字值得单独拎出来说。

一是 2D 定位的 0.71 对 0.17。

这个差距大到不像同一场考试。

它说明通用视觉大模型"看得懂图"和自动驾驶要的"精确指出物体在哪"根本不是一回事——通用模型能说出"路边有个人"，但框不准他站在哪条车道线上。

而对一辆两吨重的车来说，差半米就是两回事。

二是闭环仿真。

开环测试是拿模型的答案对照录像里人类司机的真实操作，像做完卷子对标准答案。

闭环是把模型放进模拟器真开，它每一步的决定都会改变下一步看到的世界。

后者残酷得多，因为错误会累积。英伟达特意公布闭环成绩，算是一种自信。

编者注：看自动驾驶跑分有个业余爱好者也能用的原则：只报开环成绩的，当宣传片看；肯报闭环成绩的，才是在做工程。

但也必须泼一盆水。

有海外媒体的评论说得很准："跑分不是马路。"

考卷是静止的，真实世界会往你车前扔一个突然改变主意的行人。

跑第一和上路安全之间，还隔着几百万公里的验证。

三、开源到什么程度？这次是真的

自动驾驶圈"开源"两个字被玩坏过很多次——放个论文叫开源，放个阉割版权重也叫开源。

这次的条款值得看清楚：

项目	授权	意味着
模型权重	OpenMDW-1.1	Linux 基金会的宽松许可
推理代码	Apache 2.0	工业界最放心的许可之一
微调 / 衍生 / 商用	全部允许	改出来的算你的，能打包卖钱

也就是说，一家车厂可以下载它、用自己国家的路况数据重训、改名叫自家的模型、装进量产车里卖——法律上完全成立。

代价是硬件门槛：官方标注推理需要 H100 80GB，实测峰值显存 72.1GB；开启无分类器引导要 两张 70GB 以上的卡。

这不是个人开发者在家能跑的东西。

编者注：于是这个"免费"露出了它的形状：模型免费，但你得先有几张英伟达的卡才能打开它。这不是阴谋，只是商业模型写在了显存需求里。

四、这东西怎么用？三个真实场景

场景一：它不上车，它当老师

最反直觉的一点：这个 340 亿参数的模型，不是设计来装在车里的。

它太大了，车里塞不下 H100。

它的角色是"教师模型"——在云端慢慢想、想得深，然后把能力蒸馏给一个小模型，小模型才装进车里的 DRIVE AGX Thor 芯片跑。

回到前面那个"大脑 + 手"的拆分：大脑负责慢思考（可以在云端），手负责快执行（必须在车上）。

分开设计，就是为了让这一步蒸馏更好做。

人话版：老教授不用亲自上每一台手术，他把判断写成教材，学生带着教材上台。

场景二：把几个月的标注活压成几天

一家自动驾驶公司手里有几十万小时行车视频，全是没标注的原始素材。

过去要雇几百人的标注团队，一帧帧框物体、一段段写场景描述。

现在可以让 Alpamayo 2 Super 跑一遍：自动输出物体框、场景描述、"这里为什么该减速"的因果标签，格式化成 JSON。

人工只需要抽检和纠错。

这是整条新闻里对成本结构冲击最直接的一项。

场景三：事故复盘终于有话可说

一辆车做了一个奇怪的动作，过去调查只能看传感器日志和参数，谁也说不清它当时"在想什么"。

有了因果链，日志里会留下一句人能读的话。

这对监管、保险、事故认定的意义，可能比对技术本身更大——

监管机构没法审计一个矩阵，但可以审计一句话。

编者注：提醒一句：模型说出来的理由，和它内部真实的计算过程，不保证是一回事。它可能做对了动作、同时编一段听着合理的解释——就像人事后给自己的直觉找理由。所以"会讲理由"是安全工作的起点，不是终点。

五、谁在用？国际客户与车型全景

这是最多人关心的部分。

先说清一个区分：Alpamayo 是模型，DRIVE Hyperion 是车规平台，DRIVE AGX Thor 是车上那块芯片。

大多数车企签的是后两者，模型是随之而来的软件层。

出行平台：Uber 是最大的那张牌

•与英伟达合作，从 2027 年起规模化部署，目标 10 万辆

•首批落地 洛杉矶 + 旧金山湾区，2027 年上半年

•计划到 2028 年覆盖四大洲 28 座城市

•慕尼黑 的 robotaxi 项目今年就要跑，合作方是 Autobrains

•同类平台还有 Bolt、Grab、Lyft 在接入

整车厂与车型

公司	进展	车型/时间
Stellantis	供应 Uber 首批车	AV-Ready 平台，首批 5000 辆
Lucid	全栈英伟达 AV 软件	Gravity 及下一代中型车，L2++ 起步走向消费级 L4
奔驰	MB.OS + DRIVE 架构	新 CLA 落地 L2++；S-Class 探索 L4
捷豹路虎	全系转向 DRIVE 平台	2026 年起的全新车型
比亚迪 / 吉利 / 日产	下一代 L4 项目	基于 DRIVE Hyperion（日产用 Wayve 方案）
五十铃 + TIER IV	L4 自动驾驶巴士	基于 DRIVE AGX Thor
VinFast + Autobrains	东南亚市场 L4	基于 DRIVE Hyperion

制造与区域落地

富士康：用自己的代工能力 + DRIVE Hyperion 平台造 L4 电动车，计划 2028 年在台湾高雄开跑 robotaxi，先做机场到市区，之后沿高铁沿线扩张。

货运赛道

Aurora、沃尔沃自动驾驶部门、Waabi 把 L4 用在长途货运上。

干线物流可能比 robotaxi 更早跑通商业模型——路况简单、里程集中、司机成本占比高。

更广的生态

英伟达和 Uber 共同支持的 L4 生态里还有：Avride、May Mobility、Momenta、Nuro、小马智行、Wayve、文远知行。

看到这份名单，就能理解英伟达为什么敢开源了：

当你的平台上站着这么多人，把模型送出去只会让更多人站上来。

编者注：送模型、卖芯片、收生态——这套打法英伟达用 CUDA 练了二十年。区别是当年的赠品是编译器，现在的赠品是一个会开车的大脑。

黄仁勋给这次发布的定调是一句很像广告词、但确实点到要害的话：

"这是汽车开始安全地推理、而不只是驾驶的时刻。"

六、给不造车的人：三条能用的启示

写到这里你可能想说：我又不造车，关我什么事。

有三条是通用的。

第一，"大模型当老师，小模型上岗"会成为标准架构。

不只是自动驾驶。任何"现场要快、判断要准"的场景都适用：客服、质检、医疗辅助、设备巡检。

云端跑一个贵的想清楚，把经验蒸馏给一个便宜的去现场干活。

你未来买到的 AI 产品，大概率都是这个结构。

第二，让 AI 说出理由，是可以直接搬用的工作习惯。

这个模型的核心设计——动作和理由一起输出——你今天就能用在自己的 AI 工作流里。

让 AI 给结论时必须附上判断依据，不是为了看它表演，是为了当它错的时候你能定位错在哪一环：

是资料没看全，是理解偏了，还是结论跳跃。

能定位的问题才是问题，不能定位的问题是天气。

第三，开源正在从"软件"蔓延到"能力"。

十年前开源的是代码，五年前是框架，现在开源的是训练好的判断力。

这意味着行业壁垒的位置在移动——从"我有算法"移向"我有数据、有场景、有落地渠道"。

对个人的推论也一样：能力越来越容易获得，稀缺的是你把能力用在哪儿。

写在最后

《荀子·解蔽》里有一句：

凡人之患，蔽于一曲，而暗于大理。

人的毛病，是被一个角落挡住视线，于是不明白整体的道理。

机器犯的是同一种病，而且犯得更字面——

只装一个朝前的摄像头，就真的只有一个角落；只学动作不学因果，就真的暗于大理。

Alpamayo 2 Super 这次做的两件事，扩到六路环视、把因果说出口，技术上是两条路线，哲学上是同一件事：解蔽。

所以这条新闻真正的分量，不在 340 亿参数，也不在跑分第一。

在于机器开始进入一个人类熟悉的秩序：

能被追问的东西，才能被托付。

我们容忍医生犯错，因为有病历；容忍法官判错，因为有判词；容忍飞行员失误，因为有黑匣子。

现在轮到车了。

Don't Panic. 会开口的机器不见得更安全，但沉默的机器，我们连问都无从问起。

资料来源：英伟达官方博客与新闻室、英伟达开发者技术博客、Hugging Face 模型卡 nvidia/Alpamayo2-Super、GitHub NVlabs/alpamayo2、The Next Web

如果这篇对你有用，转发给正在关注自动驾驶或 AI 落地的朋友——比收藏更有价值。

关注「AI时代漫游指南」，我们继续拆解 AI 时代那些看起来遥远、其实和你有关的事。

作者：漫游君

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：596563534@qq.com 。

最新文章

随机文章