「全球首個具備思考與推理能力的自動駕駛AI」來了。
自動駕駛產業，正進入一個微妙卻關鍵的階段。
一方面，越來越多的自動駕駛系統（包括輔助駕駛系統、智慧駕駛系統）已經能在大多數時間裡「把車開好」：在高速公路、城市主幹道，以及熟悉的路況中，它們已經接近人類駕駛的平均水平。
但另一方面，產業內部對一個問題的焦慮從未消失——當自動駕駛系統面對未見過的情況時，它究竟是怎麼做決定的？
台北時間今天凌晨，在美國拉斯維加斯CES現場，輝達發布Alpamayo系列開源AI模型、模擬工具及資料集，旨在推動安全可靠的推理型自動駕駛汽車開發。
輝達CEO黃仁勳在演講中更是直呼Alpamayo是「全球首個具備思考與推理能力的自動駕駛AI」。
自動駕駛系統是如何思考並做出決策的呢？ Alpamayo，正是一次對這個核心問題的正面回應。
1.一個長期被迴避的問題：車子是「怎麼想的」？
過去一年，關於自動駕駛的評測和爭議不斷。
去年7月，在懂車帝發布的智駕評測影片中，36輛來自不同品牌不同型號的車在面對模擬事故場景時，處理方式各異。即使是採用同一套智駕方案的不同車型，在面對同一模擬事故場景時也會「糾結」。有的車型還會在發生碰撞前的幾秒鐘退出智駕，要求駕駛接手處理。
《懂車智煉場》智駕測試，圖片來源：懂車帝B站帳號
有的車晶片算力高，有的車感應器多，有的車攝影機及演算法先進，有的車資料來源豐富。車企和自動駕駛廠商不斷在宣傳配置，展現能力，但是很少企業說明白：車子是「怎麼想的」。
回顧自動駕駛的技術演進，可以發現一個清晰的脈絡。
最早的階段，業界關注的是能不能看見：感測器如何融合？目標如何識別？障礙物如何分類？
隨後，問題變成了能不能跑得穩：路徑規劃是否平滑？控制是否穩健？系統是否夠可靠？
而最近幾年，隨著端到端模型和大規模數據的引入，產業開始追求能不能開得像人。
但在這過程中，有一個問題始終被「技術性迴避」了：系統的決策邏輯，是否可以被理解、複盤和解釋？
在許多現有方案中，決策是隱性存在的。模型做出了一個動作，但並不會告訴你：它關注了環境中的那些關鍵訊息？它如何權衡了風險與效益？為什麼它沒有選擇另一條看似合理的路徑？
Alpamayo的出現，本質上是輝達對這問題的回應。
根據輝達發布的技術介紹，Alpamayo將開源模型、模擬框架與資料集三大支柱整合為統一開放的生態系統，任何汽車開發者或研究團隊均可在此基礎上進行研發。
在開源模型方面，輝達推出了Alpamayo 1。輝達介紹，這是業界首款針對自動駕駛研究社群設計的思維鏈VLA（視覺-語言-動作）推理模型，現已在Hugging Face上發布。
Alpamayo 1擁有100億參數，可透過視訊輸入產生行車軌跡，同時給出推理思路，能夠清楚展示每項決策背後的邏輯。
開發者既可將Alpamayo 1調整為更精簡的運行時模型部署於車端，也可將其作為自動駕駛的基礎架構，構建諸如基於推理的評估器和自動標註系統等開發工具。 Alpamayo 1提供開放模型權重和開源推理腳本。此系列的後續模型將具備更大的參數規模、更精細的推理能力、更靈活的輸入輸出方式以及更豐富的商用選項。
輝達同步發布了一款面向高保真自動駕駛開發、完全開源的端到端模擬框架AlpaSim，現已在GitHub上公開。此框架可提供逼真的感測器建模、可配置交通動態，以及可擴展的閉環測試環境，支援快速驗證與策略最佳化。
此外，輝達還提供了實體AI開放資料集，這是一個多元化的大規模自動駕駛開放資料集。該數據集包含超過1700小時的駕駛數據，涵蓋廣泛的地理區域和環境條件，涵蓋推動推理架構發展所必需的罕見且複雜的真實世界極端場景。目前，該資料集已在Hugging Face上開放使用。
這些工具共同建構了一個自我強化的開發閉環，用於推理型自動駕駛堆疊的開發。
從形式上看，這並不陌生。過去幾年裡，模型、模擬和數據早已是自動駕駛系統的「標配」。
真正不同的是，Alpamayo補上一個長期缺位的能力層：推理。
在輝達的敘事中，自動駕駛不再只是一個從感知到控制的管線，而是一套具備理解、思考與決策能力的系統。
2.拆解Alpamayo
Alpamayo 1並非直接部署於車端的模型，而是作為大規模教師模型（large-scale teacher models），供開發者調優、蒸餾，成為其完整自動駕駛技術堆疊的核心基礎。
從模型整體架構來看，Alpamayo 1被設計為一個清晰分層的自動駕駛系統，由視覺、推理和行動三個部分所構成。這種結構反映了輝達對自動駕駛問題的一個核心判斷：在感知與控制之間，引入獨立的推理層，有助於提升系統在複雜和長尾場景中的決策能力。
在底層，Alpamayo 1透過視覺與文字編碼器處理來自多攝影機、多時間步的影像輸入，同時融合導航資訊、使用者指令以及車輛本身的歷史狀態。此模組強調高效的上下文編碼，透過對多模態資訊進行壓縮和結構化，控制序列長度和計算成本，為後續推理階段預留足夠的算力空間。
系統的核心位於中間的推理層。Alpamayo 1引入了基於互聯網規模資料預訓練的推理骨幹網絡，並透過具有可驗證獎勵的強化學習，將通用的因果推理能力遷移到真實駕駛情境中。這一層負責對當前交通環境進行理解和判斷，為後續決策提供明確的推理基礎。
在行動層，模型先形成接近人類駕駛策略的高層決策，再由軌跡解碼模組產生具體行車路徑。整個軌跡產生過程受到推理結果的約束，使決策與執行之間保持一致，從而提升行為品質與可解釋性。
而在訓練方面，Alpamayo 1結合了模仿學習、監督微調和強化學習等多種訊號，對齊推理過程與行動結果。推理能力因此成為一個可訓練、可評估的系統組件，而不再只是隱含在模型內部的黑盒子過程。
整體而言，Alpamayo 1的架構嘗試將駕駛中的理解與決策過程顯性化，並以工程化方式嵌入自動駕駛系統之中。這項設計思路，也構成了黃仁勳所強調的「全球首個具備思考與推理能力的自動駕駛AI」的技術基礎。
在一般大模型領域，思維鏈（Chain-of-Thought）往往被理解為「讓模型回答得更好」。但在自動駕駛領域，它是一條可追溯的推理鏈，可以對事故或險情進行因果分析，在模擬中比較不同決策路徑，為安全認證提供依據並減少對人工規則的依賴。
值得注意的是，Alpamayo 1的參數規模是100億（10B），這並不是一個很大的模型。
克制的規模，指向工程現實：Alpamayo 1希望成為一個可以嵌入現有架構的推理中樞。
從模擬框架來看，傳統模擬系統關注的是結果是否符合預期，而產業如今更需要關注的是決策過程是否合理。
Alpamayo此次同步發布的端對端模擬框架AlpaSim就支援對同一場景進行多策略回放、反事實測試，以及推理路徑對齊，這使得模擬從「驗證結果」升級為「驗證邏輯」。
值得關注的是，輝達此次發布的自動駕駛資料集，強調涵蓋複雜地理、氣候和駕駛文化差異，其資料結構更偏向語意和情境，而非單純的感知標註。這意味著，模型訓練的目標更偏重於理解場景。
相較於特斯拉FSD強調資料規模與隱性學習，輝達Alpamayo則強調顯式推理與可解釋性；相較於Waymo強調規則與地圖，Alpamayo則試圖用推理模型，承擔一部分規則難以涵蓋的工作。
當然，這些並非簡單的技術主義對立，而是代表了不同的風險管理哲學。
「甲子光年」認為，在一個仍處於快速演進中的行業裡，與其陷入非此即彼的路線爭論，不如回到工程與風險本身，觀察不同體系各自試圖解決的問題。
過去十多年，輝達始終站在自動駕駛產業鏈的基礎層，提供算力、工具、服務幾乎所有自動駕駛路線，這讓輝達能夠在不綁定單一路線的前提下，對行業瓶頸做出判斷。
Alpamayo，本質上是輝達站在「系統工程觀點」給出的答案。
3.輝達開源之後
在Alpamayo發布後，國內自動駕駛圈內很快就有人開始討論：輝達這次是不是真的把自動駕駛模型「開源」了？相關廠商和研發者會不會因此受益？
在官方新聞稿中，輝達多次使用了「open-source」「open models」「open ecosystem」 等表述，從目前已公開的資訊來看，「甲子光年」認為，這接近於一種分層、有邊界的開源。
一方面，輝達已將Alpamayo-R1的核心程式碼在GitHub上以Apache-2.0協定公開，包括推理實作、範例腳本和開發工具。這意味著研究人員和開發者可以自由地查看、修改和擴展其推理邏輯，在技術層面具備了真正的開源屬性。同時，AlpaSim模擬框架也以完整開源的形式發布，鼓勵社群參與驗證和二次開發。這些舉措，使Alpamayo不再只是一個封閉平台或黑盒模型，而是具備可復現、可討論、可演進的工程基礎。
但另一方面，輝達對模式權重和產業級使用仍保留了明確的許可邊界。Alpamayo的模型權重雖可下載和實驗，但其使用條款更偏向研究和開發場景，並不等同於「可直接用於量產自動駕駛系統」的自由授權。官方倉庫也明確強調，Alpamayo是一套用於探索推理型自動駕駛的基礎構件，而非經過完整安全驗證的商業級自動駕駛堆疊。
從這個角度來看，輝達的「開源」並非理想主義式的全面放權，而是一種高度工程化、面向生態協作的開放策略：開放方法論、開放工具和關鍵實現，推動產業在同一技術範式下前進，同時對商業化和安全責任保持必要控制。
不過Alpamayo已經是輝達在自動駕駛領域，迄今為止「開放程度最高」的一次嘗試。輝達透過Alpamayo在自動駕駛領域釋放了一個非常清晰的訊號：推理方法、模擬驗證和工程實現，應該成為業界的公共討論基礎。
值得注意的是，Alpamayo並沒有站在傳統模組化或純端到端的任何一端。
它保留了端到端模型在感知與理解上的優勢，同時在中間明確地引入推理層，對決策過程進行結構化。這種設計，為長期陷入對立的技術路線提供了一種新的參考解法：端到端可以存在，但推理不必是黑盒。
這意味著，產業裡的路線之爭，可能逐步從「架構宗教」轉向更現實的問題：那些能力必須顯性化？那些可以繼續交給資料和模型隱性學習？
雖然Alpamayo沒有給出明確答案，但它提供了一個可驗證的樣本。
從產業結構來看，Alpamayo的發布，也意味著輝達在自動駕駛領域的角色發生了微妙變化。
過去，輝達更像是算力和工具的提供者，為不同路線「供能」；而現在，輝達則更進一步，開始對「自動駕駛該如何被建構」提出明確方法論。
如果說過去十年，是自動駕駛的“感知時代”，那麼輝達透過Alpamayo試圖開啟的，是一個更複雜、更現實的階段——
自動駕駛，終於開始講道理了。(甲子光年)