1 背景

        自动驾驶行业发展多年，常规场景（城市主干道、高速巡航）已经有不错落地效果，但长尾极端场景始终是量产和 Robotaxi 规模化的最大瓶颈。传统自动驾驶方案：感知→预测→规划→控制，模块解耦、大量人工规则，遇到训练集没见过的罕见场景容易失效，而且决策黑盒，难以解释 “车为什么做出这个动作”，给安全审计带来巨大挑战。

        大模型浪潮下，物理 AI（Physical AI）成为自动驾驶新方向，核心思路：模型理解环境、做推理、直接输出驾驶动作。NVIDIA Alpamayo 正是为此而生 —— 一套面向自动驾驶、Robotaxi 的开放视觉语言动作 VLA 推理模型家族，不是单一模型，而是模型 + 仿真框架 + 数据集 + 开发工具的完整栈，也是英伟达在自动驾驶端到端大模型赛道的核心产品NVIDIA。

2 Alpamayo核心架构

2.1 什么是 NVIDIA Alpamayo

        Alpamayo 是 NVIDIA 推出的Reasoning VLA（Vision-Language-Action，视觉 - 语言 - 动作）模型家族，基于 Cosmos 世界基础模型构建，专门解决真实世界复杂、不可预期的驾驶场景，核心亮点：因果链推理 Chain-of-Causation。

简单一句话区别：

• 传统自动驾驶：看到物体→按预设规则输出轨迹，没有思考过程
• Alpamayo：读取多相机视频 + 导航信息，理解场景，一步步推理风险，同时输出行驶轨迹 + 可审计的推理文本，可以解释为什么减速、避让、变道NVIDIA

        Alpamayo 属于开放模型，支持商用授权，权重开源（Apache2.0），开发者可以在 HuggingFace、GitHub 获取模型权重，二次微调、蒸馏、压缩，用于自动驾驶算法研发、仿真测试、自动标注、小模型蒸馏。最新版本 Alpamayo 2 Super，34B 参数，面向 Robotaxi 全场景自动驾驶开发NVIDIA。

2.2 模型版本

        Alpamayo 提供多尺寸版本，适配从仿真研发到车载端侧轻量化不同需求：

1. Alpamayo 1 Nano /1.5 Nano：轻量版本，小参数量，适合学习、小规模实验；
2. Alpamayo 1 / 1.5（10B 参数）：初代主力版本，支持最多 4 路相机输入，验证 VLA 因果推理方案；
3. Alpamayo 2 Super（34B）：当前旗舰，32B Cosmos3 Super 推理主干 + 2B 扩散 Action Expert 动作专家，支持最多 7 路相机 360° 全景感知，长尾场景推理、3D 空间理解、轨迹预测大幅增强，面向 Robotaxi 复杂城市场景开发NVIDIA。

2.3 核心架构拆解

        Alpamayo 采用模块化双分支架构：Cosmos 推理主干 + Diffusion 动作专家

1. 输入层：多路相机视频流、自车历史运动信息、导航指令、可选文本提示；经过视频、运动、语言编码器编码；
2. Cosmos Reasoner（主干，VLM 推理大模型）：理解多模态驾驶场景，输出因果推理链（Chain-of-Causation），用自然语言描述决策逻辑：例如 “前方路边行人突然走向车道，距离 8 米，有横穿风险，需要减速并保持横向避让空间”；
3. Action Expert 动作专家（扩散模型）：接收主干模型的场景表征，生成满足动力学约束的车辆行驶轨迹、元动作；
4. 输出：自车规划轨迹 + 完整推理日志 + VQA 场景问答结果。

核心创新点：把驾驶决策的思考过程显式输出。推理日志可以用于安全审计、问题定位、仿真调试，解决端到端自动驾驶最大痛点 —— 决策不可解释。

        整个模型栈和 NVIDIA Cosmos 仿真平台深度绑定，可以在仿真环境批量生成海量长尾场景，做闭环训练与验证，大幅降低实车采集成本。

3 总结

        NVIDIA Alpamayo，是英伟达面向物理 AI 时代推出的自动驾驶 VLA 推理大模型家族，核心杀手锏是 Chain-of-Causation 因果推理，把自动驾驶决策从黑盒变成可追溯、可审计，专门攻克长尾场景难题。 Alpamayo 2 Super 34B 版本支持全车 7 相机 360° 感知，开放商用许可，搭配 Cosmos 仿真、Halos 安全系统，提供一套完整端到端自动驾驶研发工具链。

        它标志自动驾驶正式从 “识别 + 规则” 时代，走向具备场景推理能力的物理 AI 时代。当然，大模型只是基础设施，自动驾驶最终落地依然离不开海量场景验证、安全体系、工程化打磨。