在 2026 CES 展会期间，辉达 (NVIDIA) 正式发表一套由开源 AI 模型、模拟工具与真实驾驶资料组成的完整生态系 Alpamayo ，目标是加速「具推理能力」的自动驾驶技术发展。这套系统锁定自驾车最难处理的长尾情境，也就是那些罕见、复杂、过去资料中很少出现的道路状况，希望让车辆不只是看得到，而是能像人类一样理解状况、推理因果，并清楚说明自己为何做出这样的驾驶决策。
Alpamayo 开源生态系亮相，公布三大核心
在 CES 展上，辉达执行长黄仁勋 (Jensen Huang) 对外揭露 Alpamayo 家族的完整架构，并涵盖三大核心：
-
具「思考过程」的 VLA 模型
-
全开源、高拟真的自动驾驶模拟系统
-
大规模、跨地区的真实驾驶资料库
黄仁勋表示，这套设计是为了因应自动驾驶在现实世界中，面对无法预期状况时的安全与多项挑战。
(注：VLA 模型，全文为 Vision-Language-Action，就是一种看、听懂、再动作这三件事整合在一起的 AI 模型架构。)
自驾最大痛点，长尾情境仍是安全门槛
黄仁勋指出，自动驾驶系统必须在极其多样的道路条件下运作，而真正困难的，往往不是日常情境，而是少见却高风险的状况，例如突发事故、非典型交通行为或特殊环境因素。
传统自驾架构多半将「感知」与「规划」分开处理，这种方式在遇到未知或新型状况时，扩展性有限。近年端到端学习虽有进展，但黄仁勋认为，要真正跨越长尾问题，系统必须具备「因果推理能力」，能理解事件之间的关系，而不只是套用既有模式。
Alpamayo 核心概念，要让车子能一步步想清楚
Alpamayo 家族导入思考链 (Chain-of-Thought) 概念，打造具推理能力的 VLA 模型，让自驾系统在遇到新或罕见状况时，能逐步推导行动逻辑。以下是 Alpamayo 三项主要能力：
-
视觉感知：理解道路与周遭环境。
-
语言理解：掌握情境与语意脉络。
-
行动生成：实际产生驾驶决策。
黄仁勋强调，这种设计不只提升驾驶能力，也能提高决策可解释性，有助于建立对自动驾驶安全的信任，整体系统并以辉达的 Halos 安全系统为基础。
实体 AI 迎来关键转折，自驾计程车将率先受惠
黄仁勋接著表示，实体 AI 正进入关键转折点，当机器开始能在真实世界中理解、推理并采取行动，就像 ChatGPT 改变了数位 AI 一样，而自驾计程车将是最早受益的应用之一。
他强调，Alpamayo 能让车辆在复杂环境中安全行驶，并说明自己的决策理由，这是实现可扩展自驾的重要基础。
三大支柱一次到位，打造完整开源生态系
辉达将 Alpamayo 定位为「教师模型」，并非直接部署在车上，而是作为训练、微调与蒸馏其他车载模型的基础。
(注：蒸馏，在这指的是用 Alpamayo 的推理能力，批量生产能在车上即时跑、但行为接近高手水准的自驾模型。)
一、Alpamayo 1：首款具思考链的自驾 VLA 模型
Alpamayo 1 拥有 100 亿参数规模，并以影片为输入，输出驾驶轨迹与完整推理过程，同时开放模型权重与推论程式码。目前已上架 Hugging Face，提供研究与开发使用。未来版本将扩充参数规模、推理深度与商用选项。
(注：Hugging Face 被称为 AI 界的 Github，最大亮点是开源模型集散地，整合大量的模型、资料集。)
二、AlpaSim：全开源自驾模拟平台
AlpaSim 在 GitHub 上释出，并支援高拟真感测器建模，可设定交通行为与闭环测试，同时用于快速验证与策略优化。
三、Physical AI Open Datasets：大规模真实驾驶资料
Physical AI Open Datasets 拥有超过 1,700 小时驾驶数据资料库，涵盖多地理区域与多种环境条件，聚焦罕见与复杂情境，同样于 Hugging Face 开放下载。
黄仁勋表示三者结合后，能形成一个自我强化的研发循环，加速推理型自驾技术成熟。
车厂与产业界表态支持，瞄准 Level 4 自驾
目前多家车厂与研究机构已表态关注 Alpamayo，包括 Lucid、JLR、Uber，以及研究单位 Berkeley DeepDrive。各方一致指出，具推理能力的 AI、开放模拟环境与高品质资料，将是推动 Level 4 自动驾驶不可或缺的关键。
(注：Level 1–2 是辅助驾驶，Level 3 是过渡阶段，Level 4 是真正开始不用真人司机。)
后续整合其他辉达生态系，支援商用部署
除了 Alpamayo，开发者也可搭配辉达其他平台，包括 Cosmos 与 Omniverse，并将模型整合至辉达 DRIVE Hyperion 架构，搭配 DRIVE AGX Thor 运算平台。
辉达表示，开发流程可先在模拟环境中验证效能，再进入实际商用部署，强调安全与可扩展性并重。这样的流程设计，让自动驾驶技术不必在「研究阶段」与「商用部署」之间重新打掉重来，而是能在同一套架构下，逐步从模拟走向实车。透过先在虚拟环境中反复验证安全性与稳定性，再进入实际道路测试，有助于降低风险、提升可扩展性，也让车厂与开发者在推进商用化时，能有更清楚、可控的路径。
(黄仁勋 CES 定调 2026：Vera Rubin 全面量产、AI 自驾车 Q1 上市，关键制程来自台积电)
这篇文章 辉达 Alpamayo 生态系登场：让 AI 自驾车具推理能力，还能说明决策原因 最早出现于 链新闻 ABMedia。
