黄仁勋宣布开源VLA模型，自动驾驶门槛一夜之间大幅降低

2026-02-13 17:47:12来源：网络作者：admin

不同的是，皮夹克换成了更贵的鳄鱼皮，也没有像往届一样发布备受关注的游戏显卡，这是五年来，英伟达首次在CES却没有发布电脑显卡。

取而代之的是物理AI，黄仁勋在90分钟的新年第一讲中，藏不住对AI世界的野望，用他自己的话说，今天这里要“塞进去”的内容大概有15公斤那么多。

从前沿的算力架构、自动驾驶，到庞大的开源模型生态，再到多模态AI应用、物理AI、边缘计算等未来的AI应用，英伟达全都要。

黄仁勋认为：“物理AI的‘ChatGPT时刻’近在咫尺，但挑战很明确。物理世界多样且不可预测。收集真实世界训练数据缓慢又昂贵，而且永远不够。所以答案是合成数据”?。

而在其看来，自动驾驶将会是最早受益的应用之一。

01 奔驰先吃螃蟹

“我们正站在一个关键拐点上——从‘非自动驾驶’向‘自动驾驶’过渡。这个转变，很可能就在未来十年内发生。”黄仁勋相当确信，全球将有非常非常大比例的汽车，会实现自动驾驶或高度自动驾驶。

在90分钟的演讲中，有关自动驾驶的内容占据了很大比重。

由于其开源了英伟达最新的自动驾驶大模型Alpamayo，除了模型本身，连训练这些模型所用的数据也一并开源了。这就意味着，不少之前缺乏VLA模型开发经验的中小团队，也能拥有和行业巨头相当的技术积累，自动驾驶的研发门槛在一夜之间就被大幅降低了。

黄仁勋表示，这是全球首个具备思考、推理能力的自动驾驶汽车AI，其中包括全球首个用于自动驾驶的开源推理VLA模型Alpamayo R1，和用于高保真自动驾驶测试的完全开源仿真框架AlpaSim。

按照黄仁勋的说法，Alpamayo实现了真正的端到端闭环：覆盖从摄像头输入到执行器输出的完整链路。它不仅采用了海量人类驾驶员积累的真实行驶里程数据，还整合了Cosmos生成的大量合成里程数据。在此基础上，更有数十万个经过超高精度标注的样本，专门用于训练车辆掌握驾驶技能。

Alpamayo最大的突破在于它是“推理型”自动驾驶模型，用以解决驾驶存在着极其庞大的“长尾问题”。

传统自动驾驶系统是“感知-规划-控制”的流水线架构，看到红灯就刹车，看到行人就减速，遵循预设规则。而Alpamayo引入了“推理”能力，理解复杂场景中的因果关系，预测其他车辆和行人的意图，甚至能处理需要多步思考的决策。

在十字路口，它并非仅仅识别出“前方有车”，而是能够推断“那辆车或许要左转，因此我应当等它先通过”，这种能力使自动驾驶从“依规则行驶”进阶为“如同人一般思考”。在现场演示里，老黄展示了一段Alpamayo全程无接管的点到点演示视频。

这其中得益于Cosmos物理AI世界基础模型，用海量视频、真实驾驶与机器人数据，以及3D模拟做过预训练，它能理解世界是怎么运行的，把语言、图像、3D和动作联系起来。

依据3D场景生成逼真的视频，根据驾驶数据生成符合物理规律的运动，还能从模拟器、多摄像头画面或文字描述生成全景视频，就连罕见场景，也能还原出来。

结果就是，规划精度提升12%、越界率降低35%、近碰率降低25%、推理-行动一致性提升37%、端到端延迟降低到99ms。

之所以能够解决驾驶中的“长尾问题”，黄仁勋用了更通俗易懂的话来表述，核心在于“拆解”。

黄仁勋承认，我们不可能收集到在每一个国家、每一种环境、每一种条件下、对所有人群来说、可能发生的每一个场景的数据。然而非常重要的一点是，如果把这些场景拆解成许多更小的子场景，它们其实对人类来说都是非常常见、非常容易理解的情况。

“这些长尾场景可以被分解为一系列“正常情况”，而车辆已经知道如何应对这些情况，它只需要对当前情境进行推理即可。”

为了解决“没有人能在‘无限长时间的真实驾驶’之前，百分之百确信它绝对安全”的问题，黄仁勋在Alpamayo还是用了一整套完整的自动驾驶栈，用来兜底。

简单来讲，两套软件系统互为镜像、对照运行，同时配备一套策略与安全评估器，用于判断当下的驾驶场景是否拥有足够高的置信度，足以支撑安全的推理与驾驶操作。若评估结果为是，便由Alpamayo负责执行；若评估认为需要回退至更简单、更安全的护栏系统，那么系统就会切换回传统的自动驾驶软件栈。

黄仁勋表示，搭载英伟达自动驾驶软件的全新奔驰CLA是全球唯一同时运行这两套自动驾驶系统的汽车。

没错，奔驰是第一个吃螃蟹的，新款奔驰CLA会首发搭载英伟达Alpamayo方案，而且在刚刚黄仁勋展示的Demo中，并没有隐藏车辆信息，正是全新奔驰CLA。

其也宣布，将于今年第一季度在美国正式上路，随后在第二季度进入欧洲，他还预计第三和第四季度会进入亚洲。

另外，开源的仿真框架AlpaSim也已在GitHub开放，能够高保真验证自动驾驶系统，为开发者提供安全、可扩展的虚拟测试环境。

“开发者还可以使用Cosmos生成合成数据，并在真实数据和合成数据的结合上训练和测试基于Alpamayo的自动驾驶应用。”英伟达汽车部门副总裁Ali Kani表示。

02 物理AI的ChatGPT时刻快来了

作为开年第一讲，绝不仅仅只涉及自动驾驶，重头戏更在物理AI的计算跃进上，Alpamayo也只是其中一环。

在整个AI体系中，最重要的莫过于，其面向人工智能数据中心的全新计算平台 Vera Rubin，黄仁勋在演讲中花了近 10 分钟来介绍其设计初衷、架构、技术细节等信息。

据黄仁勋介绍，AI 所需的计算量正在飙升，对英伟达 GPU 的需求也急剧增长。这是因为 AI 模型的规模每年都在以10倍的速度增长，而Vera Rubin 超算正是为了应对目前行业面临的根本性挑战而设计。

Vera Rubin架构整合了Vera CPU、Rubin GPU、NVLink 6交换机、ConnectX-9 SuperNIC、BlueField-4数据处理单元（DPU）与Spectrum-6以太网交换机这六类核心芯片，并对它们进行协同化设计，以此达成更高效的数据共享与更低的延迟表现，进而为大规模AI模型的训练及推理过程提供优化支持。

其中，硬件的核心部分为Rubin GPU与Vera CPU。英伟达Rubin GPU作为Rubin架构里承担AI计算任务的核心芯片，旨在大幅削减推理和训练的单位成本；Vera CPU则是专门针对数据移动以及Agentic处理而设计的核心组件。

NVLink-6承担GPU内部协同计算的职责，BlueField-4负责上下文与数据调度工作，ConnectX-9则负责系统对外的高速网络连接。它保障了Rubin系统能与其他机架、数据中心及云平台高效通信，是大规模训练和推理任务顺利开展的必要前提。

繁琐的专业话术不再赘述，核心思路就是，不再依靠堆卡，而是把整个数据中心变成一台AI超算，相比参数，结果更重要。

结果是，和上一代Blackwell平台相比，性能提升幅度达到5倍之高，而功耗仅增加1.6倍。这让Vera Rubin架构在整体上能在相同时间里训练大型“混合专家”（Mixture of Experts, MOE）AI模型，还可以把推理阶段的token成本最多降低10倍，同时将训练混合专家模型（MoE）需要的GPU数量减少到原来的四分之一。