NVIDIA Alpamayo 2 Super、商用利用へ開放――ただしRobotaxiの安全性は依然として試金石

NVIDIAは、340億パラメータの運転モデル「Alpamayo 2 Super」を公開した。初の一般公開版から、商用開発者はこのモデルを改変、ファインチューニング、再配布できる。今回のnvidia alpamayoアップデートが重要なのは、ライセンス上の障壁を取り除くと同時に、モデルの役割を視覚的な解釈から推論、計画、行動へと拡張した点にある。

この組み合わせにより、自動運転チームにとっての重要性はさらに増す。大規模モデルを分析し、非公開のフリートデータで適応させ、その振る舞いをより小規模なシステムへ蒸留できるようになるからだ。ただし、重みをダウンロードできることや高いベンチマーク結果だけでは、運転者なしで乗客を運べる車両の準備が整ったことにはならない。

したがって主戦場は、NVIDIAと単一のrobotaxi事業者との対決ではない。NVIDIAのオープンな教師モデル戦略と、主要な自動運転プログラムが採るクローズドで垂直統合型の開発路線との競争である。Waymoをはじめとする事業者は、独自のフリートデータ、社内シミュレーション、安全プロセス、厳格に管理された展開体制を軸に開発している。NVIDIAは、こうした統制を置き換えることなく、共有基盤モデルによってその道のりの一部を短縮できると賭けている。

NVIDIA Alpamayo 2 Superが実際に変えること

今回のリリースにより、以前発表された研究プラットフォームは、自動運転チームが検証・適応できる商用利用可能な基盤へと変わる。

NVIDIAは2026年5月31日、GTC TaipeiでAlpamayo 2 Superを初めて発表した。当時、同社は推論コードとモデル重みを夏の間に提供するとしていた。今回の一般公開は、発表からダウンロード可能な成果物への移行を約束どおり完了するものだ。

モデル重みには、Linux FoundationのOpenMDW-1.1ライセンスが適用される。NVIDIAは関連する推論コードをApache 2.0の下で配布している。これらの条件により、各社はモデルを試験する前に個別の研究目的限定の例外を交渉することなく、商用開発を進められる。

この違いは重要だ。「オープン」と説明されるモデルであっても、商用利用、再配布、派生製品には制限が課されることがある。より明確な権限があれば、robotaxi開発企業、自動車メーカー、サプライヤー、研究機関は、既知の条件の下で同じ基盤を評価できる。

340億パラメータという総数は、320億パラメータのvision-languageバックボーンと、運転出力向けのアクション要素を組み合わせたものだ。NVIDIAの従来資料では、モデルを320億パラメータのバックボーンとして説明する場合もあった。更新されたリリース概要では、システム全体を340億パラメータとしている。

Alpamayo 2 Superは、視覚的観測と言語的な推論を予測行動へ結び付けるvision-language-actionモデル、すなわちVLAモデルである。複数カメラによる運転コンテキストを受け取り、テキストによる説明にとどまらず、将来の軌跡を生成できる。

このシステムはさらに、観測と運転判断を結び付ける構造化された説明である「chain-of-causation trace」も生成する。関連する物体を特定し、衝突要因を説明し、高レベルの行動を選択したうえで、車両の動きを予測できる。

この出力は、歩行者、信号機、車線標示を認識するだけではない。モデルは、特定の物体がなぜ重要なのか、車両がどう対応すべきかを表現するよう設計されている。この重点により、Alpamayoは単純な認識モデルではなく、オフラインの教師モデル兼開発ツールとなる。

NVIDIAは入力も、前方中心のカメラから6台のカメラによる360度カバーへ拡張した。各カメラの過去4フレームが、モデルに時間的な文脈を与える。合流、車線変更、交差点での移動時には、車両の横や後方で起きている事象も考慮できる。

軌跡出力は、0.1秒間隔の64ウェイポイントを通じて6.4秒間をカバーする。各点は、車両座標系における予測位置と向きを表す。これらの出力は、評価ツール、ラベリングワークフロー、または下流の計画システムに利用できる。

メタアクションがさらに一層を加える。モデルは、詳細な経路を表す前に、停止、譲る、車線変更といった高レベルの判断を割り当てられる。開発者は、宣言された意図を、得られた軌跡や推論トレースと比較できる。

したがって、直近の変化はパラメータ数の増加以上のものだ。NVIDIAは、重み、コード、ライセンスが商用実験を支えるマルチ出力の教師モデルを公開した。これはクローズドな開発プログラムに圧力をかけるが、運用面での優位性を消し去るものではない。

オープンなRobotaxiモデルがクローズドスタックに圧力をかける理由

NVIDIAは、Waymo級のデータやインフラ運用を持たないチームにも、自動運転研究における高コストな層を利用可能にしようとしている。

垂直統合型のrobotaxi企業は、ほぼすべての関連入力を管理している。フリートデータを収集し、難しいシーンにラベルを付け、独自モデルを学習させ、シミュレーションシステムを運用し、リリースを検証し、公道上の車両を管理する。この統制は一貫性を支える一方で、多額の資本と専門人材を必要とする。

Alpamayo 2 Superは別の出発点を提示する。チームはモデルを使ってシーンを分析し、軌跡を提案し、推論ラベルを作成し、より小規模なモデルを監督できる。推論に関する実験のたびに、ランダムに初期化されたコンポーネントや汎用visionモデルから始める必要はなくなる。

今回のリリースは、有用な運転データを持ちながら成熟した基盤モデルを欠く企業にとって特に重要だ。自動車メーカーは量産車から得た動画を保有しているかもしれない。サプライヤーは特定のセンサー構成を理解しているかもしれない。大学は優れた評価手法を持ちながら、学習能力には制約があるかもしれない。

オープンな重みにより、こうした組織はローカルな専門性を共通の基盤と組み合わせられる。地域の交通パターン、異なるカメラ配置、社内の運転ポリシーに合わせてモデルをファインチューニングできる。また、機微なフリート動画をクローズドな外部APIへ送ることなく、失敗例を検査することも可能だ。

NVIDIAによれば、従来のAlpamayoモデルは累計で約40万回ダウンロードされた。この数字は関心を測るものであり、本番導入を示すものではない。それでも、研究者が汎用的な視覚推論システムと完全に独自の自動運転スタックの中間に位置する、運転特化モデルを求めていることを示している。

より広範なプラットフォームも、この提案を強化する。Alpamayoは、Physical AI Autonomous Vehiclesデータセット、AlpaSimシミュレーション、AlpaGymトレーニング、NVIDIAのNuRec再構成技術と接続されている。各コンポーネントは、記録データと検証済みの運転ポリシーの間にある異なる段階を担う。

オープンな運転データセットには、25カ国、2,500超の都市で収集された1,727時間分の運転データが含まれる。NVIDIAは、コレクション全体でマルチカメラとlidarをカバーする310,895本のクリップを報告している。レーダーは163,850本のクリップに含まれる。

これらの数字は、主要商用フリートが蓄積したデータ規模には及ばない。ただし、公開アクセスによって小規模チームにも、実験と比較のための一貫した基盤が与えられる。独自の制限付きデータを追加する前に、ワークフローの一部を再現できる。

NVIDIAはポストトレーニングのレシピも提供している。これにより開発者は、教師ありファインチューニングや強化学習を用いて事前学習済みモデルを適応させられる。レシピはセットアップ作業を減らすが、慎重なデータ選択、報酬設計、検証の必要性をなくすものではない。

ここでクローズドスタックへの圧力が具体的になる。NVIDIAはWaymoと乗車ごとに競合する一般向けrobotaxiサービスを提供しているわけではない。基盤となる開発インフラの一部を、再利用可能な製品レイヤーへと変えている。

このアプローチは、他のAI市場におけるNVIDIAの戦略に似ている。同社はコンピュート、ソフトウェアライブラリ、参照モデル、デプロイメントツールを供給し、顧客が最終アプリケーションを構築する。自動運転では、この戦略によってNVIDIAの役割は車載ハードウェアから、学習データ、シミュレーション、推論、モデル開発へと広がる。

共有基盤は、労働効率も改善しうる。Alpamayo 2 Superは、未加工のクリップから構造化ラベルを生成する推論オートラベリングをサポートする。NVIDIAによれば、このプロセスはアノテーションサイクルを数カ月から数日に短縮できるという。ただし独立したチームは、自らのワークフローでその主張を検証する必要がある。

経済的な問いは、1つのモデルが自動運転部門を置き換えられるかどうかではない。置き換えることはない。問われるのは、オープンな教師モデルが十分な反復作業を取り除き、より多くの企業が特化型の運転システムを学習できるようにするかどうかだ。

それが実現すれば、クローズドなプログラムはより広い開発者層との競争に直面する。独自データと展開経験は依然として価値があるが、高度な運転モデルへの排他的アクセスを正当化することは難しくなる。

仕組みは教師モデルであり、すべての車に搭載する340億パラメータのコンピュータではない

Alpamayo 2 Superは、フルサイズでは直接的なリアルタイム車両制御に適さないため、より小規模な運転モデルを教えるよう設計されている。

340億パラメータのモデルには、大量のメモリと計算能力が必要となる。自動運転車には、予測可能な応答時間、制御された消費電力、冗長化された安全動作も求められる。こうした制約から、フルモデルを直接デプロイすることが標準的な選択になる可能性は低い。

NVIDIAは代わりに、Alpamayo 2 Superをオフラインの教師モデルとして位置付けている。教師モデルは、より小規模な生徒モデルが模倣できるよう、ラベル、説明、軌跡、中間特徴を生成する。生徒モデルはその後、より低いレイテンシーで車載ハードウェア上で動作できる。

より大規模なモデルから小規模なモデルへ振る舞いを移す蒸留は、この計画の中心だ。開発者は、NVIDIA DRIVE AGX Thorや他のターゲットプラットフォーム向けにコンパクトなポリシーを学習させる際、Alpamayoの出力を教師信号として利用できる。

モデルはこのプロセスを複数の方法で支援できる。第一に、生の運転動画に物体や空間的参照をラベル付けできる。第二に、相互作用を説明するchain-of-causation traceを生成できる。第三に、メタアクションと詳細な軌跡を提案できる。

駐車中のバンによって自転車利用者が一部隠れた交差点に、車両が接近する場面を考えてみよう。従来のラベルは自転車利用者の位置を特定するだけかもしれない。Alpamayoはさらに、遮蔽と不確実性を結び付け、譲ることを推奨し、より低速の軌跡を生成できる。

こうしたより豊かな出力は、開発者が意図と動きの不一致を見つける助けになる。トレースでは譲ることを推奨しているのに、軌跡は依然として攻撃的すぎる場合がある。このような不整合は有用なテストケースとなるが、テキストそのものを安全な内部推論の証拠として扱ってはならない。

モデルは、二次元グラウンディングを伴う視覚的質問応答もサポートする。開発者は、どの物体が判断に影響したかを尋ね、その回答をカメラ画像内の領域に結び付けられる。これはデータチームによるアノテーションの監査や、異常なシーンの特定に役立つ可能性がある。

全周囲入力は、こうした用途を広げる。車線変更は前方視界だけでなく、車両の横や後方の交通にも左右される。6カメラ入力により、教師モデルは車両全体の周囲でラベルと軌跡を生成するための、より多くの文脈を得られる。

NVIDIAは、約11万5,000時間のマルチカメラ運転動画と、約370万件のchain-of-causation traceで学習したと報告している。これらは同社提供の数値であり、すべてのサンプルの多様性や品質を示すものではない。今回の公開では、基盤となるコーパス全体は公開されていない。

この制約は重要だ。まれな事象は相互に代替可能ではない。モデルは多くの珍しい場面に遭遇していても、実運用での失敗につながる特定の地域的、行動的、環境的条件を見落としている可能性がある。総走行時間だけでは、困難なケースが特定のサービスエリアに偏っているかどうかは分からない。

AlpaGymは、この仕組みの別の側面に対応する。従来のオープンループ評価では、予測を記録済みの人間の軌跡と比較する。シーンはすでに発生済みであるため、モデルの行動は次に何が起きるかを変えない。

クローズドループ評価では、予測された行動がシミュレートされた環境を変化させる。わずかな操舵誤差が次のカメラ映像を変える。他のシミュレーション上の道路利用者も反応できる。誤差は、記録済みフレームごとにリセットされるのではなく、時間とともに蓄積し得る。

NVIDIAのクローズドループワークフローは、AlpaGymとAlpaSimを接続する。強化学習はその後、シミュレーション内での意思決定の結果に基づきポリシーを調整する。

このフィードバックは運転にとって決定的に重要だ。システムは記録済みクリップ内で妥当な次の軌跡を予測できても、複数の連続した意思決定の後には、軌道を外れたり、ためらったり、危険な相互作用を生み出したりする可能性がある。クローズドループ試験は、単一ステップの精度では見えない失敗を明らかにする。

NVIDIAの手法は、大規模な教師モデル、自動ラベリング、コンパクトな生徒モデル、反復的なシミュレーションを組み合わせる。この仕組みが、このリリースが通常のチェックポイント公開より重要である理由を説明している。提供されるのは単なる視覚モデルではなく、開発ループだ。

ただし、このオープン戦略には依存関係も組み込まれている。最も統合された経路では、NVIDIAの学習用ハードウェア、シミュレーションソフトウェア、再構成ツール、車載コンピュートを利用する。開発者は再利用可能なスタックにアクセスでき、NVIDIAは自動車エンジニアリングのパイプラインへ入る新たな経路を得る。

強力なベンチマークでもロボタクシー実用化の準備度は測れない

Alpamayo 2 SuperはNVIDIA公表の試験で首位に立つが、そのスコアが測るのは公道での安全性ではなく、運転知能の構成要素だ。

公開された技術分析によれば、Alpamayo 2 SuperはLingo-Judge指標を用いたLingoQAで79.2を記録した。LingoQAは、質問と回答を通じて運転映像に関する推論を評価する。

NVIDIAの結果では、このモデルはQwen2.5-VL 72Bを17ポイント、Gemini 2.5 Proを15.1ポイント、GPT-4oを23.2ポイント上回った。評価対象となった約40モデルの中で首位に位置した。

これらの比較は、運転専用モデルが運転推論ベンチマークにおいて汎用の視覚言語システムを上回り得ることを示している。しかし、商用自動運転フリートを運用するプロプライエタリシステムに対して同等の優位性があることを示すものではない。

GPT-4oのような汎用モデルは、Waymoの運転ポリシーとして使われているわけではない。LingoQAでこれを上回ることは視覚推論に関して有益な情報だが、ロボタクシー同士の直接対決の結果ではない。比較対象となるプロプライエタリシステムは、同一の公開評価には利用できない。

NVIDIAはまた、再構成された910件のNuRecシナリオにおいて、マージン0.13でAlpaSimのクローズドループスコア1.50を報告している。意思決定が後続の状態を変えるため、クローズドループ試験は実運用により近い。それでも、シミュレータの品質とシナリオの選定が試験の境界を規定する。

別の公表結果では、937件の困難なサンプルを対象に、オープンループでの軌跡精度を測定している。Alpamayo 2 Superは、6つの候補軌跡を考慮した場合、6.4秒時点で最小平均変位誤差0.911メートルを記録した。

最小変位誤差は、複数の出力のうち最も近い候補を評価する。これは、モデルがもっともらしい将来を表現できていたかを測るうえで役立つ可能性がある。しかし、実運用されるコントローラが一貫して最も安全な候補を選択することを意味するわけではない。

各指標は一つの能力を切り出している。LingoQAは運転シーンに関する回答を試験する。オープンループの変位は軌跡の類似性を試験する。AlpaSimは再構成シミュレーション内の振る舞いを試験する。どれも無人サービスの運用負荷全体を統合してはいない。

公道での実用化準備度は、センサーキャリブレーション、自己位置推定、地図、車両制御、天候対応、遠隔支援、保守、サイバーセキュリティ、フォールバック動作、インシデント対応にも左右される。基盤モデルが扱うのは、そのシステムの一部にすぎない。

推論トレースは別の評価上の課題を生む。モデルは、基礎となる意思決定が誤った信号に依存している場合でも、一貫性があるように聞こえる説明を生成できる。言語モデルはもっともらしい文章を生成するよう学習されているため、流暢さだけでは因果的忠実性を確立できない。

「因果の連鎖」という表現は、通常の根拠説明以上のものを示唆する。それは、トレースが実際に行動を生んだ観測を特定していることを意味する。独立試験では、それらの観測を変えた際に、提示された理由と計画軌跡の両方が変化するかを確認しなければならない。

例えば、評価者は他の詳細を維持したまま、シーンから関係する歩行者を取り除くことができる。忠実なモデルであれば、説明と行動を更新するはずだ。説明だけが変わって軌跡が変わらない、あるいはその逆であれば、そのトレースは因果的ではなく記述的である可能性がある。

ベンチマーク汚染にも注意が必要だ。正確なテストラベルが保護されていても、公開評価セットは研究上の選択に影響を与え得る。同じ種類の課題に対する反復的な最適化は、未知の交通環境における改善に見合わないまま、スコアだけを高める可能性がある。

地理的な違いは、さらに不確実性を加える。運転慣行は都市、国、道路設計ごとに異なる。北米で四方向停止を扱えるシステムでも、標識のない欧州の交差点や、アジアの密集したスクーター横断では異なる期待に直面する可能性がある。

報告された結果は依然として有用だ。開発者にとっては、ファインチューニングやシミュレーションへの投資前に参照点を提供する。また、将来のオープンリリースとの比較もしやすくする。

しかし、最も重要なベンチマークは独立チームからもたらされる。彼らは結果を再現し、反実仮想シーンを試験し、介入率を測定し、意図する運用領域全体の失敗を記録する必要がある。

NVIDIAが公開したのは、有能な研究用ツールだ。340億パラメータのモデルが商用ロボタクシーに必要な安全ケースを独力で満たせるという証拠を公開したわけではない。

オープンライセンスはアクセスを広げるが、説明責任を広げるわけではない

商用利用の許可によりAlpamayoは導入しやすくなるが、派生システムの検証責任は各導入者に残る。

OpenMDW-1.1は、通常のソフトウェアだけでなくモデル配布のために作られた。これは、重み、パラメータ、アーキテクチャ、スクリプト、ドキュメント、関連するモデル素材を、一つのライセンス構造の下で対象とする。

Linux Foundationのライセンスは、対象モデルを学習、変更、再配布、デプロイする権利を付与する。これにより、開発者は曖昧な「オープンモデル」というラベルよりも明確さを得られる。

Apache 2.0は、推論コードに対してよく知られた役割を果たす。チームは実装を調査し、社内ツールに統合し、確立されたソフトウェア条件の下で変更できる。モデルライセンスは、ソフトウェアライセンスが対象とするよう設計されていない成果物を別途扱う。

商用利用のしやすさが最も重要になるのは、組織が研究室での評価を超えて進むときだ。サプライヤーは派生モデルを構築でき、自動車メーカーはフリートデータでファインチューニングでき、スタートアップは適応済みの出力を有償開発製品に組み込める。

それでも、寛容なライセンスは安全認証ではない。特定の車両、センサー構成、都市、規制環境に適合することを保証しない。また、失敗に関する責任を導入者からNVIDIAへ移転するものでもない。

開発者は、モデルカード、許容利用条件、学習に関する開示、制約を確認しなければならない。また、どの成果物にOpenMDW-1.1が適用され、どのコードリポジトリにApache 2.0が適用されるかを確認すべきだ。「オープン」であっても、接続されたすべてのデータセットが同一条件であるとは限らない。

フリートデータには別の義務が伴う。カメラ映像には、顔、ナンバープレート、自宅の位置、センシティブな移動パターンが含まれ得る。私有の運転記録で公開モデルをファインチューニングするには、ベースライセンスでは提供できないガバナンスが必要となる。

生成ラベルにも同じことが当てはまる。自動アノテーションは手作業を減らせるが、誤りは大規模に生徒モデルへ伝播する可能性がある。偏りのある教師モデルは、一つの見逃されたエッジケースを、確信度の高い数千件の学習例に変えてしまう可能性がある。

そのためチームには、自動ラベルを人間の判断や測定可能な結果と比較するレビュー体制が必要となる。容易なシーンだけをサンプリングすれば、誤解を招く自信につながる。レビューは曖昧で重大な結果を招く事象に集中すべきだ。

共通モデルが共有依存関係になると、セキュリティリスクも高まる。研究者はオープンチェックポイントを調査して改善できるが、攻撃者も同様に分析できる。車両開発者は、敵対的入力、改ざんされたカメラフィード、サプライチェーンの変更、不安全なファインチューニングを評価しなければならない。

教師モデルのアーキテクチャは、実運用車両とのある程度の分離を提供する。チームは完全な公開チェックポイントを量産車に搭載する必要はない。選択した能力を制御された生徒モデルへ蒸留し、決定論的な安全策で囲むことができる。

この分離には価値があるが、同時に説明責任を複雑にする。失敗の原因は、教師モデル、非公開のファインチューニングデータ、蒸留プロセス、コントローラ、統合レイヤーのいずれにもあり得る。各変換には追跡可能な評価が求められる。

推論テキストは、エンジニアがこうした変換を記録する助けになる可能性がある。ラベリング時に教師モデルが何を考慮したかを示し、特定の不一致を見つけやすくできる。しかし規制当局には、それらの説明と信頼できる振る舞いを結び付ける実証的証拠が必要になる。

オープンリリースは、複数の研究機関が同じモデルを試験できるようにすることで、この証拠基盤を改善し得る。独立研究者は、APIアクセスに依存せず、反例を設計し、評価手法を比較し、失敗事例を公表できる。

最も望ましい結果は、盲目的な導入ではなく、モデルを中心とした共有の試験文化だ。公開された重みは精査を可能にする。ただし、商用期限の前にその精査が行われることを保証するものではない。

NVIDIA Alpamayoの重要性を示す3つのシグナル

次の段階は、独立した再現、成功する蒸留、そしてオープンツールが実際の運転プログラムを改善する証拠にかかっている。

第一のシグナルは、NVIDIA外部での再現可能な評価だ。研究者は構成を公開しながら、LingoQA、AlpaSim、無関係なデータセット上で公開チェックポイントを実行すべきである。独立したセットアップでも結果が強ければ、NVIDIAの性能主張を補強することになる。

反実仮想テストは特に価値が高い。評価者は信号を変更し、障害物を取り除き、ナビゲーション指示を変え、周囲の車両を移動させることができる。その後、モデルの推論トレース、メタアクション、軌跡を比較できる。

これらの出力間の一致は、Alpamayoが関連する原因を追跡しているという考えを裏付ける。矛盾があれば、テキストによる説明が検証を改善するという主張は弱まる。どちらの結果でも、単一のリーダーボード順位より多くの洞察を提供する。

第二のシグナルは、チームが教師モデルを小型モデルへ蒸留し、ロングテールにおける利点を失わずに済むかどうかだ。車両のレイテンシーおよび信頼性の制約を満たすシステムへその振る舞いを移せないなら、大規模なオフラインモデルの商業的価値は限られる。

開発者は、蒸留後の学生モデルの規模、ハードウェア、応答時間、消費電力、性能を報告すべきです。また、圧縮前後でレアイベント時の挙動も比較する必要があります。平均精度では、Alpamayoが対処するために設計された失敗を、まさに見えにくくしてしまう可能性があります。

コンパクトなモデルがDRIVE AGX Thor上で一貫して動作する証拠が得られれば、NVIDIAのフルスタック戦略はより説得力を増します。推論や軌跡の品質が大きく低下すれば、340億パラメータの教師モデルは、直接的なポリシー開発よりもラベリング用途で依然として有用であることが示されるでしょう。

3つ目のシグナルは、実際の自動運転プログラムでの採用です。ダウンロード数やGitHubでの活動は関心を示しますが、組織が本番ワークフローを変更したかどうかまでは分かりません。具体的な統合事例、安全性研究の公開、サプライヤーとの提携の方が、より大きな意味を持ちます。

最も信頼できる報告は、限定的で明確な貢献を示すものです。ある企業は、自動推論ラベルによって交差点シーンのレビュー時間が短縮されたことを示すかもしれません。別の企業は、AlpaGymがオープンループ試験では見逃された失敗を明らかにしたことを実証するかもしれません。

Alpamayoがロボタクシー全体を「支えている」とする主張は、運用上の詳細がなければ情報価値が低くなります。自動運転車は、多数のモデル、ルール、センサー、フォールバックシステムを組み合わせています。基盤モデルが担う正確な役割は、明確に見える状態でなければなりません。

競合他社の対応も採用を左右します。他のチップメーカー、自動車メーカー、研究グループも、同様に寛容な条件で運転特化の基盤モデルを公開できます。そうなれば、オープンな自動運転は単一ベンダーのプログラムではなく、真のモデル市場へと変わるでしょう。

クローズドなロボタクシー分野のリーダー企業は、別の判断を迫られます。自社のプロプライエタリシステムの方が成熟しているとしてこのリリースを無視することもできますし、ラベリングや評価といった二次的なタスクでオープンなコンポーネントを利用することもできます。限定的な利用であっても、NVIDIAのインフラ戦略を裏付けることになります。

nvidia alpamayoのリリースは、オープンとクローズドのどちらの自律走行がより安全な車両を生み出すのかという問題に決着をつけるものではありません。しかし、技術競争に誰が参加できるのか、そして何を検証できるのかを変えるものです。

開発者は、導入の約束ではなく、焦点を絞った評価から始めるべきです。地域固有のシーンに対してモデルをテストし、すべての成果物にわたってライセンスを確認し、反実仮想の入力で説明を検証してください。その後、クローズドループ試験の下で、そのラベルと軌跡がより小規模なポリシーを改善するかを測定します。

企業の購入担当者にとっても、中心となる問いは同様に実践的です。Alpamayoは検証済みのエンジニアリング作業を減らすのか、それともレビューを要する成果物を増やすだけなのか。今後数カ月で、最初の信頼できる答えが得られるはずです。それまでは、NVIDIAはロボタクシースタックの重要な層を開放した一方で、最も困難な証拠はなお実際の道路から得られる必要があります。