黄仁勋发布 Alpamayo 2 Super：自动驾驶黑箱终于被打开了

"Alpamayo 标志着汽车从‘单纯驾驶’迈入‘安全推理’时代。"

黄仁勋在英伟达 GTC 台北 2026 大会现场这样说道。

在近两个小时的演讲中，他不仅发布了专为智能体设计的 Vera CPU、AI 工厂实战指南 DSX 平台、RTX Spark 超级芯片等产品，更在汽车行业最为关注的自动驾驶领域推出了开放推理模型—— NVIDIA Alpamayo 2 Super。

这是一个 320 亿参数的开放视觉 - 语言 - 动作推理模型（Reasoning VLA），能够在完整驾驶堆栈中进行推理、规划与行动，从而为更安全、可规模化的 L4 级自动驾驶开发提供支持。

当然，这不是一次简单的模型升级，而是一场从 " 模仿驾驶 " 到 " 安全推理 " 的根本范式转移。

大会上，黄仁勋发布的产品从底层芯片到上层基础设施，从数据中心到个人 PC，从云端智能到物理机器人，标志着英伟达正在经历从 "GPU 供应商 " 向 "AI 基础设施运营商 " 的根本性转变。

01 Alphamale 2：自动驾驶迈入推理新阶段

Alpamayo 2 的核心突破在于 " 可解释性 "。

传统端到端自动驾驶模型如同一个沉默的老司机，人们无法知道其决策过程。但 Alpamayo 2 则像一个 " 话痨司机 "，车辆可以用自然语言实时解释每一步决策，例如 " 由于前方静止车辆阻挡车道，向左微调 "、" 为左侧切入车辆让行 "、" 停车让行穿越交通 "。这种 " 思维链 " 外化能力，显然更有利于获得人们的信任。

技术规格上，Alpamayo 2 实现了三项关键升级：360 度全景感知（从前摄像头扩展至前、侧、后方），为变道、并线和交叉路口通行提供完整场景信息；新增 " 元动作（Meta-Action）" 输出，包括让行、变道和停车等宏观决策，使模型能够为下游规划提供高级驾驶指令；以及具有 2D 定位的推理自动标注，将标注周期从数月压缩至数天，重塑辅助驾驶数据管线的成本结构。

更值得关注的是其 " 教师 - 学生 " 蒸馏架构。320 亿参数的 Alpamayo 2 Super 作为教师模型，可被蒸馏为紧凑型模型，运行在 NVIDIA DRIVE AGX Thor 车载计算平台上。这意味着车企无需从零构建大模型，就能通过英伟达的开放生态获得 " 即插即用 " 的推理能力。

自发布以来，Alphamayo 系列下载量已接近 40 万次，并荣获 COMPUTEX Best Choice Award 车辆技术和智能座舱类别奖。

黄仁勋对大模型的评价是："Alphamayo 标志着汽车从 ' 单纯驾驶 ' 迈入 ' 安全推理 '。只有英伟达能够提供开放模型、仿真环境、现实世界数据以及智能体技能，支持全球无人驾驶出租车生态系统开发出理解边缘场景、解释自身决策、赢得公众信任，并安全地规模化部署到数百万台车上的 L4 级能力。"

如果说 Alphamale 2 是 " 会思考的司机 "，那么英伟达同步推出的 AlpaGym 和 OmniDreams 就是它的 " 虚拟驾校 "。

具体来看，AlpaGym 是一个开源、高吞吐量的闭环强化学习框架。与传统开环训练 " 根据记录数据评估模型并生成单轮动作 " 不同，AlpaGym 让模型在 NVIDIA AlpaSim 仿真环境中经历连续的决策 - 观察循环——每次刹车、转向和导航选择都会对环境产生真实影响，从而暴露出静态数据集所忽略的复合错误和边缘故障。这相当于让 AI 司机在 " 平行宇宙 " 中经历数百万次极端路况，把犯错成本降到零。

OmniDreams 则是全新的生成式世界模型，能够生成逼真的闭环辅助驾驶场景，支持开发者大规模仿真罕见的长尾驾驶场景。结合 NVIDIA Omniverse NuRec 神经重建技术，开发者可以将真实车队数据重建为逼真的 3D 场景，并适配不同车辆传感器配置。英伟达甚至将因果链自动标注流水线以开源形式发布在 GitHub 上，能够从原始驾驶片段中自动生成基于决策的因果链标签，无需人工标注。

这套 " 仿真 - 训练 - 部署 " 闭环的意义在于：它让自动驾驶开发从 " 路测驱动 " 转向 " 仿真驱动 "。车企不再需要投入数千台测试车在真实道路上积累十万公里数据，而是可以在数字孪生环境中完成 90% 以上的边缘案例验证，可以帮助车企降低研发成本、缩短上市周期。

大会上，黄仁勋还回顾了 Vera Rubin。

黄仁勋表示，作为全球首款专为智能体 AI 设计的多机架 Pod 级超级计算系统，Vera Rubin 已进入全面量产。

Vera Rubin 将 " 推理 " 与 " 工具调用 " 的延迟压到了纳秒级敏感水平——这正是智能体决策所需的实时性基础，其中最具颠覆性的组件是专为智能体设计的 Vera CPU。

黄仁勋这样介绍这款 CPU："AI 智能体将成为计算资源的最大用户。Vera 正是为这一未来量身打造的首款 CPU ——它具备卓越的性能、能效和可编程性，专为在超大规模下运行智能体 AI 而生。"

Vera CPU 搭载了 88 颗 Olympus 核心，采用空间多线程技术，配备带宽高达 1.2TB/s 的 LPDDR5X 内存子系统。它的设计哲学与传统 CPU 截然不同：传统 CPU 为人类设计，人类对秒级延迟不敏感；智能体对延迟极度敏感，需要纳秒级响应，因此需要从头设计全新的 CPU 架构。

这款处理器的性能数据自然非常不错—— Vera CPU 在 SQL 查询速度上比顶级 x86 快 3 倍，在纽交所实时流处理性能上快 6 倍，在智能体沙箱性能上达到 x86 的 1.8 倍。它通过第二代 NVLink-C2C 互连技术，实现 CPU 与 GPU 之间高达 1.8TB/s 的相干带宽，并将英伟达机密计算扩展至整机架规模。

Vera BlueField-4 STX 处理器更将 Vera CPU 与高性能网络、存储加速及芯片级安全融为一体，构建 " 设计即安全 " 的 AI 原生数据平台。

如何将这些硬件转化为客户的实际收益？英伟达的答案是 DSX ——一套建设 AI 工厂的参考设计蓝图。

DSX（Data Center Scale eXtended）平台是英伟达专为从零开始建设 AI 工厂而打造的完整实战指南。具体来看，DSX 整合了开源模块化软件库、API、参考设计、英伟达加速计算平台及合作伙伴技术，打造出一个通用协同设计平台，专门用于 AI 工厂的设计、部署与运营。

其核心组件 DSX MaxLPS（Lowest Power per Token System）直指自动驾驶产业的痛点：如何在既定电力预算内最大化每兆瓦 Token 产出。通过将 45 ℃液冷技术与优化每瓦性能的机架级技术相结合，DSX MaxLPS 让运营商能够在几乎不影响工作负载性能的前提下，将 GPU 运行在其最高能效点，从而额外部署高达 40% 的 GPU。对于电力资源紧张、算力成本敏感的车企数据中心而言，这意味着同样的电费账单可以支撑更多的仿真训练里程。

DSX Sim 则提供了面向 AI 工厂全生命周期的高保真仿真层，帮助英伟达、合作伙伴及客户对基础设施决策进行建模、验证和优化，贯穿从规划、设计到部署运营的每个环节。黄仁勋在演讲中强调：" 借助 DSX 平台，你甚至可以在花出一元钱之前，就对整座工厂进行全面模拟，在一台机柜装上之前，就能验证其性能表现。"

DSX Flex 是将 AI 工厂与电网服务连接，使其能够根据负载削减、需求响应和电价波动等电网信号动态调整工作负载。这与自动驾驶的 "V2G（Vehicle-to-Grid）" 愿景形成奇妙呼应：未来的自动驾驶数据中心不仅是算力消费者，更是电网的 " 柔性负载 "，在用电低谷时全力训练模型，在高峰时向电网反哺电力。

演讲的最后板块指向了智能体从数字世界走向物理世界的关键一跃。

黄仁勋提到，物理 AI 的核心难题是数据，互联网文本多为 " 第三人称视角 "，而机器人需要 " 第一人称视角 " 的物理世界数据。英伟达的解决方案是 Cosmos 3 ——开放的物理世界基础模型，可作为视觉语言模型理解物理场景，生成物理准确的合成视频，作为模拟器完成策略训练闭环，更是 Omniverse 数字孪生平台的基础。它支持所有类型的机器人与物理系统开发，完全开放并允许用户二次定制。

在自动驾驶领域，英伟达推出 Alphamale 2 ——全球首个可推理的自动驾驶开放模型，基于 Hyperion 平台（全球 80% 汽车制造商采用，97% 出行服务对接），支持端到端推理规划。车辆可以用自然语言实时解释每一步决策逻辑，将 " 黑箱模型 " 转化为 " 可解释 AI"。

值得一提的是 Isaac GR0K 人形机器人参考平台—— 25 自由度双手，31 自由度全身，身高 6 英尺 / 体重 150 磅，集成全套数据生成、仿真、训练、运行软件栈，面向高校和科研机构。原本需要数月的搭建准备工作，现在仅需数小时即可启动研究，旨在降低人形机器人研发门槛，推动整个领域发展。

黄仁勋为英伟达构建了一个完整的 " 智能体经济 " 基础设施版图：底层是 Vera Rubin/Vera CPU 的算力供给，中间层是 DSX 的 AI 工厂蓝图和企业级智能体工具包，上层是 RTX Spark 的个人智能体入口，以及 Cosmos/Alphamale/GR0K 构成的物理 AI 生态。

至此，英伟达的转型路径清晰可见：从卖 GPU，到卖系统，再到帮客户建设 " 能赚钱的 AI 基础设施 "。