自从AI时代开启，英伟达（NVIDIA）的地位愈发如日中天。从AI三要素——算力、算法、数据来看，英伟达的影响力无疑聚焦于算力。面对AI这座金矿，人们常将英伟达比作“卖铲子的”。但在2026年CES展上，黄仁勋的演讲却透露出新的动向：当这位“卖铲子的”巨头开始手把手教大家如何挖矿时，我们该将其解读为“大佬扶我上路”的善意，还是背后藏着更深远的战略图谋呢？
黄仁勋在CES上宣布，一口气开源了视觉语言行动模型（VLA）Alpamayo、仿真工具AlpaSim以及配套数据集，可谓在AI三要素上全面出击。1月13日，英伟达中国区高管更是专门面向国内媒体进行了深度解读，大力推介这套开源“组合拳”。
扩大中国市场的业务版图
乍一看，英伟达此举颇有亲自下场研发自动驾驶的架势。但从商业逻辑来看，这可能性极低。自动驾驶的商业价值最终要落实到整车产品上，而英伟达绝无可能涉足整车制造。这不仅关乎企业基因，更因为整车制造的利润率与英伟达当前主营的AI硬件业务相差甚远。即便退一步做智能驾驶供应商，也要陷入与众多同行的激烈竞争，远不如在AI硬件领域占据绝对优势来得“舒适”。
一个更可信的逻辑是：如果用户广泛采纳了英伟达的开源工具链，势必会增强对其硬件的依赖。因此，强化英伟达AI硬件的影响力和生态护城河，很可能是这次开源行动的核心出发点。
这轮慷慨的开源举动，让人联想到当年CUDA生态建设的扩大版。在当前英伟达中国硬件业务面临不确定性、在大国竞争的夹缝中求生存的背景下，拓宽其在中国的软件与生态业务，具有现实的战略意义。更何况，中国拥有全球最活跃的自动驾驶研发群体，这里的潜在业务前景最为明确，值得英伟达重点投入。相比之下，规模庞大的特斯拉生态，英伟达反而难以切入。
为了证明这套系统的商业可行性，英伟达已与Lucid、捷豹路虎、Uber达成合作，据说今年一季度就在美国进行路测，后续还将扩展至欧洲和亚洲。虽然覆盖面听起来很广，但目前可能仍局限于小范围的测试验证。
开源模型：好教具，难直接部署
这套开源组合究竟实力如何？我们先从功能看起。Alpamayo本身是一个VLA模型，但它与其他端到端模型的关键区别在于，其推理过程并非“黑盒”。它会主动拆解复杂驾驶场景，并输出自己的思考链。这不仅对人类开发者更友好，也在很大程度上缓解了人们的担忧：在没有硬规则兜底的情况下，AI会不会“乱来”？
例如，面对一个复杂的红灯调头场景，Alpamayo会将其拆解为：分析规则是否准许、对准分道线、减速、识别信号灯与停止标志、避让直行车辆与过街行人，最后择机完成两次左转。这个过程与人类的决策逻辑高度相似，每一步都清晰可循，从而建立起更强的信任感。
当然，Alpamayo更像一个“教师模型”。其参数量过大，不适合直接部署在车端，必须通过知识蒸馏等技术转移到中小模型上才能实用。
业内也有分析指出，Alpamayo可能在空间分析上表现优异，但在严格的时序认知能力上或许存在短板。理由是2025年12月发布的Alpamayo-1版本，即使用了远超车载算力的RTX 6000 Pro Blackwell显卡，其端到端延迟仍约0.1秒。在极端紧急情况下，这个响应速度可能不足以确保及时决策，仍有提升空间。
相对于空间认知，时序问题向来是语言类模型的弱项。任何可用的自动驾驶模型，都必须保证其认知的物理规律与真实世界高度吻合。这也是一些公司尝试放弃VLM（视觉语言模型）路线的原因——他们试图绕过文本对齐环节，从视觉信号直接输出驾驶决策，以加速思维链。
与模型一同开放的，还有约1700小时的驾驶场景数据切片。相比特斯拉的数据集，规模上确实存在差距，但考虑到英伟达本身并非车企，能获得这些数据已属不易。
数据生成与环境模拟：英伟达的看家本领
相比模型和数据集，仿真工具AlpaSim似乎不那么引人注目。但事实上，仿真数据的来源只有一小部分来自真实场景切片，绝大部分需要依靠模型来生成。
这便引出了英伟达的“世界模型”——Cosmos。该模型主要用于训练大模型，而非强调在实时系统中提供预测。
英伟达宣称，Cosmos能够生成高度逼真的合成数据，覆盖雨、雪、雾、风、交通事故、道路施工等各类长尾场景，从而解决真实数据获取成本过高、极端场景稀有的难题。
当然，英伟达并未声称合成数据可以完全替代真实物理数据。两者之间的关系，或许有点像婴儿奶粉与母乳，只能无限接近却无法彻底取代。至于接近到什么程度，最终需要通过大模型训练的实际效果来验证，有待未来采用这套全家桶的用户给出反馈。
有了高度仿真的数据，数字孪生系统Omniverse则负责提供模拟驾驶场景的测试环境。说到这里，就进入了英伟达在AI时代之前就已深耕的领域：实时渲染、物理仿真、运动模拟、传感器模拟等。本质上，这些都是强大GPU的“本职工作”。
在自动驾驶领域，当前主流方案是将车载SoC设计为包含NPU、GPU、DPU、CPU的异构芯片。黄仁勋在本届CES上发布的Vera Rubin计算架构，则是一个庞大的机架式系统，需要精密的散热设计。这类依靠超强算力支撑的系统，才能完成英伟达所描述的复杂模型训练，这也是其业务根基所在。
开源背后的真实意图
现在情况似乎更清晰了：英伟达开源的核心，是一套大模型及其训练方法论，辅以仿真工具和数据生成器。这对于AI模型投资不足、想要快速入门的车企而言，无疑是一套极佳的工具包和“教具”。只要采购英伟达的软硬件全家桶，就能较快地搭建出一个演示级别的辅助驾驶系统。而后续的数据积累与模型迭代，对车企而言更多是成本和时间问题。这套组合拳相信能吸引一批潜在的B端客户。
然而，对于自动驾驶领域的头部玩家而言，情况则不同。他们已经建立起自有的大模型和硬件系统，形成了数据闭环，不太可能转而利用英伟达的开源系统进行核心训练。这些供应商和车企，并非英伟达此套系统的目标客户。换言之，已在自动驾驶领域实现商业化落地的中国车企，很难成为英伟达全家桶的买家，这其中还叠加了潜在的政策风险。
跨国车企或许更有兴趣尝试（目前的合作名单也印证了这一点），但训练系统部署在哪里是个棘手问题。如果放在中国，进口英伟达的大规模算力硬件存在不确定性；如果放在海外，中国的数据出境又受到严格限制。到头来，其在中国市场的应用，可能仍需依赖本地采购的自动驾驶解决方案。
相比之下，英伟达那些更具独立性的产品，如低功耗车规级AI芯片Orin、Thor系列，在中国市场的护城河依然清晰，几乎不受此番开源生态策略的影响。这便是产品与生态的区别：构建和更换生态的成本远高于单一产品，而一旦成功占领生态位，带来的收益也将更为持久和丰厚。
可以看出，为了打出这套软硬件组合拳，英伟达早已提前数年进行布局和研发投入。如果仅仅将其行为视为强化在自动驾驶领域的硬件竞争力，视野或许有些狭窄。在更广阔的AI领域，英伟达不断推高GPU和超算系统的性能门槛，旨在巩固其“基础算力供应者”的霸主地位，彻底拉开与竞争对手的差距。自动驾驶，不过是AI众多应用场景中的一个分支。
软件生态的繁荣，能为硬件销售提供持续不断的驱动力。这套开源系统，将鼓励更多圈外的玩家投身于自动驾驶研发。新玩家的涌入，必然对云算力和模型训练算力产生海量需求。英伟达的终极目的，恐怕是意图构建一个庞大的“算力帝国”。按照其宏大构想，“美股七姐妹”中的其他六位，未来都将在英伟达的“算力根系”上生长。服务于如此宏伟的蓝图，开源软件这点“甜头”，英伟达自然毫不吝啬。
对这类前沿技术的战略剖析与开源动态，欢迎在云栈社区继续深入交流与探讨。
发表于 2 小时前
|
查看: 0|
回复: 0
