2026 年 8 月 4 日，NVIDIA 在官方部落格宣布，正式把 6 月初已發表的 Alpamayo 2 Super 推進到權重可下載、推論程式公開，並可依 OpenMDW‑1.1 商業使用的階段。這次真正的新事件，不是模型首度亮相，而是外部團隊終於能把 checkpoint 拿回自己的環境檢查、微調與再散布。
先把原始公告放在這裡。點擊下面這張截圖，會在新分頁打開 NVIDIA 的 8 月 4 日全文；接下來我們會先還原時間線，再拆解授權、模型能力與官方成績，最後回答一個更重要的問題：「可商用」距離「可安全上車」，中間還差多少？
這篇文章分三步走：第一，釐清 6 月發表與 8 月開放的差別；第二，把權重、程式碼、訓練配方與資料集分開檢查；第三，用官方數據的反例，檢驗「效能領先」能不能推導出「更安全」。
一、8 月 4 日不是首發，而是權重終於正式落地
Alpamayo 2 Super 在美國時間 5 月 31 日、台北 6 月 1 日的 GTC Taipei 已經亮相。當時的原始新聞稿只說權重與程式碼「預計今年夏季提供」。Hugging Face 的 commit history 顯示 release-candidate 權重在 7 月 31 日進入模型庫；8 月 4 日才是 NVIDIA 對外宣布「現在可用於商業用途」的正式日期。
因此，最準確的頭條不是「NVIDIA 發表新模型」，而是：NVIDIA 把一個已發表的大型自駕推理模型，從展示品變成可以下載、檢視與合法商用的模型材料。
“The license covers fine-tuning, derivative models and commercial redistribution.”
中文：「這份授權涵蓋微調、衍生模型與商業再散布。」
— NVIDIA，Alpamayo 2 Super 8 月 4 日公告
社群也迅速放大了這個訊號。Jensen Huang 的官方 X 貼文截至 2026 年 8 月 5 日 15:17（台北時間）約有 137 萬次瀏覽與 1.24 萬個讚。這證明它取得高度曝光，但瀏覽次數既不是不重複人數，也不是第三方技術驗證。
二、到底開放了什麼？四層不能混在一起
「開放」最容易造成的誤解，是把整個技術堆疊想成同一份授權。實際上，Alpamayo 2 Super 至少要拆成四層：
| 層次 | 目前狀態 | 真正代表的意思 |
|---|---|---|
| 模型權重 | Hugging Face 可公開下載，採 OpenMDW‑1.1 | 可商用、修改與再散布；再散布仍須保留授權與來源聲明 |
| 推論程式 | GitHub 採 Apache‑2.0 | 提供模型載入、推論與 notebooks，不等於完整訓練流程 |
| 訓練配方 | 截至 2026 年 8 月 5 日，官方 recipes 索引列出 Alpamayo 1／1.5，尚未列出 2 Super 的訓練或蒸餾配方 | 可以推論與微調，不代表外部團隊能從零重現同一個 2 Super |
| 官方範例資料 | PhysicalAI AV 與 NuRec 需另行同意 NVIDIA 資料授權 | 資料使用條件比模型權重更窄，不能把權重授權直接套到資料集 |
OpenMDW‑1.1 本身確實寬鬆。官方 FAQ明確表示沒有用途領域、權利金或地域限制，輸出也不受這份授權約束；但模型以「現狀」提供，第三方權利、輸入資料同意與具體法規責任仍由使用者處理。這也是為什麼本文會稱它為可商用的 open-weight 模型，而不是把整套系統籠統寫成「完整開源」。
這個差異也呼應更大的開放權重政策戰：模型權重可檢視，能讓外部團隊做客製化與安全研究；但真正決定可重現性的，還包括資料、訓練方法、評估工具與發布條件。
三、名目 34B 的雲端教練，究竟會做哪些事？
公開版本的 Alpamayo 2 Super 名目約 340 億總參數，由 32B 視覺語言 backbone 加上約 2.3B diffusion action expert 組成。六月資料常只寫 32B，是因為當時聚焦 backbone；目前模型卡以 34B 作為整體產品標示。
它不是只回答「前面有什麼」，而是把五類工作統一在同一個模型裡：
- 軌跡生成：根據最多七個相機視角與自車歷史，預測未來 6.4 秒、64 個 waypoint。
- Chain of Causation（CoC）：以文字描述場景、因果線索與行動理由，讓人能檢查模型「說了什麼」。
- Meta-action：預測煞車、轉向、變換車道等高階動作。
- 自駕 VQA 與 2D grounding：回答駕駛場景問題，並把答案指向影像中的區域；這是視覺指涉定位，不是車輛定位或 SLAM。
- 推理自動標註：替駕駛片段產生結構化 reasoning label，支援資料整理與後續 teacher-student 訓練。
這正是開發者興奮的原因。過去，軌跡模型、駕駛問答、視覺 grounding 和資料標註往往是不同工具鏈；現在 OEM、研究團隊與供應商可以從同一個大型 teacher model 出發，用自己的資料微調，再把能力蒸餾到較小的車端模型。它降低的是從零打造 foundation model 的起始成本，尤其可能加快長尾場景整理與資料生產。
“Open weights make that path economically viable.”
中文：「開放權重，讓這條路在經濟上變得可行。」
— NVIDIA，Alpamayo 2 Super 8 月 4 日公告
四、官方成績很亮眼，但不能直接翻成「更安全」
NVIDIA 最醒目的數字，是 Alpamayo 2 Super 在 LingoQA 拿到 79.2，在其評估的 37 個模型中排名第一。這項測驗要求模型觀看短駕駛片段後回答問題，最後由 Lingo-Judge 比較預測答案與人類參考答案。
問題在於，「最會回答」不等於「最會開車」。LingoQA 的原始方法以文字裁判衡量答案相似度，不會直接觀察模型的車輛控制是否安全；79.2 也不是百分比安全率。把它當作駕駛語言理解能力的訊號合理，把它當作道路安全證明就跨得太遠。
更值得注意的是，NVIDIA 自己的技術表已經提供反例：
- AV reasoning：Alpamayo 2 Super 為 0.433，同一張表裡 GPT‑5.5 是 0.502。所以「在 NVIDIA 評估的所有 benchmark 都第一」並不成立。
- Open-loop 軌跡：1,434 個樣本的 minADE 為 0.911 公尺，前代 Alpamayo 1.5 Nano 是 0.916 公尺，只改善 0.005 公尺、約 0.5%。
- Closed-loop 模擬：AlpaSim 分數 1.50±0.13，前代為 1.37±0.10；技術文寫 913 個重建場景，模型卡卻寫 910，官方文件本身仍有三個場景的差異。
Open-loop 測試只比較模型軌跡與錄製資料中「已經發生的未來」，看不到模型採取行動後，其他車輛會如何反應；closed-loop 模擬更接近互動，但仍是 NVIDIA 的 AlpaSim 與 NuRec 場景。本文目前能核對到的公開效能數字，都來自 NVIDIA 的模型卡與技術文。合理的讀法是：這些結果證明模型值得重現，不是證明安全問題已經結案。
五、一張 H100 能跑，不代表它就是車端模型
模型卡目前驗證的標準推論環境，是單張 NVIDIA H100 80GB。在七相機、四幀、batch 1、BF16、10 個 diffusion steps 的設定下，峰值顯存約 72,115 MiB；其他 GPU 架構尚未被模型卡列為已驗證。若啟用進階 navigation classifier-free guidance，官方 GitHub 範例則是在兩張 H100 80GB 上完成驗證。
這個硬體輪廓已經說明產品定位：Alpamayo 2 Super 更像雲端 teacher、評估器與資料引擎，而不是把 34B checkpoint 直接塞進 robotaxi 的即下載即用司機。NVIDIA 自己描述的路徑，也是先在雲端訓練、標註與蒸餾，再把較小的 policy 部署到 DRIVE AGX Thor。官方公開表格目前聚焦顯存，尚未在同一份結果裡提供車端端到端延遲、吞吐、功耗或實車道路表現。
換句話說，H100 能把研究門打開，卻沒有消除量產的工程距離。這和Robotaxi 真正的資料護城河是同一件事：模型架構只是起點，決勝點仍是長尾資料、閉環驗證、故障處理，以及能不能把改善穩定地送進車隊。
六、會解釋，不等於解釋就是真的
Alpamayo 2 Super 最有敘事張力的能力，是 Chain of Causation：模型除了給軌跡，還會說明它看到什麼、為什麼減速、哪個物體影響決策。這比只吐出方向盤角度更容易讓工程師除錯，也能提供安全案例所需的可觀測材料。
但自然語言解釋仍可能是事後合理化，而不是真正驅動動作的內部原因。一篇 2026 年研究測試的是前代 Alpamayo‑R1‑10B，不是這次的 2 Super，因此不能把它的數字套到新模型；它真正提供的提醒是：只要改變輸入後，解釋與軌跡不一定一起改，就必須額外測量「解釋—行動一致性」與反事實穩定性。
同理，NVIDIA 說 CoC 可支援與 ISO/PAS 8800 對齊的工作流程，意思是它能成為安全保證流程的一項材料；ISO/PAS 8800本身是 AI 道路車輛安全的工程流程標準，不是模型跑過 benchmark 就自動取得的認證。
七、AlphaLab 的判讀：真正商品化的是基礎成本，不是安全責任
判讀一：這次開放的價值是真的，而且不只服務學術界
OpenMDW‑1.1 允許商用、衍生與再散布，使車廠、供應商與新創不必先從零訓練一個 34B teacher，才能探索多相機駕駛推理。相較只給 API，權重可下載也讓團隊能在自己的資料與基礎設施裡檢查、微調與做紅隊測試。這正是開放權重支持者一直強調的研究與競爭價值。
判讀二：最有商業價值的角色，可能是「資料工廠」
大型模型未必需要親自握方向盤才有價值。若它能把影像片段轉成候選軌跡、場景問答、物體 grounding 與推理標註，再由人類與規則系統篩選，就能縮短資料整理週期，並教出較小的車端 policy。這比「34B 模型直接上車」更符合目前的算力與產品現實。
判讀三：可商用只是法律起跑線，不是安全終點線
授權回答的是「你能不能合法使用這些模型材料」；它不會替你回答感測器失效時怎麼辦、最壞延遲是多少、蒸餾後能力掉多少、不同城市與天候能否泛化，也不會替 OEM 承擔驗證與監管責任。把這兩條線分開，才能避免把一次重要的開放事件，誤讀成 robotaxi 已準備好量產。
判讀四：開放程度的弱點，在資料與可重現性
模型卡稱訓練使用約 115,000 小時影片，但官方公開的 PhysicalAI AV 資料規模與完整訓練集不同，且套用另一份更受限的資料授權。外部團隊可以拿自有資料研究這個模型，卻不等於拿到一條完全相同的訓練與驗證鏈。這是 open-weight 模式的真實邊界，而不是抹煞權重開放的價值。
我同意什麼，又存疑什麼？
我同意：Alpamayo 2 Super 把多相機駕駛推理、軌跡、VQA、grounding 與自動標註整合成一個可商用的大型 teacher，確實可能降低研究與資料生產的起始門檻；NVIDIA 願意把約 66.7 GiB 的 BF16 權重公開，也比只提供封閉 API 更可檢查。
我存疑：目前最亮眼的成績仍主要來自 NVIDIA 自測，而且語言 benchmark、open-loop 軌跡與模擬器分數，都不能直接代表真實道路安全。更關鍵的是，資料授權與完整訓練鏈沒有同步變成同等寬鬆的公共資源。
八、接下來真正值得追的三個訊號
- 第三方能否重現：用公開 checkpoint、不同資料與不同硬體，能不能重做 LingoQA、open-loop 與 closed-loop 結果，並公開誤差分析？
- 能否蒸餾成可部署模型：較小 policy 在 Thor 等車端平台上的延遲、功耗與能力保留率，才是從雲端 teacher 走向產品的關鍵。
- CoC 是否忠實：解釋必須和動作一起接受擾動、反事實與因果一致性測試，不能只看文字是否流暢。
如果你是研究者，先從模型卡的單張 H100 標準路徑開始，再用自有或授權清楚的資料做重現；如果你在做自駕產品，則應把 offline 指標、closed-loop 模擬與受控道路驗證設成三道不同的門。對一般讀者而言，下一個真正的里程碑不是又一張排行榜，而是第一批可公開檢查的獨立重現與車端蒸餾結果。
一句話總結：NVIDIA 這次真正開放的，是打造自駕 AI 的大型「老師」；它可能降低基礎模型與資料生產成本，但沒有替任何人省掉安全驗證。