作者 | ZeR0
编辑 | 漠影
智东西3月24日报道，上周英伟达GTC期间，智东西在圣何塞深度体验乘坐了一辆没有激光雷达、没有高精地图的L2++级自动驾驶汽车，跑了11英里，将近50分钟，全程没有被驾驶位上的人类安全员接管一次。
此次体验的，便是前不久英伟达创始人兼CEO黄仁勋、英伟达全球副总裁吴新宙在旧金山体验的同款辅助驾驶汽车方案——汽车是梅赛德斯-奔驰CLA，搭载基于NVIDIA DRIVE Hyperion硬件平台的Alpamayo端到端辅助驾驶大模型。
借助英伟达深度学习模型，Hyperion架构可通过扩展功能实现增强型L2级辅助驾驶功能，包括在复杂城市环境中实现点到点城市领航辅助，使汽车自主完成整个行驶过程。
我的试乘路线是从圣何塞Signia酒店附近上车，途径日本城、Willow Glen社区，最终绕回出发点。这条路线经专门设计，尽可能多地展示不同路况，涉及信控路口、四路停车标志、施工路段等复杂场景。
在圣何塞街道上兜风近50分钟，我的总体感觉归纳为一个字——顺。
试乘过程中，汽车根据实际路况、红绿灯做出车道选择、转弯、跟随、停车等行为，并在识别行人后主动让行。途中遇到的几个插曲，都被辅助驾驶系统应对自如。
等开到日本城附近时，前方有一位老太太推着一堆箱子从路左侧向右慢慢横穿。
这些"顺"的背后，藏着一些很有意思的技术细节。
一、无激光雷达、无高精地图，一颗芯片支撑全部算力
这辆奔驰CLA搭载的英伟达的L2++辅助驾驶方案没有使用激光雷达，主要采用摄像头和毫米波雷达等传感器，也没有高精地图，只使用来自导航模块的普通地图。
因此，这套方案非常经济高效，几乎可应用于各种汽车，也让软件具备极高的跨地域可扩展性。
在我们乘坐的汽车中，NVIDIA DRIVE Hyperion平台包括一个DRIVE AGX Orin SoC芯片、10颗摄像头、5颗毫米波雷达和12颗超声波传感器。
10个摄像头包括2颗前向摄像头、2颗侧向摄像头、2颗侧后向摄像头和4颗鱼眼摄像头。这些摄像头能够阅读交通标志和车道标志，提供周遭广泛视角和能见度，实现精确控制、安心驾驶。
所有计算任务都运行在单颗Orin芯片上。这一套硬件配置，支撑起了整个L2++级自动驾驶功能。英伟达正与更多OEM合作伙伴推进量产落地，计划今年覆盖美国全境，明年覆盖欧洲、日本和韩国。
DRIVE Hyperion硬件架构可扩展到L4级自动驾驶。
这次试乘，我体验的是DRIVE Hyperion 8架构。而比亚迪、吉利、日产等已经在开发基于DRIVE Hyperion 10架构的新一代L4自动驾驶汽车项目。
五十铃和TIER IV采用DRIVE Hyperion里的DRIVE AGX Thor SoC芯片，合作开发L4级自动驾驶巴士。Uber、Bolt、Grab、Lyft等移动出行服务商均在基于DRIVE Hyperion扩展自动驾驶出租车规模。
梅赛德斯-奔驰也在开发一款基于新S级的自动驾驶出租车，将采用DRIVE Hyperion和全栈AV L4软件。
另一个值得关注的点是，不用高精地图会带来一大挑战：如何理解信号灯与车道的关联关系？
一个十字路口有多条车道、多个信号灯，怎么判断我的车道对应哪个灯？这在有高精地图的系统里，是预先标注好的。
而英伟达通过在软件栈中进行大量创新，使汽车在行驶过程中实时完成判断，在线创建全球高精地图，最终实时创建所有车道线、连接方式和行驶方案。
做到这一点，离不开先进的模型推理能力。
二、推理模型：给辅助驾驶决策注入像人一样的思维
英伟达认为，推理能力是辅助驾驶的下一个前沿。
传统辅助驾驶架构将感知与规划分离开来，这在面临突发或异常状况时，往往会限制其系统扩展性。解决这些长尾极端事件，需要具备安全推理因果关系能力的模型。
对此，英伟达开发Alpamayo生态系统，以加速安全、基于推理的自动驾驶汽车开发。
Alpamayo系列包括具备决策推理能力的AI模型、用于测试决策的闭环仿真工具AlpaSim与物理AI自动驾驶数据集。
比如前方双排停车的一辆车开始倒车，车载系统不会试图从旁边硬挤过去，而是在识别倒前方汽车倒车灯亮起、汽车向后移动时，判断对方意图是停车，于是等它停好后再继续前行；如果前方汽车停着不动，车载系统就会轻轻绕过去通行。
开发者既可将Alpamayo 1调整为更精简的运行时模型，部署于车端；又可将它作为辅助驾驶的基础架构，构建基于推理的评估器和自动标注系统等开发工具。
英伟达在GTC 2026大会上最新发布的Alpamayo 1.5，正是基于Alpamayo 1模型打造。Alpamayo 1.5模型可交互、可操控，能够将行驶视频、自车运动历史、导航引导和自然语言指令作为输入，输出带有推理链路的行驶轨迹，能够清晰展示每项决策背后的逻辑。
开发者通过导航与文本指令，就能调控车辆驾驶行为并设定行驶约束条件。
AlpaSim是一款面向高保真辅助驾驶开发、完全开源的端到端闭环仿真框架，提供逼真的传感器建模、可配置交通动态，以及可扩展的闭环测试环境，支持快速验证与策略优化。
物理AI开放数据集包含来自全球2500多个城市的30多万个片段，有超过1700小时的驾驶数据，覆盖广泛的地理区域和环境条件，涵盖推动推理架构发展所需的罕见且复杂的真实世界极端场景。
三、全栈自动驾驶软件平台：多模态、端到端、主动安全防护
对于辅助驾驶系统，英伟达与OEM合作伙伴共同定义架构、功能和特性。当然最终的整车形态、驾乘感受和外观设计由OEM负责。
NVIDIA DRIVE Hyperion和Alpamayo是NVIDIA DRIVE AV全栈式自动驾驶软件平台的一部分。
（1）多模态经典栈（包括感知/规划/控制）：安全守护层，提供冗余和安全防护。
（2）端到端AI栈：处理复杂动态场景，提供长尾驾驶所需的上下文推理和决策能力。
经典栈的工作原理是感知世界中的所有物体，预测动态物体的未来行为，综合使用这些信息及行驶路线来决定应该遵循的正确安全路径。
端到端AI栈将传感器与导航路线作为输入，通过一个单一网络模型直接输出最终的行驶轨迹。
两层之间随时准备好交接控制权：端到端模型主导开车，经典栈则犹如托底的安全卫士，在发现端到端模型做出不可接受的决策时，立刻接管，等情况解除后，再把控制权交还给端到端模型。
驾驶员随时可以接管方向盘，期间软件始终保持运行，并在人类与它协作时提供帮助。
Halos OS基于通过ASIL D级标准的DriveOS架构打造，其统一的三层安全架构整合了安全中间件与可量产部署的安全应用，包括符合NCAP 2026五星级标准的主动安全系统，通过紧急制动、规避转向和360度威胁检测，自动防止与汽车、行人或骑自行车者发生碰撞。
通常情况下，人类驾驶员的操作拥有更高优先级。如果原定路线是执行，驾驶员打错方向盘左转，汽车会按照驾驶员的操作来行驶。但如果因为驾驶员误操作导致要撞向另一辆车，主动安全功能就会立即介入，阻止事故发生。
这些安全设计是量产落地的关键，也是通往L4自动驾驶的基础。
四、三种方式采集数据，用高保真仿真增加数据多样性
在开发阶段，英伟达主要通过三种方式与OEM合作伙伴合作推进数据采集。
一是专用数据采集车队，装备传感器的汽车由人类驾驶，在全球采集数据。
二是开发测试车队，像我们乘坐的这辆一样，做测试和开发，有些一直在采集，有些只在发生有趣事件时才采集。
三是客户车队，用户购买了搭载NVIDIA DRIVE AV系统的量产车，车辆在发生有趣事件时会采集数据。
从配备DRIVE Hyperion的汽车收集的数据，可用于在云端训练和优化AI模型，在逼真的仿真环境中验证模型，然后将更新后的软件部署回汽车，从而持续改进自动驾驶系统。
首先是英伟达Omniverse平台，使用汽车采集的多传感器数据构建数字孪生世界。
英伟达使用NVIDIA Cosmos在离线状态下创建场景的许多不同变体，这对于创建大量数据用于训练和验证堆栈非常重要，尤其是关注到我们在现实世界中几乎看不到的边缘和罕见情况。
为了构建和验证一个非常安全、可靠的堆栈，这是必不可少的。
另一项关键仿真技术是NVIDIA Omniverse NuRec。
为了涵盖真实世界驾驶场景的多样性，推理型辅助驾驶汽车的测试与验证需要高保真的仿真环境。
NuRec是一套基于3D高斯泼溅技术的工具集，可通过接收摄像头输入，摄取真实世界数据，完成可交互仿真场景的重建与渲染，即重建其在现实世界中获得的数据。
因此，英伟达能利用其在道路上行驶的每一英里、无限的时间来验证每个新的软件版本，加速辅助驾驶技术的进化。
结语
在试乘前，我曾以为这会像很多自动驾驶demo一样，是在一个安全环境里沿着封闭路段开一圈。
但汽车开到了圣何塞的真实道路上，从车流密集的市中心开到热门景点、居民区周遭，遇到了推车的老人、插队占道的车、盯着手机走过的行人等真实的"意外"。
在这场近50分钟的驾驶中，它不需要激光雷达、不需要高精度地图，仅凭摄像头、毫米波雷达、超声波传感器、芯片和具备推理能力的模型，就担当了一位称职的数字司机。
随着汽车开始具备理解真实世界、推理并付诸行动的能力，更安全、智能的辅助驾驶功能将给未来出行方式带来更多轻松与愉悦。
作者 | ZeR0
编辑 | 漠影
智东西3月24日报道，上周英伟达GTC期间，智东西在圣何塞深度体验乘坐了一辆没有激光雷达、没有高精地图的L2++级自动驾驶汽车，跑了11英里，将近50分钟，全程没有被驾驶位上的人类安全员接管一次。
此次体验的，便是前不久英伟达创始人兼CEO黄仁勋、英伟达全球副总裁吴新宙在旧金山体验的同款辅助驾驶汽车方案——汽车是梅赛德斯-奔驰CLA，搭载基于NVIDIA DRIVE Hyperion硬件平台的Alpamayo端到端辅助驾驶大模型。
借助英伟达深度学习模型，Hyperion架构可通过扩展功能实现增强型L2级辅助驾驶功能，包括在复杂城市环境中实现点到点城市领航辅助，使汽车自主完成整个行驶过程。
我的试乘路线是从圣何塞Signia酒店附近上车，途径日本城、Willow Glen社区，最终绕回出发点。这条路线经专门设计，尽可能多地展示不同路况，涉及信控路口、四路停车标志、施工路段等复杂场景。
在圣何塞街道上兜风近50分钟，我的总体感觉归纳为一个字——顺。
试乘过程中，汽车根据实际路况、红绿灯做出车道选择、转弯、跟随、停车等行为，并在识别行人后主动让行。途中遇到的几个插曲，都被辅助驾驶系统应对自如。
等开到日本城附近时，前方有一位老太太推着一堆箱子从路左侧向右慢慢横穿。
这些"顺"的背后，藏着一些很有意思的技术细节。
一、无激光雷达、无高精地图，一颗芯片支撑全部算力
这辆奔驰CLA搭载的英伟达的L2++辅助驾驶方案没有使用激光雷达，主要采用摄像头和毫米波雷达等传感器，也没有高精地图，只使用来自导航模块的普通地图。
因此，这套方案非常经济高效，几乎可应用于各种汽车，也让软件具备极高的跨地域可扩展性。
在我们乘坐的汽车中，NVIDIA DRIVE Hyperion平台包括一个DRIVE AGX Orin SoC芯片、10颗摄像头、5颗毫米波雷达和12颗超声波传感器。
10个摄像头包括2颗前向摄像头、2颗侧向摄像头、2颗侧后向摄像头和4颗鱼眼摄像头。这些摄像头能够阅读交通标志和车道标志，提供周遭广泛视角和能见度，实现精确控制、安心驾驶。
所有计算任务都运行在单颗Orin芯片上。这一套硬件配置，支撑起了整个L2++级自动驾驶功能。英伟达正与更多OEM合作伙伴推进量产落地，计划今年覆盖美国全境，明年覆盖欧洲、日本和韩国。
DRIVE Hyperion硬件架构可扩展到L4级自动驾驶。
这次试乘，我体验的是DRIVE Hyperion 8架构。而比亚迪、吉利、日产等已经在开发基于DRIVE Hyperion 10架构的新一代L4自动驾驶汽车项目。
五十铃和TIER IV采用DRIVE Hyperion里的DRIVE AGX Thor SoC芯片，合作开发L4级自动驾驶巴士。Uber、Bolt、Grab、Lyft等移动出行服务商均在基于DRIVE Hyperion扩展自动驾驶出租车规模。
梅赛德斯-奔驰也在开发一款基于新S级的自动驾驶出租车，将采用DRIVE Hyperion和全栈AV L4软件。
另一个值得关注的点是，不用高精地图会带来一大挑战：如何理解信号灯与车道的关联关系？
一个十字路口有多条车道、多个信号灯，怎么判断我的车道对应哪个灯？这在有高精地图的系统里，是预先标注好的。
而英伟达通过在软件栈中进行大量创新，使汽车在行驶过程中实时完成判断，在线创建全球高精地图，最终实时创建所有车道线、连接方式和行驶方案。
做到这一点，离不开先进的模型推理能力。
二、推理模型：给辅助驾驶决策注入像人一样的思维
英伟达认为，推理能力是辅助驾驶的下一个前沿。
传统辅助驾驶架构将感知与规划分离开来，这在面临突发或异常状况时，往往会限制其系统扩展性。解决这些长尾极端事件，需要具备安全推理因果关系能力的模型。
对此，英伟达开发Alpamayo生态系统，以加速安全、基于推理的自动驾驶汽车开发。
Alpamayo系列包括具备决策推理能力的AI模型、用于测试决策的闭环仿真工具AlpaSim与物理AI自动驾驶数据集。
比如前方双排停车的一辆车开始倒车，车载系统不会试图从旁边硬挤过去，而是在识别倒前方汽车倒车灯亮起、汽车向后移动时，判断对方意图是停车，于是等它停好后再继续前行；如果前方汽车停着不动，车载系统就会轻轻绕过去通行。
开发者既可将Alpamayo 1调整为更精简的运行时模型，部署于车端；又可将它作为辅助驾驶的基础架构，构建基于推理的评估器和自动标注系统等开发工具。
英伟达在GTC 2026大会上最新发布的Alpamayo 1.5，正是基于Alpamayo 1模型打造。Alpamayo 1.5模型可交互、可操控，能够将行驶视频、自车运动历史、导航引导和自然语言指令作为输入，输出带有推理链路的行驶轨迹，能够清晰展示每项决策背后的逻辑。
开发者通过导航与文本指令，就能调控车辆驾驶行为并设定行驶约束条件。
AlpaSim是一款面向高保真辅助驾驶开发、完全开源的端到端闭环仿真框架，提供逼真的传感器建模、可配置交通动态，以及可扩展的闭环测试环境，支持快速验证与策略优化。
物理AI开放数据集包含来自全球2500多个城市的30多万个片段，有超过1700小时的驾驶数据，覆盖广泛的地理区域和环境条件，涵盖推动推理架构发展所需的罕见且复杂的真实世界极端场景。
三、全栈自动驾驶软件平台：多模态、端到端、主动安全防护
对于辅助驾驶系统，英伟达与OEM合作伙伴共同定义架构、功能和特性。当然最终的整车形态、驾乘感受和外观设计由OEM负责。
NVIDIA DRIVE Hyperion和Alpamayo是NVIDIA DRIVE AV全栈式自动驾驶软件平台的一部分。
（1）多模态经典栈（包括感知/规划/控制）：安全守护层，提供冗余和安全防护。
（2）端到端AI栈：处理复杂动态场景，提供长尾驾驶所需的上下文推理和决策能力。
经典栈的工作原理是感知世界中的所有物体，预测动态物体的未来行为，综合使用这些信息及行驶路线来决定应该遵循的正确安全路径。
端到端AI栈将传感器与导航路线作为输入，通过一个单一网络模型直接输出最终的行驶轨迹。
两层之间随时准备好交接控制权：端到端模型主导开车，经典栈则犹如托底的安全卫士，在发现端到端模型做出不可接受的决策时，立刻接管，等情况解除后，再把控制权交还给端到端模型。
驾驶员随时可以接管方向盘，期间软件始终保持运行，并在人类与它协作时提供帮助。
Halos OS基于通过ASIL D级标准的DriveOS架构打造，其统一的三层安全架构整合了安全中间件与可量产部署的安全应用，包括符合NCAP 2026五星级标准的主动安全系统，通过紧急制动、规避转向和360度威胁检测，自动防止与汽车、行人或骑自行车者发生碰撞。
通常情况下，人类驾驶员的操作拥有更高优先级。如果原定路线是执行，驾驶员打错方向盘左转，汽车会按照驾驶员的操作来行驶。但如果因为驾驶员误操作导致要撞向另一辆车，主动安全功能就会立即介入，阻止事故发生。
这些安全设计是量产落地的关键，也是通往L4自动驾驶的基础。
四、三种方式采集数据，用高保真仿真增加数据多样性
在开发阶段，英伟达主要通过三种方式与OEM合作伙伴合作推进数据采集。
一是专用数据采集车队，装备传感器的汽车由人类驾驶，在全球采集数据。
二是开发测试车队，像我们乘坐的这辆一样，做测试和开发，有些一直在采集，有些只在发生有趣事件时才采集。
三是客户车队，用户购买了搭载NVIDIA DRIVE AV系统的量产车，车辆在发生有趣事件时会采集数据。
从配备DRIVE Hyperion的汽车收集的数据，可用于在云端训练和优化AI模型，在逼真的仿真环境中验证模型，然后将更新后的软件部署回汽车，从而持续改进自动驾驶系统。
首先是英伟达Omniverse平台，使用汽车采集的多传感器数据构建数字孪生世界。
英伟达使用NVIDIA Cosmos在离线状态下创建场景的许多不同变体，这对于创建大量数据用于训练和验证堆栈非常重要，尤其是关注到我们在现实世界中几乎看不到的边缘和罕见情况。
为了构建和验证一个非常安全、可靠的堆栈，这是必不可少的。
另一项关键仿真技术是NVIDIA Omniverse NuRec。
为了涵盖真实世界驾驶场景的多样性，推理型辅助驾驶汽车的测试与验证需要高保真的仿真环境。
NuRec是一套基于3D高斯泼溅技术的工具集，可通过接收摄像头输入，摄取真实世界数据，完成可交互仿真场景的重建与渲染，即重建其在现实世界中获得的数据。
因此，英伟达能利用其在道路上行驶的每一英里、无限的时间来验证每个新的软件版本，加速辅助驾驶技术的进化。
结语
在试乘前，我曾以为这会像很多自动驾驶demo一样，是在一个安全环境里沿着封闭路段开一圈。
但汽车开到了圣何塞的真实道路上，从车流密集的市中心开到热门景点、居民区周遭，遇到了推车的老人、插队占道的车、盯着手机走过的行人等真实的"意外"。
在这场近50分钟的驾驶中，它不需要激光雷达、不需要高精度地图，仅凭摄像头、毫米波雷达、超声波传感器、芯片和具备推理能力的模型，就担当了一位称职的数字司机。
随着汽车开始具备理解真实世界、推理并付诸行动的能力，更安全、智能的辅助驾驶功能将给未来出行方式带来更多轻松与愉悦。
