30秒サマリー
- NVIDIAが自動運転開発を統合する340億パラメータの大規模VLAモデルを正式公開
- 軌跡生成・シーン理解・データラベリングを単一モデルで実現し、開発工程を効率化
- モデル重みをHugging Faceで公開、商用利用・派生モデルも許可するオープンライセンスを採用
何が起きたか
NVIDIAは2026年8月4日、自動運転（AV）開発向けの推論型ビジョン・言語・アクション（VLA）モデル「Alpamayo 2 Super」を公開した。320億パラメータの「Cosmos 3 Super Reasoner」と20億パラメータの拡散ベース「Action Expert」を組み合わせた計340億パラメータ構成で、強化学習によるポストトレーニングが施されている。
同モデルは最大7台のカメラによる360度知覚に対応し、将来の走行軌跡生成、因果推論トレース（Chain-of-Causation）、高レベルのメタアクション予測、シーンへの自然言語QA、および自動ラベリングという5種類の出力を単一モデルで提供する。従来、これらの機能は別々のモデルで担われており、NVIDIAはこの統合によって開発ワークフローの各段階—オフラインポリシー教師、評価、データエンジン、タスクカスタマイズ—に同一の基盤モデルを活用できるとしている。
ベンチマーク結果として、軌跡予測の精度指標minADE_6が0.911m、AV推論スコア0.433、LingoQA評価で79.2（評価対象37モデル中1位）を記録した。LingoQAではQwen2.5-VL（72Bパラメータ）を17.0ポイント、GPT-4oを23.2ポイント上回ったと原文は述べている。閉ループシミュレーション「AlpaSim」では913シーンでスコア1.50±0.13を達成し、前世代の「Alpamayo 1.5 Nano」の1.37±0.10を超えた。モデル重みはHugging Faceで公開され、ライセンスはLinux Foundation傘下のOpenMDW-1.1で、商用利用・ファインチューニング・派生モデル配布が認められている。
原典ハイライト
原文（NVIDIA Technical Blog）は「AV開発では軌跡生成・意図予測・シーン理解・データラベリングに別々のモデルを使うことが多く、出力の比較・モデル挙動の調査・表現の再利用を困難にしている」と問題提起し、Alpamayo 2 Superがその分断を単一モデルで解消すると説明している。また、蒸留モデルの商用展開についてNVIDIAへの追加許諾は不要と明記されている点が注目される。
出典: NVIDIA Technical Blog（公式ブログ）
So What?（なぜ重要か）
自動運転開発においてモデルを用途別に複数管理するコストと複雑さは業界共通の課題だった。NVIDIAが340億パラメータの統合モデルをオープンライセンスで公開したことで、OEMやティア1サプライヤーは開発パイプラインを集約できる可能性がある。同時に、閉ループ評価環境AlpaSim、安全検証ワークフローHalosとのシームレスな連携を想定した設計は、NVIDIA製エコシステムへの依存度を高める戦略的意図とも読める。
日本企業への示唆
日本の自動車メーカーや自動運転スタートアップにとって、モデル重みとコードが商用可能な形で公開されたことは、内製開発コストを抑えながら高精度な認識・推論基盤を取り込める機会となる。一方、NVIDIAのGPUスタックとAlpaSim評価環境が前提となる構成のため、導入検討にあたっては既存のAWSやGCP環境との互換性、GPUインフラの調達コスト（原文によれば2GPU・VRAM70GB以上を要する設定あり）を事前に精査する必要がある。また、OpenMDW-1.1ライセンスの条件—特に派生モデルの商用再配布ルール—を法務部門が確認した上で利用方針を定めることが望ましい。
背景・経緯
NVIDIAはAlpamayoシリーズを段階的に進化させており、本モデルは前世代の「Alpamayo 1.5 Nano」と比較してオープンループ・クローズドループ双方で性能向上が確認されている。安全検証ツール「NVIDIA Halos」との連携や、物理AI向けデータセット「Physical AI AV Dataset」の活用が前提となっており、NVIDIA製自動運転開発スタックとの統合が深まっている。
