Alpamayo 2 Super er en åben 34-milliarders AI-model fra NVIDIA til udvikling af autonome køretøjer. Den kan forbinde kamerabilleder, køretøjets bevægelse og tekst med foreslåede kørebaner og forklarende output, men den er en krævende udviklingsmodel til cloudmiljøer – ikke en færdig eller sikkerhedsgodkendt fører.
Alpamayo 2 Super er en åben AI-model til udvikling af autonome køretøjer, men ikke en færdig selvkørende løsning. Modellen forbinder kameradata og køretøjets bevægelse med planlagte baner og forklaringer; praktisk brug kræver stadig lokal test, betydelig regnekapacitet, databeskyttelse og sikkerhedsvalidering.
Hvad lancerede NVIDIA den 4. august 2026?
NVIDIA frigav modelvægtene til Alpamayo 2 Super med mulighed for kommerciel brug. Modellen er udviklet til robotaxier og andre autonome køretøjer og samler flere opgaver inden for perception, ræsonnement, planlægning og mærkning af træningsdata.
Lanceringen ændrer især adgangen til teknologien. Tidligere Alpamayo-versioner blev først præsenteret til forskning og udvikling, mens OpenMDW-1.1-licensen nu bruges på hele modelfamilien. Udviklere kan hente modellen, tilpasse den og bygge afledte modeller uden at bede NVIDIA om en særskilt kommerciel tilladelse.
Hvad er Alpamayo 2 Super?
Alpamayo 2 Super er en vision-language-action-model med cirka 34 milliarder parametre. Den kombinerer en vision-language-kerne på 32 milliarder parametre med en diffusionsekspert på 2,3 milliarder parametre, som omsætter den analyserede situation til en planlagt bevægelse.
Modellen bygger på Cosmos 3 Super Reasoner og er eftertrænet med reinforcement learning. Hvor en almindelig billedmodel kan genkende objekter, skal Alpamayo også forbinde observationer med årsager, hensigter og et muligt kørselsforløb.
Hvordan læser modellen en køresituation?
Inputtet består af billeder eller video fra flere kameraer, tekst og historik over køretøjets egen bevægelse. De offentlige notebook-profiler bruger seks kameraer og fire synkroniserede historiske billeder fra hvert kamera. Det giver udsyn fremad, til siderne og bagud.
Denne form for maskinsyn skal blandt andet forbinde vejbaner, køretøjer og fodgængere med bilens hastighed og retning. Kameraer alene giver dog ikke en komplet beskrivelse af virkeligheden. Sensorfejl, dårligt vejr, skjulte trafikanter og lokale vejforhold kan stadig skabe situationer, som kræver særskilt test.
Hvilke resultater kan modellen levere?
Alpamayo 2 Super er en fleropgavemodel. Den kan levere fem beslægtede typer output fra den samme køresituation:
- en planlagt bane med 64 punkter, der dækker de næste 0,1 til 6,4 sekunder
- en årsagskæde i tekst, som beskriver grundlaget for beslutningen
- en overordnet handling som at holde tilbage, skifte bane eller standse
- automatiske årsagsmærkater til trænings- og valideringsdata
- svar på visuelle spørgsmål med koordinater til relevante områder i kamerabilledet
Det forklarende tekstspor gør en beslutning lettere at undersøge, men er ikke i sig selv bevis for, at beslutningen er korrekt. Et system kan formulere en sammenhængende begrundelse og stadig have overset en trafikant eller valgt en usikker bane.
Hvad betyder de åbne vægte og licensen?
Modelvægtene er frigivet under OpenMDW-1.1, mens kildekoden bruger Apache License 2.0. OpenMDW tillader blandt andet brug, ændring og viderefordeling af modelmaterialet, også kommercielt, når licensen og relevante ophavsmeddelelser bevares.
Åbne vægte giver mulighed for at tilpasse modellen til egne køretøjer, data og udviklingsmiljøer. Det er ikke det samme som, at træningsdataene er fuldt åbne, eller at enhver afledt løsning automatisk er sikker og lovlig. Licensen leveres uden garanti og placerer ansvaret for nødvendige rettigheder og undersøgelser hos den, der bruger materialet. Det svarer til den bredere forskel mellem åbne modelvægte og open source-AI.
Hvad viser NVIDIAs benchmark?
I NVIDIAs evaluering fik modellen 79,2 point med Lingo-Judge på LingoQA, som måler ræsonnement om kørsel. NVIDIA oplyser, at resultatet ligger 17,0 point over Qwen2.5-VL 72B, 15,1 point over Gemini 2.5 Pro og 23,2 point over GPT-4o i samme opsætning.
Modelkortet oplyser også resultater fra 910 lukkede simulationsscenarier og 1.434 udfordrende åbne tests. Tallene er leverandørens egne modelmålinger og dokumenterer ikke sikker drift på offentlige veje. Et benchmark dækker udvalgte opgaver, datasæt og målere; det kan ikke erstatte test af hele køretøjet i det miljø, hvor det skal bruges.
Hvorfor er modellen primært et cloudværktøj?
Den dokumenterede testkonfiguration bruger Linux og én NVIDIA H100 med 80 GB hukommelse. I den målte opsætning nåede GPU-forbruget lidt over 72.000 MiB. Andre GPU-arkitekturer var ikke valideret i modelkortet ved udgivelsen.
NVIDIA beskriver derfor Alpamayo 2 Super som en model til cloudbaseret udvikling. Den kan skabe forklarende træningsdata, fungere som lærer for mindre modeller og hjælpe med at analysere køresituationer. Mindre, specialiserede modeller kan efterfølgende optimeres til hurtig behandling i selve bilen. Det er en anden opgave end lokal AI, som skal fungere inden for bilens begrænsede strøm-, hukommelses- og svartidsbudget.
Er Alpamayo en færdig selvkørende løsning?
Nej. Modellen er en komponent til udvikling og kan ikke alene udgøre et godkendt autonomt køretøj. Et færdigt system skal også håndtere sensorer, redundans, kort, køretøjets styring, overvågning, fejlsikring og sikker overgang til en kontrolleret tilstand.
Modelkortet kræver yderligere test med data fra den konkrete anvendelse og anbefaler løbende validering på både komponent- og systemniveau. Forklarende årsagskæder kan støtte en undersøgelse af AI-beslutninger, men de erstatter hverken målinger, sikkerhedskrav eller menneskelig gennemgang.
Hvordan kan modellen ændre udviklingsarbejdet?
Den mest umiddelbare gevinst ligger i arbejdet før et køretøj kører selvstændigt. Modellen kan gennemgå optagelser fra en flåde, foreslå mærkater, forklare vanskelige hændelser og levere lærer-output til en mindre model. Dermed kan ét grundsystem bruges på tværs af flere dele af udviklingskæden.
Automatiske mærkater kan forkorte en manuel proces, men de bør behandles som forslag. Fejl i mærkningen kan ellers blive ført videre til træning, test og senere beslutninger. En robust arbejdsgang gemmer derfor kildeoptagelsen, modelversionen, outputtet og resultatet af den menneskelige eller automatiske kontrol.
Hvad betyder lanceringen for organisationer i Danmark?
Modellen er mest relevant for forskningsmiljøer, bilproducenter, underleverandører og mobilitetsprojekter med betydelig regnekapacitet. Modelkortet angiver global geografisk brug, men dokumenterer ikke afprøvning på danske veje, vejskilte, vinterforhold eller trafikkultur.
Organisationer kan bruge de åbne vægte til afgrænsede laboratorie- og simulationsforsøg uden først at købe adgang til en lukket modeltjeneste. Kommerciel licens er dog ikke en markedsgodkendelse. Resultater fra udenlandske datasæt skal efterprøves med repræsentative lokale scenarier, før de kan sige noget om anvendeligheden i Danmark.
Hvilke data- og EU-regler kan få betydning?
Kameraoptagelser kan være personoplysninger, når personer eller nummerplader kan knyttes til identificerbare personer. Den dataansvarlige skal i så fald afklare behandlingsgrundlag, formål, dataminimering, adgang, opbevaring og beskyttelse. At modellen kan hentes og køres på egen infrastruktur kan give større teknisk kontrol, men ændrer ikke i sig selv de databeskyttelsesretlige pligter.
EU AI Act blev generelt anvendelig den 2. august 2026, mens Kommissionens aktuelle tidsplan angiver en længere overgang for højrisiko-AI, der indgår i regulerede produkter. Om og hvornår en konkret køretøjsløsning omfattes, afhænger af systemets funktion, aktørrollen og den relevante produktlovgivning. En AI Act-vurdering bør derfor knyttes til den færdige anvendelse og ikke kun til grundmodellen.
Hvad bør kontrolleres før et forsøg?
- Afgræns om modellen skal bruges til mærkning, analyse, planlægning, destillation eller en anden konkret opgave.
- Test kameraopsætning, vejr, vejtyper og sjældne hændelser fra det forventede driftsmiljø.
- Mål både fejl i foreslåede baner og fejl i modellens forklaringer.
- Registrér modelversion, data, hardware, tærskler og den validering, som hvert resultat bygger på.
- Kontrollér licensmeddelelser, databeskyttelse, sektorkrav og nødvendige godkendelser før videre brug.
En realistisk første anvendelse er et lukket evalueringsmiljø, hvor modellen ikke kan styre et fysisk køretøj. Her kan udviklere sammenligne dens output med kendte forløb og menneskelige vurderinger, før modellen får en mere direkte rolle i udviklingskæden.
Hvilke kilder ligger til grund?
Nyheden bygger på NVIDIAs lancering af Alpamayo 2 Super fra FutureTools. Arkitektur, testopsætning, træningsdata og begrænsninger er kontrolleret i det officielle modelkort på Hugging Face, mens brugsvilkårene følger OpenMDW-1.1-licensen. Den europæiske afgrænsning bygger på EU-Kommissionens AI Act-oversigt og databeskyttelsesforordningen.