NVIDIA ouvre un modèle de raisonnement pour les voitures autonomes

NVIDIA a présenté Alpamayo 2 Super, un modèle d’IA de raisonnement pour la conduite autonome disponible pour un usage commercial. Pensé pour les robotaxis et autres véhicules autonomes, il cible surtout les cas rares et difficiles à prévoir, ceux qui font trébucher les systèmes quand la route cesse d’être polie et linéaire. L’enjeu est concret : mieux comprendre la scène, décider plus vite et produire une trajectoire vérifiable en temps réel.

Pourquoi ce type de modèle compte pour l’autonomie

Dans la conduite autonome, les problèmes les plus durs ne sont pas les scènes banales, mais les situations longues et complexes à anticiper. Alpamayo 2 Super ne se limite pas à détecter des objets ou à prédire des mouvements ; il est conçu pour raisonner sur le contexte, la cause et l’effet, puis transformer ce raisonnement en action sûre et confortable. Cela change la manière de développer les véhicules autonomes, car le modèle doit être inspectable, validable et digne de confiance.

Le modèle fait partie de la famille Alpamayo, décrite par NVIDIA comme la plus adoptée des modèles ouverts de raisonnement pour la conduite autonome sur Hugging Face. Son approche mêle open source, ou plutôt open weights dans ce cas précis, et usages industriels. Autrement dit, on ne parle pas d’une démo de laboratoire, mais d’un outil pensé pour passer du cloud à la voiture sans casser la chaîne de développement.

Open weights, licence ouverte et contrôle des données

Alpamayo 2 Super est diffusé sur Hugging Face sous OpenMDW-1.1, une licence permissive de la Linux Foundation. Elle autorise l’affinage, les modèles dérivés et la redistribution commerciale. Pour les développeurs, constructeurs automobiles, fabricants de camions et équipementiers, cela ouvre la porte à des modèles adaptés à leurs propres données, à leurs règles de conduite et à leurs contraintes de déploiement.

NVIDIA insiste aussi sur la maîtrise des infrastructures et du savoir accumulé. Les équipes peuvent conserver leurs données et leurs pipelines, au lieu de dépendre entièrement d’un modèle fermé qu’elles ne peuvent ni inspecter ni modifier librement. Dans un secteur où la sécurité et la propriété des données pèsent lourd, ce n’est pas un détail.

Un modèle pensé pour expliquer ses décisions

Alpamayo 2 Super produit cinq sorties étroitement liées pour chaque situation de conduite : une trajectoire, une trace de causalité, une méta-action, des auto-labels de raisonnement et des réponses de type question-réponse visuelle avec ancrage 2D. En clair, le système ne dit pas seulement quoi faire ; il indique aussi pourquoi il l’a fait et sur quelles zones de l’image il s’appuie.

Ce fonctionnement doit aider les ingénieurs à relier ce que le modèle a observé à l’action choisie. NVIDIA précise que ces traces de causalité s’intègrent aux workflows de validation de sécurité Halos et soutiennent les exigences de l’ISO/PAS 8800. Le bénéfice est double : rendre la décision plus lisible et accélérer les cycles d’annotation, qui peuvent passer de mois à quelques jours.

Des performances mises en avant sur les benchmarks

Selon NVIDIA, Alpamayo 2 Super arrive en tête sur LingoQA, un benchmark de raisonnement pour la conduite autonome, parmi près de 40 modèles évalués. Dans les tests menés par l’entreprise avec la métrique Lingo-Judge, il dépasserait Qwen2.5-VL 72B de 17,0 points, Gemini 2.5 Pro de 15,1 points et GPT-4o de 23,2 points. Ces résultats sont ceux de NVIDIA et méritent d’être lus comme tels [à vérifier].

Le modèle afficherait aussi une échelle trois fois supérieure à celle des modèles Alpamayo 1.5 et Alpamayo 1, tous deux donnés pour 10 milliards de paramètres. Cette hausse de capacité est censée mieux gérer les interactions rares entre plusieurs acteurs, notamment dans les changements de voie, les merges, les tournants non protégés et les intersections complexes. En conduite autonome, les surprises sont rarement sympathiques.

Une brique de plus dans la stratégie robotaxi de NVIDIA

Alpamayo 2 Super s’inscrit dans un ensemble plus large de modèles, jeux de données et outils ouverts autour de la conduite autonome. NVIDIA cite aussi AlpaSim pour la simulation en boucle fermée, AlpaGym pour l’apprentissage par renforcement à haut débit, ainsi que des jeux de données Physical AI et des recettes d’entraînement ouvertes. L’idée est de couvrir davantage la chaîne de développement, de la formation au déploiement.

L’entreprise affirme que la famille Alpamayo a déjà dépassé 500 000 téléchargements sur Hugging Face. Ce chiffre montre un intérêt réel pour des modèles de raisonnement ouverts dans l’automobile autonome. Reste la question classique, et un peu moins glamour que les démonstrations sur scène : transformer une belle capacité de laboratoire en conduite fiable, répétable et certifiable à grande échelle.