NVIDIA、自動運転・ロボタクシー向け340億パラメータのオープンモデル「Alpamayo 2 Super」を公開

何が発表されたのか

米NVIDIAは、自動運転システムおよびロボタクシーの開発向けに設計された最先端のオープン推論モデル「Alpamayo 2 Super」を発表しました。本モデルは同社が開発を進める自動運転用AIアーキテクチャの最新版であり、開発プラットフォーム「Hugging Face」上で一般公開されています。

Alpamayo 2 Superは、340億（34B）パラメータの規模を誇るマルチモーダル基盤モデルです。従来は視覚認識、経路決定、車体制御、データアノテーションといった機能ごとに別々のAIモデルを構築しパイプライン化する必要がありました。しかし本モデルは、360度全方位のカメラ画像入力からリアルタイムの走行軌道予測、自然言語による状況推論、メタアクション（高次元の行動指示）の決定、自動ラベリングまでを1つの統合モデルで実行します。

提供形式は研究段階ではなく、商用利用や再配布が認められたオープンライセンス「OpenMDW-1.1」に基づくプロダクションレベルの公開となります。世界の自動車メーカーや自動運転スタートアップは、本モデルをベースに自社データでの追加学習（ファインチューニング）や派生モデルの構築、製品への組み込みを行うことができます。

発表された機能・アップデートの全容

360度全方位視覚認識とエンドツーエンド統合処理

映像内では、車両に搭載された複数のカメラシステムから得られる360度の全方位サラウンド映像を、AIモデルがリアルタイムで一括処理する様子が紹介されています。従来の自動運転基盤では、前方は前方用モデル、側方は側方用モデルといった個別モジュールを並列動作させることが主流でした。

Alpamayo 2 Superは、単一のモデル内で車両全周の空間情報を統合して処理します。デモ画面では、自車の周囲に存在する他の乗用車、トラック、工事用車両、さらには路上を歩く歩行者や台車を押す作業員などが、緑色や黄色などのバウンディングボックスやセグメンテーションとして正確に検知・追跡されています。全方位の視覚情報を単一の潜在空間で保持することで、画角の境目で生じやすいオブジェクトの認識漏れやフレーム遅延を大幅に削減することに成功しています。

Grounded Visual Question Answeringと自然言語推論の生成

本モデルの大きな特徴の1つが、視覚情報と根拠付けされた言語理解を組み合わせた「Grounded Visual Question Answering（根拠付き視覚QA）」および「Reasoning Generation（推論根拠の生成）」機能です。

デモ映像では、車内のセンターディスプレイに対して乗員が「Let's go to my favorite sandwich shop（お気に入りのサンドイッチ店に行こう）」と発話する場面が提示されています。AIは目的地の検索と経路選定を行うだけでなく、自車が走行中に「なぜその行動をとるのか」という思考プロセスを自然言語のテキストとして出力します。

例えば、道路工事が行われている複雑な区間に進入した際、画面上の推論出力エリアには「Keep lane to follow the temporary corridor created by the construction cones（工事用パイロンによって作られた臨時走行路に沿って車線を維持する）」という判断理由が表示されます。単に操舵角や加減速の数値データを出力するだけでなく、AIが道路環境のどの要素に注目し、どのような論理で判断したのかを可視化することで、車内乗員への安心感提供やトラブル時のログ解析を極めて容易にしています。

リアルタイム軌道予測とメタアクションの自動生成

AIは視覚認識と推論をもとに、自車の将来の位置関係を示す「Trajectory Prediction（軌道予測）」と、ドライバーのように高レベルな判断を下す「Meta Actions（メタアクション）」をリアルタイムに生成します。

映像の各シーンでは、多種多様な交通状況におけるメタアクションの動的な生成が確認できます。

• 前方に停車中の車両が存在するシーン: 「Nudge left due to the stationary lead vehicle ahead blocking our lane（前方に自車線を塞ぐ停車車両があるため、左側に少し寄って回避する）」
• 合流車両や横断歩行者に対峙するシーン: 「Yield to the cut-in vehicle（割り込み車両に譲る）」「Yield to the pedestrian crossing the lane（車線を横断する歩行者に譲る）」
• 路上にボールや小児の飛出しリスクがある住宅街シーン: 「Decelerate, stop if the ball or pedestrians pose a risk（減速し、ボールや歩行者が危険を及ぼす場合は停止する）」

このように、単に前方の追従や車線維持を行うだけでなく、人間のベテランドライバーが行うような高度な判断と繊細な回避行動指示をミリ秒単位で判断し続けます。画面右下には予測される車線上の走行ラインがグラフ（Longitudinal / Lateral）として描画され、将来の車両挙動が精密に計算されていることが可視化されています。

データ注釈を自動化する高度なオートラベリング機能

自動運転AIの開発において最大のボトルネックとされるのが、膨大な走行映像に対する手動アノテーション（ラベル付け）のコストです。Alpamayo 2 Superは、モデル自体が高度な「Auto-labeling（自動ラベリング）」機能を兼ね備えています。

モデルは入力された大量の映像データに対し、走行軌道、物体の境界線、各アクターの行動予測、道路標識や臨時パイロンの意味論的解釈（セマンティクス）を自動的に生成します。従来はサードパーティ製のアノテーションツールや別個のAIモデルを組み合わせて構築していたデータ処理パイプラインを、Alpamayo 2 Super単体で大幅に効率化できます。これにより、開発企業は膨大な走行ログを高速かつ安価に学習用高品質データセットへと変換することが可能になります。

340億パラメータへの規模拡大とアーキテクチャの進化

動画内では、Alpamayoシリーズのモデル規模の進化が明示されています。初期の「Alpamayo 1」および軽量版「Alpamayo 1.5 Nano」は100億（10B）パラメータからスタートし、その後290億（29B）パラメータへと段階的に拡張されてきました。

最新の「Alpamayo 2 Super」ではパラメータ数が340億（34B）へと拡大しました。パラメータ規模の増大により、視覚情報の解像度向上、複雑なエッジケース（特殊な工事現場や入り組んだ市街地など）における推論精度、および自然言語出力の論理的一貫性が劇的に向上しています。モデル規模が大きく拡大したものの、推論効率の最適化が図られており、車載コンピューターやエッジサーバー上でのリアルタイム動作を想定した設計となっています。