Nøkkelinnsikt

• Alpamayo er det første åpne resonneringssystemet for selvkjørende biler: det forklarer hva det gjør og hvorfor, i stedet for bare å styre
• Årsak-virkning-resonnering alene reduserer nesten-ulykkeraten med 25 %, ifølge NVIDIAs egne tall
• Modellvekter, inferenskode og et utvalg treningsdata er frigitt offentlig, men under ikke-kommersiell lisens
• Forsterkende læring er dyrt å kjøre, og DeepSeeks alternative metode kan peke mot en billigere vei fremover

Kort fortalt

NVIDIA har sluppet Alpamayo, det de beskriver som det første helt åpne resonneringssystemet for selvkjørende biler. I motsetning til eksisterende systemer som Waymo, som er lukkede og ikke gir noen forklaring på sine beslutninger, skal Alpamayo formulere hva det er i ferd med å gjøre og hvorfor — før det handler. Károly Zsolnai-Fehér fra Two Minute Papers presenterer utgivelsen som et gjennombrudd for åpenhet i bransjen, men bak entusiasmen finnes det viktige forbehold: treningskostnadene er høye, lisensen er ikke-kommersiell, og de rapporterte tallene er NVIDIAs egne. Se også NVIDIA satser på åpen kildekode med NemoClaw og Nvidia: 30 mrd. i OpenAI kan bli siste storinvestering for mer kontekst om NVIDIAs åpen kildekode-strategi.

---

Den sentrale påstanden

Selvkjørende biler er ikke lenger science fiction. Waymo leverer ifølge episoden rundt 400 000 betalte turer per uke i byer som San Francisco og Los Angeles. Men et grunnleggende problem gjenstår: ingen utenfor selskapene vet hvorfor disse systemene tar de valgene de gjør. De er lukkede svarte bokser.

Zsolnai-Fehér argumenterer for at Alpamayo endrer dette bildet på to måter: systemet resonnerer åpent om sine beslutninger, og kildekoden er tilgjengelig for alle. Det beskrives som «det første fullstendig åpne resonneringssystemet» for selvkjøring, og episoden hevder at åpenheten ikke bare er ideologisk verdifull, men faktisk gjør kjøringen sikrere.

Bevis og begrunnelse

Kjernen i påstanden er koblingen mellom resonnering og ytelse. Ifølge NVIDIA reduserer resonnering alene, uten andre endringer, nesten-ulykkeraten med 25 %. I episoden beskrives dette som «litt vilt» — og det er en god beskrivelse av et tall som bør leses kritisk (mer om det nedenfor).

En annen gevinst er feilsøkbarhet: «Hvis det gjør en feil, vet vi nå nøyaktig hvorfor». For ingeniører som skal forbedre systemet, er dette svært verdifullt. Det samme gjelder de sjeldne situasjonene som er særlig vanskelige å håndtere.

Håndtering av lang hale-problemet

I selvkjøring brukes begrepet «lang hale» (long tail) om de sjeldne, uvanlige situasjonene som er vanskelige å trene på nettopp fordi de skjer så sjelden. En enhjuling på motorveien. Et tvetydig håndsignal fra en politibetjent. En anleggsarbeider som dirigerer trafikken.

Episoden viser at Alpamayo forstår at en anleggsarbeider er i veien og at den bør følge instruksjonene hans. Dette er ikke trivielt: tradisjonelle systemer trener på store datamengder fra vanlige situasjoner, og svikter lettere i kanttilfellene. Alpamayo bruker en simulator kalt AlpaSim til å øve på nettopp disse scenarioene.

---

Slik fungerer systemet

Alpamayo er en visuell-språk-handlingsmodell (VLA, Vision-Language-Action model): en AI som ser kamerabilder, resonnerer om dem i tekst og omsetter resonneringen til fysiske handlinger som styring og akselerasjon. Modellen har 10 milliarder parametere og er bygget på NVIDIAs Cosmos-Reason-arkitektur.

Konsistensbelønning som løgndetektor

Et velkjent problem med resonneringsmodeller er at de kan si én ting og gjøre noe helt annet. Episoden beskriver dette som en grunnleggende svakhet man måtte løse.

Løsningen heter forsterkende læring (RL, Reinforcement Learning) med konsistensbelønning. Forsterkende læring er en treningsmetode der AI-en får belønning for gode beslutninger og straff for dårlige. Konsistensbelønningen fungerer som en løgndetektor: dersom det AI-en sier ikke stemmer overens med det den faktisk gjør, trekkes poeng fra. Over tid lærer modellen å si hva den faktisk har tenkt å gjøre.

Jevne bevegelser med betinget flyttilpasning

Selv om modellen nå resonnerer konsistent, kan råutgangen fra en språkmodell gi rykkete styrekommandoer. Betinget flyttilpasning (conditional flow matching) er en matematisk teknikk som glatter ut disse bevegelsene til jevne, kontinuerlige kurver. Resultatet er mer menneskelig kjøreadferd.

Treningsdata og simulator

Modellen er trent på 700 000 videoklipp, og for hvert klipp har den skrevet en «dagboknotis» som forklarer nøyaktig hva som forårsaket bilens bevegelse. Dette er årsak-virkning-resonnering (chain-of-causation reasoning) i praksis.

For å teste modellen uten å slippe den ut i trafikken brukte NVIDIA AlpaSim, en simulator som rekonstruerer den virkelige verden inne i en datamaskin ved hjelp av 3D Gaussisk splatting. Teknologien lager fotorealistiske 3D-scener fra bilder, slik at modellen kan øve på farlige situasjoner uten konsekvenser.

Åpen utgivelse

Modellvektene, inferenskoden og et utvalg treningsdata er gjort tilgjengelig offentlig. Modellvekter er de innlærte parameterne i modellen, det som gjør at den faktisk fungerer. Inferenskode er programvaren som trengs for å kjøre modellen og hente ut resultater. Episoden beskriver dette som «nøklene til kongeriket», og peker på at en student nå kan laste ned et state-of-the-art selvkjørende system og evaluere det selv.

---

Motstridende perspektiver

Kostnaden ved forsterkende læring

Episoden er åpen om den viktigste begrensningen: forsterkende læring er dyrt. Å la en belønningsmodell vurdere hver eneste beslutning AI-en tar under trening krever enorme mengder beregning. Zsolnai-Fehér sammenligner det med å betale for en privatlærer 24 timer i døgnet.

Dette er ikke en liten hindring. Det betyr at Alpamayo-tilnærmingen kan være vanskelig å skalere for aktører uten NVIDIAs ressurser.

DeepSeeks alternative vei

DeepSeek, et kinesisk AI-forskningsselskap, har i en annen rapport forsøkt å komme rundt dette problemet. I stedet for en separat belønningsmodell genererer systemet 16 ulike planer og lar dem konkurrere mot hverandre. Denne tilnærmingen kalles GRPO (Group Relative Policy Optimization), og eliminerer behovet for en kostbar ekstern dommer. Episoden antyder at noe lignende kanskje kan gjøres i Alpamayo-sammenheng i fremtiden.

Ikke-kommersiell lisens

Det er verdt å merke seg at modellvektene er frigitt under en ikke-kommersiell lisens. Det betyr at akademikere og hobbyister fritt kan bruke systemet, men kommersielle aktører kan ikke bygge produkter på det uten en separat avtale med NVIDIA. Inferenskoden er under Apache 2.0-lisens og kan brukes fritt. Dette er et viktig forbehold for alle som vurderer å bygge noe på Alpamayo.

---

Hvordan tolke disse påstandene

Episoden er entusiastisk, og med god grunn: en åpen, resonneringsbasert selvkjøringsmodell er virkelig interessant. Men flere spørsmål fortjener grundig vurdering før man godtar konklusjonene uten videre.

Tallene er NVIDIAs egne

25-prosenttallet for reduksjon i nesten-ulykker er hentet fra NVIDIAs egne evalueringer, presentert i deres eget forskningspapir. Det finnes per i dag ingen uavhengig bekreftelse av dette resultatet. Tall fra forskerteamet som lager systemet, målt i scenarier de selv har designet, bør leses med en viss forsiktighet. Det er ikke nødvendigvis feil, men det er ikke det samme som et uavhengig validert resultat.

Hva er referansepunktet?

Spørsmålet «25 % reduksjon sammenlignet med hva?» besvares ikke tydelig i episoden. Sammenlignes det med Alpamayo uten resonnering aktivert? Med andre åpne systemer? Med Waymo? Svaret på dette spørsmålet bestemmer i stor grad hva tallet faktisk betyr.

Simulator versus virkelighet

Trening i AlpaSim er verdifull, men simulatorer er alltid forenklinger av virkeligheten. Den klassiske utfordringen i robotikk og selvkjøring er det man kaller «sim-to-real gap»: modeller som presterer utmerket i simulering svikter noen ganger i møtet med uforutsette situasjoner i den virkelige verden. Episoden adresserer ikke dette spørsmålet direkte.

Hva sterke bevis ville sett ut som

For at disse påstandene skal bli overbevisende utover NVIDIAs eget ord, trengs det uavhengige tester i reell trafikk over tid, gjerne med sammenligningsgrupper fra andre systemer. Åpen kildekode gjør slik uavhengig evaluering mulig, noe som er en av de viktigste verdiene ved å frigi modellvekter og kode.

---

Praktiske implikasjoner

For forskere og studenter

Alpamayo er det første systemet av denne typen som er fritt tilgjengelig for akademisk bruk. En forsker kan nå laste ned en state-of-the-art selvkjørende modell, reprodusere resultatene og teste egne hypoteser uten å be om tilgang fra et lukket selskap. Dette er en reell endring i hva som er mulig i forskningsmiljøer med begrensede ressurser.

For bransjen

Åpen resonnering i selvkjøring gjør det lettere å forstå og feilsøke systemfeil. Dersom kategorien vokser og andre aktører bygger videre på Alpamayo-arkitekturen, kan «tenk høyt»-prinsippet bli en bransjestandard, på samme måte som forklarbarhet er blitt et krav i medisinsk AI. Kommersielle aktører som vil bruke systemet, trenger imidlertid en egen lisensavtale med NVIDIA.

---

Ordliste

---

Kilder og ressurser