NVIDIA Alpamayo presenta una suite abierta de modelos VLA y simulación para validar el razonamiento causal en la conducción autónoma Nivel 4
Durante el desarrollo de CES 2026, NVIDIA anunció Alpamayo, un conjunto de herramientas orientado al desarrollo de sistemas de conducción autónoma. Esta plataforma integra modelos de IA, entornos de simulación y bases de datos físicas de acceso abierto.
Un modelo VLA (acrónimo en inglés de Vision-Language-Action, o Visión-Lenguaje-Acción) es una arquitectura multimodal que traduce la percepción visual directamente en acciones físicas. Utiliza el lenguaje como capa de razonamiento para entender el contexto y convertir lo que «ve» en comandos de movimiento ejecutables, uniendo la percepción y la ejecución.
Los sistemas tradicionales de autonomía suelen limitarse a la percepción del entorno sin ofrecer una explicación lógica de sus maniobras. NVIDIA Alpamayo propone un enfoque basado en la interpretación causal de los escenarios viales mediante modelos avanzados.
El modelo Alpamayo 1 cuenta una arquitectura de visión-lenguaje-acción (VLA) que procesa flujos de video y datos de sensores. El sistema ejecuta inferencias causales basadas en lenguaje para generar trayectorias y explicar la lógica de decisión en tiempo real.
El concepto funciona de manera similar a un estudiante de conducción que narra sus pensamientos durante un examen práctico. El vehículo no solo ejecuta el giro, sino que verbaliza que lo hace porque detectó un obstáculo en el carril adyacente.
La propuesta busca estandarizar los elementos fundamentales para alcanzar el Nivel 4 de autonomía, reduciendo la necesidad de desarrollar infraestructura desde cero. La suite permite a los desarrolladores inspeccionar y ajustar la tecnología según normativas locales de seguridad.
Los elementos técnicos centrales incluyen:
La validación de vehículos autónomos requiere exponer los algoritmos a situaciones críticas que difícilmente ocurren en pruebas físicas convencionales. La herramienta AlpaSim permite configurar comportamientos de tráfico y condiciones climáticas diversas para evaluar respuestas.
El entorno facilita la iteración rápida de políticas de conducción en escenarios controlados antes de su despliegue en carretera. Esto reduce los tiempos de validación al permitir pruebas masivas en entornos virtuales de alta fidelidad.
