消息公布後，特斯拉股價盤中一度重挫逾 5%，終場收跌約 3%。Elon Musk 隨後也公開表示，自動駕駛要處理 99% 的情境其實不難，難的是剩下那 1% 的極端案例，這才是真正決定實用性與安全性的關鍵。

輝達 Alpamayo 正式上車，主打可推理、可解釋

Alpamayo 是輝達首度導入量產車款的自駕系統，並非僅限於實驗或研究用途。系統採用端到端 AI 架構，將視覺理解、語言式推理與行為控制整合為單一流程，在產生駕駛決策的同時，也會輸出對應的推理邏輯。

在實際行駛中，當 Alpamayo 選擇減速或改變路線時，不只是執行動作，而是能說明其判斷依據與預測的行車軌跡。決策過程不再只是黑箱結果，而是可被工程端與監管單位追溯與理解。

Cosmos 世界模型，讓 AI 反覆演練極端狀況

為了補齊最難處理的長尾情境，輝達同步推出 Cosmos 世界模型，用於生成具物理一致性的合成資料。Cosmos 能模擬暴雨、突發障礙、複雜交通互動等現實中難以大量蒐集的狀況，相當於為自駕系統打造一個可無限重播的虛擬訓練場。

透過這套模型，Alpamayo 能在實際上路前，先在虛擬世界中經歷數十億英里的極端場景測試，累積對少見風險的應對經驗，提升實際道路上的穩定性與判斷能力。

模型與資料集同步開放，自駕研發全面攤開

相較多數僅開放模型權重的做法，輝達此次同步釋出推論程式、模擬框架與原始資料集，讓自駕研發流程從訓練、測試到驗證都能建立在相同基礎上。

透過這種「模型加資料」的開放方式，車廠與供應鏈能在相同工具鏈上，發展符合各地法規與道路特性的自駕系統。

雙重技術棧設計，確保安全底線

在安全架構上，輝達為 Alpamayo 採用雙系統並行設計。當具推理能力的主系統遇到高風險或不確定情境時，內建的政策與安全評估器會即時介入，將控制權切換至傳統防禦式自駕技術棧。

這套機制在量產車上形成清楚的安全分工，使系統在追求智慧決策的同時，仍保有保守且可預期的行為邏輯，降低極端狀況下的風險。

Elon Musk：最後 1% 才是最大挑戰

Elon Musk 隨後在 X 表示，高比例準確度並非自動駕駛最難跨越的門檻，真正困難的是那些極少發生、卻高度影響安全的長尾情境。這些場景不僅難以蒐集，也難以完整重現，但往往決定系統是否值得信任。

這樣的觀點，與輝達在 Alpamayo 中強調的推理能力、模擬驗證與安全機制形成對照，反映產業關注重心正逐步轉向如何處理例外狀況，而非單純提升平均表現。

長尾處理與驗證能力，成為新競爭焦點

在技術路線上，輝達以多感測器架構、推理模型與合成資料生成建立完整體系；特斯拉則持續以視覺為核心，自行發展 FSD 系統。隨著自動駕駛進入實際上路階段，競爭焦點逐漸從「能不能開」轉為「遇到最糟情況時怎麼應對」。

誰能在長尾情境下提供可驗證、可解釋且可持續演進的解法，將成為下一階段自動駕駛競爭的分水嶺。

延伸閱讀

NVIDIA 黃仁勳主題演講一次看懂、台灣 AI 超級電腦建設啟動

特斯拉德州資料中心將達 500 MW 規模！將成為世界最大 AI 超級集群

打造地表最大分散式 AI 推理網路？特斯拉想讓你的車成為共享算力