Alpamayo 2 Super, AI NVIDIA yang Bikin Robotaxi Makin Pintar

NVIDIA membuka akses komersial terhadap Alpamayo 2 Super, model kecerdasan buatan (AI) dengan kemampuan penalaran yang dirancang untuk membantu pengembangan robotaxi dan kendaraan otonom. Model ini ditujukan untuk menghadapi berbagai situasi berkendara yang sulit diprediksi, termasuk kondisi yang tidak cukup ditangani hanya dengan teknologi pendeteksi objek dan prediksi pergerakan.

Kendaraan otonom selama ini menghadapi tantangan terbesar ketika berhadapan dengan situasi yang berada di luar skenario berkendara normal. Misalnya, kendaraan harus berbelok kiri ketika seorang pesepeda tiba-tiba melintas, memasuki persimpangan empat arah tanpa kendaraan yang memiliki hak utama untuk berjalan, atau melewati truk pengiriman yang berhenti di sekitar tikungan dengan jarak pandang terbatas.

Situasi seperti itu membutuhkan kemampuan lebih dari sekadar mengetahui keberadaan kendaraan, pejalan kaki, atau pesepeda. Sistem harus memahami konteks di sekitarnya, memperkirakan kemungkinan konsekuensi dari setiap tindakan, kemudian menentukan keputusan yang aman dan nyaman.

Kebutuhan tersebut menjadi alasan NVIDIA mengembangkan Alpamayo 2 Super. Model ini dirancang agar kendaraan otonom tidak hanya mengenali apa yang terjadi di jalan, tetapi juga mampu melakukan penalaran sebelum menentukan tindakan.

Dirancang untuk Situasi Berkendara yang Kompleks

Dalam sistem kendaraan otonom konvensional, kemampuan mendeteksi objek dan memprediksi pergerakan menjadi bagian penting dalam pengambilan keputusan. Namun, pendekatan tersebut dapat menghadapi keterbatasan ketika situasi di jalan tidak sesuai dengan pola yang sudah dikenal.

Misalnya, sebuah kendaraan melihat pesepeda berada di sisi jalan. Sistem tidak cukup hanya mengenali bahwa objek tersebut adalah pesepeda. Kendaraan juga perlu memperkirakan apakah pesepeda akan terus melaju, memotong jalur, atau berhenti. Setelah itu, kendaraan harus menentukan apakah perlu mengurangi kecepatan, berhenti, atau mengubah jalur.

Alpamayo 2 Super mencoba menangani proses tersebut melalui kemampuan AI reasoning. Model dapat mempertimbangkan konteks dan hubungan sebab-akibat sebelum menghasilkan keputusan.

Yang tidak kalah penting, proses penalaran tersebut dirancang agar dapat diperiksa oleh pengembang. Bagi industri kendaraan otonom, kemampuan untuk memahami alasan di balik keputusan AI menjadi penting karena setiap tindakan kendaraan berkaitan langsung dengan keselamatan penumpang dan pengguna jalan lainnya.

NVIDIA kini menyediakan Alpamayo 2 Super untuk penggunaan komersial melalui Hugging Face. Model tersebut merupakan bagian dari keluarga Alpamayo, yang menurut NVIDIA telah menjadi salah satu keluarga model penalaran terbuka yang banyak digunakan untuk pengembangan kendaraan otonom.

Model terbaru ini dibangun di atas arsitektur NVIDIA Cosmos 3 Super Reasoner dan kemudian menjalani pelatihan lanjutan menggunakan reinforcement learning atau pembelajaran penguatan.

Pendekatan tersebut memungkinkan satu model dasar menangani berbagai kebutuhan pengembangan kendaraan otonom. Pengembang tidak harus selalu membuat sistem AI terpisah untuk setiap jenis tugas.

Lisensi Komersial Buka Peluang Produksi

Salah satu perubahan penting dalam Alpamayo 2 Super adalah lisensinya. NVIDIA merilis model ini menggunakan OpenMDW-1.1, lisensi permisif dari Linux Foundation untuk distribusi model AI terbuka.

Lisensi tersebut memungkinkan pengembang melakukan fine-tuning, membuat model turunan, hingga melakukan redistribusi secara komersial. Dengan demikian, produsen mobil, kendaraan komersial, maupun pemasok teknologi dapat menyesuaikan model menggunakan data dan kebijakan berkendara mereka sendiri.

Langkah ini berpotensi mengurangi hambatan bagi perusahaan yang ingin mengembangkan teknologi kendaraan otonom berbasis AI. Mereka dapat memulai dari model yang sudah tersedia dan melakukan penyesuaian sesuai kebutuhan, tanpa harus membangun seluruh kemampuan AI dari awal.

Versi sebelumnya dari keluarga Alpamayo lebih banyak digunakan untuk kebutuhan penelitian. Dengan penerapan OpenMDW-1.1 pada keluarga Alpamayo, NVIDIA membuka peluang yang lebih besar bagi pengembang untuk membawa teknologi tersebut dari tahap penelitian menuju pengembangan produk.

Ketersediaan open weights juga menjadi bagian penting dari pendekatan ini. Pengembang dapat memanfaatkan kemampuan penalaran yang sudah tersedia tanpa perlu melatih ulang seluruh model dasar.

Selain menghemat waktu, pendekatan tersebut dapat membantu menekan kebutuhan biaya komputasi. Tidak semua tugas membutuhkan model AI dengan kemampuan penalaran paling tinggi. Pengembang dapat memilih model yang sesuai dengan tingkat kebutuhan.

Dalam ekosistem Alpamayo, Alpamayo 2 Super ditujukan untuk menangani pekerjaan penalaran paling berat dalam proses pengembangan berbasis cloud. Model ini dapat menghasilkan jejak penalaran, data pelatihan sintetis, serta keluaran dari model teacher yang kemudian digunakan untuk melakukan knowledge distillation terhadap model yang lebih kecil.

Alpamayo 1.5 dan Alpamayo 1 berada di bawahnya dan dapat digunakan sebagai pilihan yang lebih ringan untuk alur kerja tertentu.

Model yang lebih kecil hasil distillation tersebut kemudian dapat dioptimalkan agar mampu melakukan inferensi secara real-time di kendaraan. Dengan pola ini, proses pengembangan dapat menggunakan model berkemampuan tinggi di cloud, sementara kendaraan menggunakan model yang lebih kecil dan lebih khusus.

Klaim Unggul di Sejumlah Benchmark

NVIDIA juga memaparkan hasil pengujian Alpamayo 2 Super terhadap sejumlah benchmark kendaraan otonom. Dalam benchmark LingoQA, yang dirancang untuk menguji kemampuan penalaran dalam konteks kendaraan otonom, NVIDIA menyatakan Alpamayo 2 Super menempati posisi pertama dari sekitar 40 model yang dievaluasi.

Berdasarkan metrik Lingo-Judge, Alpamayo 2 Super mencatat keunggulan 17,0 poin atas Qwen2.5-VL 72B dan 15,1 poin atas Gemini 2.5 Pro. Sementara jika dibandingkan dengan GPT-4o, NVIDIA melaporkan selisih sebesar 23,2 poin. NVIDIA juga menyatakan Alpamayo 2 Super menempati posisi teratas dalam seluruh benchmark kendaraan otonom yang mereka evaluasi secara internal.

Namun, klaim tersebut merupakan hasil pengujian yang dilaporkan NVIDIA sendiri. Perbandingan performa di lingkungan nyata tetap membutuhkan pengujian independen dan evaluasi lebih lanjut sebelum kemampuan model dapat dianggap setara dengan kinerja kendaraan otonom dalam berbagai kondisi jalan.

Dari sisi ukuran, Alpamayo 2 Super memiliki jumlah parameter sekitar tiga kali lebih besar dibandingkan Alpamayo 1 dan Alpamayo 1.5 yang masing-masing berada pada kelas 10 miliar parameter.

Menurut NVIDIA, kapasitas tambahan tersebut membantu model melakukan generalisasi dari contoh yang terbatas. Kemampuan ini terutama ditujukan untuk menghadapi interaksi langka yang melibatkan banyak objek atau pengguna jalan, sebuah kondisi yang kerap menjadi tantangan bagi sistem perencanaan kendaraan otonom.

Model juga dapat menggunakan informasi dari kamera yang mencakup seluruh area di sekitar kendaraan. Pandangan dari kamera depan, samping, dan belakang digabungkan menjadi gambaran 360 derajat.

NVIDIA menyebut pendekatan ini membantu model memahami situasi seperti pergantian lajur, penggabungan jalur, belokan tanpa perlindungan lampu lalu lintas, serta persimpangan yang kompleks.

Lima Keluaran dari Satu Model

Alpamayo 2 Super memiliki kemampuan yang menarik karena dapat menghasilkan lima jenis keluaran dalam satu proses.

• Pertama, model menghasilkan trajectory atau jalur yang direncanakan kendaraan.
• Kedua, model menghasilkan chain-of-causation yang menjelaskan hubungan sebab-akibat di balik keputusan. Informasi ini dapat membantu pengembang memahami bagaimana model sampai pada keputusan tertentu.
• Ketiga, terdapat meta-action yang menggambarkan maksud tindakan kendaraan, misalnya memberi jalan, berpindah lajur, atau berhenti.
• Keempat, model menghasilkan reasoning auto-labels untuk membantu pembuatan data pelatihan.
• Kelima, terdapat visual question answering atau VQA yang dikaitkan dengan bagian tertentu pada gambar kamera menggunakan teknologi 2D grounding.

Kelima keluaran tersebut memberikan hubungan yang lebih jelas antara apa yang dilihat model dan tindakan yang dipilih.

Bagi pengembang kendaraan otonom, kemampuan ini penting karena keputusan AI tidak cukup hanya menghasilkan tindakan. Pengembang juga perlu mengetahui alasan di balik keputusan tersebut, terutama ketika sistem harus dievaluasi setelah menghadapi situasi yang tidak biasa.

Jejak chain-of-causation dari Alpamayo 2 Super juga dapat diintegrasikan dengan alur kerja validasi keselamatan NVIDIA Halos. NVIDIA menyebut pendekatan tersebut dirancang untuk mendukung praktik keselamatan AI yang selaras dengan persyaratan ISO/PAS 8800.

Bisa Mengubah Rekaman Kendaraan Menjadi Data Pelatihan

Selain digunakan sebagai model penalaran, Alpamayo 2 Super juga dapat berfungsi sebagai autolabeler. Fitur tersebut memungkinkan model memberikan label secara otomatis pada rekaman kendaraan. Chain-of-causation dan VQA berbasis 2D dapat diterapkan pada rekaman perjalanan yang dikumpulkan dari armada perusahaan.

Kemampuan ini berpotensi mempercepat pembuatan data pelatihan. Dalam pengembangan kendaraan otonom, anotasi data merupakan proses yang dapat memakan waktu karena setiap objek, situasi, dan tindakan perlu diberi label secara tepat.

Dengan autolabeling, perusahaan dapat mengurangi ketergantungan pada anotasi manual. Menurut NVIDIA, rekaman perjalanan mentah dapat diubah menjadi data pelatihan tanpa harus menghabiskan waktu berbulan-bulan untuk melakukan pelabelan secara manual.

Alpamayo 2 Super juga mendukung scene understanding, evaluasi atau kritik terhadap model, serta knowledge distillation. Artinya, satu model dasar dapat digunakan dalam lebih banyak tahapan pengembangan kendaraan otonom.

Didukung Ekosistem NVIDIA

Alpamayo 2 Super bukan satu-satunya komponen dalam ekosistem yang disiapkan NVIDIA. Perusahaan menyediakan NVIDIA AlpaSim untuk menjalankan simulasi closed-loop. Teknologi ini memungkinkan sistem kendaraan otonom diuji dalam lingkungan simulasi secara berulang.

Ada pula AlpaGym yang digunakan untuk reinforcement learning dalam skala besar. Sementara itu, Physical AI Open Datasets menyediakan data yang dapat digunakan untuk kebutuhan pelatihan dan pengujian.

NVIDIA juga menyediakan resep pelatihan terbuka dan pipeline autolabeling. Seluruh komponen tersebut dirancang untuk membantu pengembang mempercepat siklus pengembangan sekaligus melakukan validasi terhadap sistem kendaraan otonom.

Dengan strategi tersebut, NVIDIA tidak hanya menawarkan sebuah model AI, tetapi juga membangun ekosistem yang mencakup pengembangan, pelatihan, simulasi, pelabelan data, hingga validasi.

Keluarga Alpamayo sendiri telah mencatat lebih dari 500.000 unduhan di Hugging Face. NVIDIA menggunakan angka tersebut sebagai salah satu indikator bahwa Alpamayo merupakan keluarga model penalaran terbuka yang paling banyak diunduh untuk kebutuhan kendaraan otonom di platform tersebut.

Rilis Alpamayo 2 Super menunjukkan bahwa persaingan dalam teknologi kendaraan otonom mulai bergerak dari sekadar kemampuan melihat dan mengenali objek menuju kemampuan memahami situasi serta menentukan tindakan berdasarkan konteks.

Jika teknologi tersebut dapat dibuktikan konsisten dalam kondisi nyata, model AI reasoning berpotensi menjadi salah satu komponen penting dalam pengembangan robotaxi dan kendaraan otonom generasi berikutnya. Tantangan berikutnya adalah memastikan kemampuan penalaran tersebut tetap akurat, aman, dapat dijelaskan, dan dapat diandalkan ketika kendaraan menghadapi situasi jalan yang jauh lebih kompleks dibandingkan skenario dalam data pelatihan.