NVIDIA Alpamayo et l'argument de l'IA pour l'autonomie L4 : raisonnement, sécurité et ce qu'il faut pour l'intégrer

Partie 1 de cette série a couvert ce qui est déjà en production : la plateforme Hyperion, l'architecture L2++ de NVIDIA dans la Mercedes-Benz CLA, et la feuille de route L4 engagée jusqu'en 2028.

Lire la partie 1 : la stratégie L2++ à L4 de NVIDIA

En savoir plus

En savoir plus

This article covers the shift that made all of it possible. Three AI developments in the last 3-4 years delivered more progress in autonomous driving than the entire previous decade. Understanding them changes how you think about SOTIF scope, safety case obligations, and integration strategy for any programme that touches the NVIDIA DRIVE stack. We also cover what it actually looks like to run Alpamayo in practice.

Le bond de l'IA : ce qui a changé ces trois dernières années

Marco Pavone, NVIDIA’s Director of Autonomous Vehicle Research and a Stanford professor, described the shift plainly: more progress in autonomous driving in the past 3-4 years than in the previous decade combined. These three developments drove that acceleration.

1. Les modèles de fondation ont apporté la connaissance du monde dans les véhicules

Previous AV systems only knew what their training data had shown them. Foundation models let a vehicle reason about situations it’s never seen before – a mattress in the road, a ball rolling into the street. Pavone’s analogy is useful: when you learn to drive at 18, you bring 18 years of world experience with you. Foundation models do the same for AV stacks.

2. Les architectures de bout en bout ont éliminé le problème de transfert

Traditional AV pipelines pass data across discrete modules (perception, prediction, planning, control) and lose context at every handoff. End-to-end architectures take raw sensor input and output a driving decision in a single pass, keeping full situational awareness throughout. It changes the failure mode profile entirely.

3. Raisonner, pas seulement réagir

Alpamayo de NVIDIA est un modèle Vision-Langage-Action de 10 milliards de paramètres entraîné dans 25 pays et plus de 2 500 villes. Il produit une trajectoire ainsi qu'une trace de raisonnement. Un exemple concret : «Décalez vers la gauche pour augmenter la distance par rapport aux cônes de chantier.“

Explainability is a prerequisite for regulatory approval of AI-based driving systems. The reasoning trace is what makes the approval path tractable, and its absence is exactly what makes pure black-box neural networks hard to certify. If you’re running SOTIF assessments on an AI-based ADAS stack, this matters directly.

Le cercle vertueux des données amplifie ces trois

Every vehicle on the DRIVE platform feeds real-world driving data back to DGX cloud systems for model training. NVIDIA Cosmos generates synthetic variations of rare and dangerous scenarios at scale. Neural reconstruction (NuRec) runs more than one million validated scene replays per day. Better models return to vehicles via OTA update.

Each new OEM that joins Hyperion makes the loop stronger for everyone on the platform. The more programmes that run on Hyperion, the faster Alpamayo improves for all of them. A standalone stack can’t replicate that. It’s a structural advantage that compounds with adoption.

Sécurité : ce que signifie réellement ASIL D au niveau de la couche IA

ISO 26262 was written for deterministic systems. Fault tree analysis and FMEA methods assume predictable, bounded behaviour. A 10-billion-parameter neural network isn’t predictable in that classical sense. This is the tension every OEM faces when integrating an AI-based driving stack, and picking a certified platform doesn’t resolve it.

La réponse de NVIDIA est Halos, construite sur trois principes :

• Diversité – les piles classiques et de bout en bout fonctionnent en parallèle, aucune n'est un point de défaillance unique et chacune limite continuellement l'autre
• Surveillance – le runtime Halos OS applique en continu une enveloppe comportementale autour du réseau neuronal – pas seulement au moment de la validation
• Validation – NuRec exécute plus d'un million de rejouements de scènes par jour, de sorte que chaque version logicielle est validée par rapport à des données réelles à l'échelle de la flotte

The investment behind Halos is substantial: 15,000+ engineering years, 1,000+ AV safety patents, 240+ peer-reviewed safety papers, and an ANSI-accredited AI Systems Inspection Lab – the first programme that integrates functional safety, cybersecurity, and AI safety into a single accredited framework.

NVIDIA certifie la plateforme. Chaque équipementier intégrant Hyperion dans un programme de véhicule conserve ses propres obligations en matière de sécurité :

• HARA pour votre véhicule spécifique et votre ODD – la HARA de la plateforme NVIDIA ne couvre pas la frontière d'intégration du véhicule
• Décomposition ASIL pour l'architecture système lors de l'intégration
• Un dossier de sécurité couvrant la conformité aux hypothèses d'utilisation de NVIDIA
• Analyse SOTIF selon l'ISO/PAS 21448 – l'ISO 26262 ne couvre pas entièrement l'insuffisance comportementale de l'IA/ML
• Conformité aux processus A-SPICE pour toutes vos activités de développement

This is the standard model for platform-based development. It mirrors how OEMs have always worked with AUTOSAR, QNX, or any certified supplier layer. The difference with AI stacks is that SOTIF scope grows substantially: every reasoning-based component you add creates new scope. Most OEM safety teams haven’t fully mapped that yet, and it tends not to become visible until you’re well into the integration.

Nous avons testé Alpamayo – voici ce que nous avons découvert

La plupart des organisations qui lisent des informations sur Alpamayo hésitent encore à se lancer. Nous l'avons déjà mis en œuvre.

We worked on an NVIDIA DGX Spark, which is an NVIDIA’s desktop AI supercomputer delivering 1 PFLOP of FP4 performance, shipping since October 2025. We ran the full Alpamayo 10B inference pipeline with real multi-sensor inputs and validated three concrete driving scenarios:

• Détection des feux rouges avec génération de trace de décision – nous avons vérifié que la sortie de raisonnement est lisible par machine et prête pour l'audit, et non pas simplement un libellé destiné à la consommation humaine.
• Changement de voie nocturne aux intersections dans des conditions de faible visibilité – nous avons testé le comportement du modèle dans des conditions de capteurs dégradées, où la perception par caméra est la moins fiable.
• Adaptation de la vitesse pour les routes sinueuses – nous avons évalué la qualité des trajectoires et la cohérence du raisonnement sous contraintes géométriques.

NVIDIA’s official distillation scripts for Alpamayo are scheduled for June 2026, with a closed-loop reinforcement learning framework alongside them. Fine-tuning tooling arrived in March 2026. Our implementation came before any of that public tooling, which gives us a concrete lead for any OEM or Tier 1 assessing integration readiness before NVIDIA’s official release.

One specific finding from that work: Alpamayo’s reasoning traces hold up for regulatory purposes, not just technical demonstration. That matters because SOTIF assessors will eventually require explainability infrastructure for AI-based systems. Knowing the audit trail works before the certification conversation starts is operationally valuable.

Ce que nous pouvons faire pour votre programme

Grâce à ce travail pratique, nous proposons :

• Évaluation de la préparation de votre pile de conduite autonome existante pour l'intégration d'Alpamayo
• Stratégie d'intégration – architecture, approche de déploiement, conception du pipeline de données
• Accélération des prototypes en avance sur les outils de distillation de NVIDIA de juin 2026
• Explicabilité et journalisation d'audit pour les workflows d'approbation réglementaire
• Architecture de déploiement en périphérie pour les contraintes de calcul des véhicules de série

Le développement piloté par l'IA dans le secteur de l'innovation

Découvrez comment nous pouvons vous aider

Découvrez comment nous pouvons vous aider

Alpamayo integration compounds the safety challenge. Every reasoning-based AI component you add to a vehicle programme creates new SOTIF scope and puts new demands on the safety case. The combination of hands-on Alpamayo experience and full-stack functional safety capability in one partner is uncommon. For teams navigating the NVIDIA DRIVE ecosystem, that combination matters.

Prêt à passer de l'évaluation à l'intégration ?

Que vous évaluiez la plateforme NVIDIA DRIVE pour la première fois ou que vous soyez déjà au milieu d'un programme et confronté à des questions de périmètre SOTIF, la bonne conversation commence par les spécificités de votre stack.

Nous sommes des ingénieurs qui avons exécuté ce code. Si cela vous est utile, parlons-en. Contactez-nous via le formulaire ci-dessous. Découvrez également notre Services de sécurité fonctionnelle pour découvrir comment nous accompagnons les OEM et les Tier 1, de l'HARA au Safety Case.