NVIDIA Alpamayo 2 Super: Model AI 32 Miliar Parameter yang Bisa Memikirkan Arah Kendaraan Sendiri

CLB.my.id - NVIDIA meluncurkan Alpamayo 2 Super, model reasoning open-source terkuat mereka yang dirancang khusus untuk pengembangan robotaxi Level 4. Dengan 32 miliar parameter, model ini bukan sekadar mengenali jalan, tapi bisa bernalar, merencanakan rute, dan mengambil keputusan mengemudi secara mandiri.

Peluncuran ini diumumkan di NVIDIA GTC Taipei pada 1 Juni 2026 dan langsung mendapat penghargaan COMPUTEX Best Choice Award untuk kategori Vehicle Technology and Smart Cockpit. Alpamayo 2 Super menjadi bagian dari keluarga model Alpamayo yang sudah diunduh hampir 400.000 kali oleh developer di seluruh dunia.

Apa yang Membuat Alpamayo 2 Super Berbeda dari Model Sebelumnya

Model ini merupakan lompatan signifikan dari versi sebelumnya yang hanya memiliki 10 miliar parameter. Skala 32B memungkinkan pemahaman spasial 3D yang lebih dalam, prediksi trajektori untuk skenario langka, dan kesadaran situasional 360 derajat dari semua sisi kendaraan.

Berbeda dengan model konvensional yang hanya fokus ke pandangan depan, Alpamayo 2 Super bisa memproses input dari kamera depan, samping, dan belakang secara bersamaan. Model ini juga menghasilkan meta-aksi, yaitu keputusan mengemudi tingkat tinggi seperti menyerahkan jalan, berganti jalur, atau berhenti, bukan sekadar koordinat lokasi.

Fitur unggulan lainnya adalah reasoning auto-labeling. Proses anotasi data yang biasanya memakan waktu berbulan-bulan bisa dipangkas menjadi hitungan hari karena model bisa memberikan label berkualitas tinggi secara otomatis dari klip mengemudi mentah.

AlpaGym dan OmniDreams: Dua Alat Baru untuk Simulasi

NVIDIA juga merilis AlpaGym, framework reinforcement learning open-source yang melatih model kendaraan otonom berdasarkan konsekuensi keputusan mereka dalam simulasi tertutup. Framework ini mengungkap kesalahan compounding dan kegagalan edge-case yang tidak terdeteksi oleh dataset statis.

Selain itu, ada OmniDreams, model world generatif yang bisa menghasilkan skenario mengemudi fotorealistik secara tertutup. Developer bisa menyimulasikan skenario langka dan long-tail dalam skala besar tanpa harus mengumpulkan data dunia nyata yang mahal dan berisiko.

Kedua alat ini tersedia sebagai skill dalam NVIDIA Agent Toolkit, bersama dengan Neural Reconstruction Skill yang bisa merekonstruksi data armada dunia nyata menjadi scene 3D fotorealistik.

Jalur dari Pelatihan ke Deployment di Kendaraan Nyata

Alpamayo 2 Super berfungsi sebagai teacher model yang bisa didistilasi ke model lebih kecil dan ringan untuk deployment di kendaraan. Model hasil distilasi berjalan di platform NVIDIA DRIVE Hyperion, khususnya di NVIDIA DRIVE AGX Thor, platform komputasi in-vehicle yang dirancang untuk kendaraan otonom.

Jensen Huang, founder dan CEO NVIDIA, menyatakan bahwa Alpamayo adalah momen ketika mobil mulai bisa bernalar dengan aman, bukan sekadar mengemudi. Ia menekankan bahwa hanya NVIDIA yang menyediakan model terbuka, simulasi, data dunia nyata, dan skill agen sehingga seluruh ekosistem robotaxi global bisa mengembangkan kemampuan Level 4.

Model ini dijadwalkan tersedia musim panas ini di GitHub untuk kode inferensi dan Hugging Face untuk bobot model. Semua komponen dirilis dengan lisensi OpenMDW-1.1 dari Linux Foundation, lisensi permisif yang dirancang khusus untuk distribusi model AI terbuka.

Dampak untuk Ekosistem Kendaraan Otonom di Indonesia

Meskipun pengembangan robotaxi Level 4 masih jauh dari realitas di Indonesia, rilis model terbuka seperti Alpamayo 2 Super membuka peluang bagi peneliti dan startup lokal untuk bereksperimen dengan teknologi kendaraan otonom. Dengan model yang bisa diunduh dan dimodifikasi secara gratis, universitas dan perusahaan teknologi di Indonesia bisa mulai membangun kapasitas di bidang ini tanpa harus menginvestasikan miliaran rupiah untuk riset dari nol.

Pipeline CoC auto-labeling yang dirilis open-source juga bisa dimanfaatkan untuk proyek penelitian terkait keselamatan jalan dan analisis data lalu lintas, bahkan tanpa ambisi kendaraan otonom penuh.***