El desarrollo del vehículo autónomo lleva más de una década avanzando entre promesas, pilotos urbanos y retrocesos discretos. A comienzos de 2026, la pregunta ya no gira tanto en torno a si la tecnología funciona, sino a por qué sigue fallando en situaciones poco frecuentes pero críticas. En ese terreno, el llamado long tail de la conducción real, NVIDIA ha decidido mover ficha con una propuesta que combina modelos abiertos, simulación avanzada y grandes volúmenes de datos reales.
El anuncio se produjo en el marco del CES 2026, donde la compañía desveló la familia Alpamayo, un conjunto de modelos de inteligencia artificial, herramientas de simulación y datasets abiertos orientados a acelerar el desarrollo de sistemas de conducción autónoma de nivel 4 basados en razonamiento. No se trata de un software listo para instalar en un vehículo, sino de una infraestructura de aprendizaje diseñada para enseñar a los sistemas a pensar antes de actuar.
El problema persistente del “long tail”
Los vehículos autónomos actuales muestran un desempeño sólido en escenarios comunes: autopistas despejadas, tráfico predecible, condiciones meteorológicas estables. Sin embargo, siguen encontrando dificultades cuando aparece una combinación poco habitual de factores: un peatón que cruza de forma errática, una señal parcialmente oculta, una obra improvisada en un entorno rural. Son situaciones raras, pero inevitables en la conducción real.
Las arquitecturas tradicionales separan percepción y planificación, lo que permite modularidad, aunque también introduce rigidez cuando el sistema se enfrenta a casos no vistos durante el entrenamiento. Los enfoques end-to-end han reducido esa brecha, pero a costa de una menor explicabilidad. En ese punto emerge el planteamiento de Alpamayo: introducir modelos capaces de razonar paso a paso sobre lo que observan y sobre las consecuencias de cada decisión.
Modelos que explican lo que hacen
El núcleo de la propuesta es Alpamayo 1, un modelo de tipo vision-language-action con razonamiento encadenado. Con una arquitectura de 10.000 millones de parámetros, procesa secuencias de vídeo y genera trayectorias de conducción acompañadas de trazas de razonamiento. No solo decide, también muestra por qué.
La idea recuerda a los modelos de lenguaje con chain of thought, pero trasladada al dominio físico. Según la compañía, estos modelos no están pensados para ejecutarse directamente en el vehículo, sino para actuar como teacher models. A partir de ellos, los desarrolladores pueden destilar versiones más ligeras que se integren en sus propios stacks de conducción autónoma.
El modelo, junto con sus pesos y scripts de inferencia, se distribuye de forma abierta a través de Hugging Face, una decisión que apunta más a la creación de un estándar de facto que a un producto cerrado.
Simulación y datos, las otras dos piezas
Alpamayo no se limita al modelo. La segunda pata es AlpaSim, un framework de simulación completamente open source que permite recrear entornos de conducción con sensores realistas, tráfico configurable y pruebas en bucle cerrado. La simulación sigue siendo uno de los cuellos de botella del sector: entrenar y validar sistemas en el mundo real es costoso, lento y, en algunos casos, inviable.
La tercera pieza son los Physical AI Open Datasets, más de 1.700 horas de conducción recopiladas en distintas geografías y condiciones. El énfasis está en los casos raros, aquellos que apenas aparecen en los datasets tradicionales pero que suelen estar detrás de los incidentes más mediáticos. La apertura de estos datos plantea, sin embargo, preguntas sobre representatividad geográfica y adaptación a normativas locales, especialmente en mercados como el europeo.
Una estrategia de ecosistema, no de producto
Más allá del detalle técnico, Alpamayo refleja un movimiento estratégico. NVIDIA no intenta competir directamente con los fabricantes de vehículos o con los operadores de robotaxis. Su objetivo es posicionarse como proveedor de la capa cognitiva y de entrenamiento sobre la que otros construyen.
En este sentido, la compañía insiste en que Alpamayo se integra con su pila más amplia, desde entornos de simulación hasta plataformas de computación embarcada. La referencia a sistemas como DRIVE Hyperion o a futuros chips refuerza la idea de un ecosistema completo, aunque la apertura parcial de los modelos introduce una tensión interesante entre control y adopción.
Reacciones del sector: interés, pero sin compromisos
Entre las empresas que han mostrado interés figuran Lucid Motors, Jaguar Land Rover y Uber, además de actores académicos como Berkeley DeepDrive. En todos los casos, el discurso coincide en la necesidad de sistemas capaces de razonar sobre comportamientos reales, no solo de procesar datos sensoriales.
Las declaraciones públicas subrayan el valor de la apertura y la transparencia, aunque evitan concretar plazos o compromisos de despliegue. No es casual. El salto al nivel 4 sigue dependiendo de factores regulatorios, aceptación social y costes operativos que van más allá del modelo de IA.
El papel de la explicabilidad y la seguridad
Uno de los argumentos recurrentes de NVIDIA es que el razonamiento explícito mejora la confianza y la seguridad. Poder explicar por qué un vehículo tomó una decisión concreta resulta clave tanto para los reguladores como para los operadores de flotas. Sin embargo, también introduce nuevos retos: ¿cómo se validan esas explicaciones?, ¿hasta qué punto son comprensibles para un auditor externo?, ¿qué ocurre cuando el razonamiento es correcto pero la acción falla?
La compañía afirma que Alpamayo se apoya en su sistema de seguridad Halos, aunque los detalles técnicos de esa integración no se han hecho públicos. En un contexto de creciente escrutinio regulatorio, especialmente en Europa, la capacidad de demostrar cumplimiento será tan importante como la mejora del rendimiento.
Europa ante una propuesta global
Para el mercado español y europeo, Alpamayo llega en un momento de redefinición. Los pilotos de conducción autónoma avanzan con cautela, y la regulación tiende a priorizar la responsabilidad y la trazabilidad. Un ecosistema abierto puede facilitar la investigación y la adaptación local, pero también exige recursos técnicos significativos para su adopción.
Además, la dependencia de infraestructuras de entrenamiento y computación externas plantea cuestiones estratégicas sobre soberanía tecnológica. Aunque Alpamayo sea abierto, la capacidad de escalar su uso sigue ligada a plataformas de alto rendimiento donde NVIDIA mantiene una posición dominante.
Un cambio de enfoque, no un punto de llegada
Durante la presentación, Jensen Huang habló del momento ChatGPT para la IA física. La comparación es sugerente, aunque quizá prematura. Si algo ha mostrado la evolución reciente de la IA es que la adopción real suele ser más lenta y menos lineal de lo que sugieren los anuncios iniciales.
Alpamayo no resuelve de inmediato el problema del vehículo autónomo, pero sí introduce un cambio de enfoque: del reconocimiento de patrones a la comprensión causal. Queda por ver si este giro será suficiente para cerrar la brecha entre demostraciones controladas y despliegues comerciales sostenibles.
En los próximos meses, la atención se centrará menos en las capacidades declaradas del modelo y más en cómo los desarrolladores las incorporan a sistemas reales, con restricciones de coste, energía y regulación. Ahí es donde se medirá el alcance real de esta propuesta abierta y si, esta vez, el razonamiento logra avanzar donde la percepción se ha quedado corta.
