Dwie drogi do robotaksówek

Na targach CES i ulicach Austin: dwa skrajnie różne podejścia

Wczesnym styczniem na targach Consumer Electronics Show w Las Vegas, Nvidia zaprezentowała Alpamayo — otwartą rodzinę dużych modeli wizyjno-językowo-działaniowych oraz towarzyszące im narzędzia symulacyjne, zaprojektowane, by uczyć samochody „rozumowania” w nietypowych sytuacjach drogowych. Firma przedstawiła tę technologię jako przełom w dziedzinie, którą nazwała „fizyczną AI”, i promowała to podejście jako możliwą do douczania, modułową platformę, którą producenci samochodów mogą zintegrować ze swoimi pojazdami.

Pół roku wcześniej w Austin w Teksasie, Tesla po cichu zaczęła udostępniać niewielką flotę zmodyfikowanych pojazdów Model Y zaproszonym pasażerom w ramach pilotażowego programu Robotaxi, co stanowiło widoczny dowód na wieloletnie postawienie firmy na oprogramowanie do jazdy oparte wyłącznie na kamerach i szkolone na flocie pojazdów. To wdrożenie — początkowo ograniczone i monitorowane — pokazało kontrastującą ścieżkę: Tesla dostarcza oprogramowanie wewnątrz budowanych przez siebie pojazdów, których używa do gromadzenia doświadczeń z jazdy w świecie rzeczywistym.

Platforma kontra produkt: rozbieżne filozofie inżynieryjne

Publiczna oferta Nvidii stawia na platformę. Firma sprzedaje układy krzemowe, middleware, zestawy czujników oraz środowisko operacyjne (DRIVE Hyperion i DRIVE AGX/Thor), a w styczniu podkreśliła znaczenie zewnętrznych ocen bezpieczeństwa oraz ekosystemu partnerów wśród producentów samochodów, którzy mogą adoptować części tego stosu technologicznego zamiast budować je od zera. Model ten pozwala tradycyjnym producentom aut i nowym twórcom pojazdów elektrycznych na przyspieszenie prac poprzez outsourcing mocy obliczeniowej i oprogramowania, zachowując przy tym swobodę w doborze czujników i architektury pojazdów.

Moc obliczeniowa do trenowania: klastry chmurowe, otwarte modele i los Dojo

Do niedawna Tesla realizowała własną ścieżkę trenowania modeli za pomocą Dojo — autorskiego projektu superkomputera, reklamowanego jako kręgosłup badań nad Full Self‑Driving i, docelowo, humanoidalnymi robotami. W 2025 roku Tesla zreorganizowała części swojej strategii obliczeniowej, a raporty z połowy 2025 roku opisywały wygaszanie programu Dojo w miarę przesuwania się firmy w stronę innych planów dotyczących chipów i klastrów. Ta zmiana ilustruje główne napięcie: budowanie światowej klasy superkomputera szkoleniowego w sposób zamknięty jest kosztowne i powolne, podczas gdy zakup lub współdzierżawa najnowocześniejszych akceleratorów pozwala na szybsze skalowanie, ale oznacza rezygnację z części kontroli.

Nvidia stawia na co innego: dostarczanie wysokowydajnych systemów obliczeniowych (swoich procesorów graficznych i układów SoC DRIVE) oraz otwartego przepływu pracy typu nauczyciel-uczeń, w którym duży, „rozumujący” model, taki jak Alpamayo, może zostać poddany destylacji do mniejszych sieci wykonawczych działających wewnątrz samochodu. Firma ogłosiła również pakiet narzędzi symulacyjnych i otwartych zbiorów danych, które mają umożliwić wielu graczom trenowanie, testowanie i walidację bez konieczności budowania każdego elementu infrastruktury od podstaw. Takie podejście obniża próg wejścia dla tradycyjnych producentów samochodów chcących wdrażać zaawansowane systemy wspomagania kierowcy, a docelowo — wyższe poziomy autonomii.

Czujniki i problem długiego ogona

Obie firmy nie zgadzają się również w kwestii czujników. Projekt referencyjny Hyperion od Nvidii jawnie wspiera multimodalne zestawy czujników — kamery, radary i coraz częściej lidary — a firma na targach CES oraz w ogłoszeniach dotyczących platformy DRIVE Hyperion podkreślała partnerstwa z dostawcami lidarów. Nvidia argumentuje, że bogatsza fuzja czujników pomaga systemom postrzegać głębię i wykrywać zagrożenia w warunkach słabej widoczności lub w scenariuszach nietypowych (edge-case).

Tesla postawiła na strategię opartą przede wszystkim na kamerach, argumentując, że ludzcy kierowcy korzystają wyłącznie ze wzroku, a dobrze wytrenowana sieć neuronowa potrafi wydobyć głębię i ruch z obrazu wideo. Zaletą są niższe koszty sprzętu i prostsza integracja, a także ogromne ilości nagrań wideo z floty Tesli będącej w użyciu, które pozwalają na ciągłe ulepszanie modeli. Wadą — wielokrotnie podnoszoną przez organy regulacyjne i ekspertów ds. bezpieczeństwa — jest niepewność co do rzadkich zdarzeń oraz tego, czy systemy oparte wyłącznie na wizji radzą sobie z generalizacją tak dobrze, jak multimodalne rozwiązania w nietypowych okolicznościach.

Regulacje, incydenty i zaufanie publiczne

Bezpieczeństwo operacyjne i kontrola publiczna są sprawdzianem dla obu strategii. Systemy FSD i Autopilot Tesli były przedmiotem wielu dochodzeń regulacyjnych i stałego napływu raportów o incydentach składanych do amerykańskiego organu ds. bezpieczeństwa. W 2025 roku National Highway Traffic Safety Administration (NHTSA) wszczęła wstępną ocenę obejmującą miliony pojazdów po doniesieniach o incydentach związanych z przejazdem na czerwonym świetle i zmianą pasa ruchu, co podkreśliło zarówno ryzyko prawne, jak i polityczną kontrolę towarzyszącą wdrożeniom przez wczesnych nabywców.

Nvidia położyła nacisk na zewnętrzne oceny bezpieczeństwa, w tym współpracę z uznanymi organami ds. bezpieczeństwa motoryzacyjnego, jako część pakietu, który łatwiej wpisuje się w istniejące ramy regulacyjne, na których polegają producenci aut. Oferta firmy — certyfikowane komponenty, otwarte zbiory danych i możliwe do wyjaśnienia ścieżki rozumowania modelu Alpamayo — jest wyraźnie zaprojektowana, aby pomóc producentom OEM spełnić wymogi bezpieczeństwa i audytu w miarę skalowania funkcji autonomicznych.

Dynamika rynku i ścieżka do skalowania

Strategicznie Nvidia i Tesla dążą do pokrywających się celów końcowych — dużych flot autonomicznych i usług robotaksówek — ale przy różnych profilach ryzyka i zysku. Nvidia sprzedaje swoje rozwiązania na ogromnym rynku producentów samochodów, którzy prawdopodobnie będą preferować modułowe, walidowane platformy, które mogą zintegrować z istniejącymi liniami produkcyjnymi; otwiera to wiele ścieżek przychodów bez kapitałochłonności związanej z budową samochodów czy prowadzeniem flot. Wczesne reakcje rynku na ogłoszenia Nvidii na targach CES obejmowały gwałtowne ruchy akcji dostawców lidarów i czujników, co odzwierciedla wiarę inwestorów w to, że wielodostawcze, platformowe podejście przyspiesza wzrost ekosystemu.

Potencjalną korzyścią dla Tesli, jeśli jej strategia pionowej integracji odniesie sukces, jest unikalny, kompleksowy produkt: samochód, „mózg” operacyjny wytrenowany na miliardach kilometrów w świecie rzeczywistym oraz usługi monetyzujące te pojazdy jako robotaksówki. Jednak ten model koncentruje ryzyko operacyjne, regulacyjne i wizerunkowe w jednym miejscu — a niedawna reorganizacja autorskich działań obliczeniowych Tesli podkreśla, jak kosztowna i krucha może być ta ścieżka.

Konwergencja, konkurencja i co dalej

Mimo że firmy różnią się od siebie, ich ścieżki mogą się zbiec. Otwarta droga Nvidii typu nauczyciel-uczeń ułatwia producentom samochodów (a być może teoretycznie nawet Tesli) adaptację modeli opartych na rozumowaniu; z kolei ogromna flota Tesli pozostaje przewagą w gromadzeniu danych dla uczenia typu end-to-end. Oba obozy będą oceniane nie tylko na podstawie zaawansowania ich modeli i układów krzemowych, ale także przez pryzmat bezpieczeństwa w świecie rzeczywistym, przejrzystych wskaźników radzenia sobie w sytuacjach nietypowych oraz gotowości regulatorów do certyfikacji w pełni autonomicznej pracy.

Dla konsumentów i miast najbliższa przyszłość będzie wyglądać chaotycznie: mieszane floty, patchworkowe regulacje w różnych jurysdykcjach i stopniowe wdrażanie usług z monitorami i wirtualnymi ogrodzeniami (geofencing). Dla inwestorów i technologów kluczowe pytanie brzmi: czy branża przechyli się w stronę modułowych platform czyniących autonomię powszechnie dostępną, czy w stronę kilku pionowo zintegrowanych zwycięzców, którzy przejmą cały stos technologiczny. Tak czy inaczej, wyścig po robotaksówki przypomina dziś zawody na wielu torach: jeden pas jest wypełniony milionami aut konsumenckich zbierających dane, drugi — ustandaryzowanymi platformami i otwartymi modelami, które obiecują szybszą walidację i szerszą adopcję.

Źródła

• Materiały prasowe NVIDIA (ogłoszenia dotyczące Alpamayo, DRIVE Hyperion i DRIVE AGX)
• National Highway Traffic Safety Administration (wstępna ocena i akta dochodzeń dotyczących zaawansowanych systemów wspomagania kierowcy)
• TÜV SÜD i niezależne raporty z oceny bezpieczeństwa motoryzacyjnego cytowane w materiałach dostawców
• Publiczne oświadczenia i dokumenty korporacyjne Tesli dotyczące FSD, pilotażowych programów Robotaxi i strategii obliczeniowej