Suy luận kiểm tra được: Alpamayo-R1 và Chain-of-Causation

Vấn đề cốt lõi: xe tự lái "biết" hay chỉ "đoán"?

Hãy tưởng tượng bạn ngồi sau vô-lăng và đột ngột phanh gấp. Người ngồi cạnh hỏi: "Sao phanh vậy?" Bạn trả lời ngay: "Có người chạy qua đường, đèn đỏ sắp chuyển, xe phía trước đang giảm tốc." Lý do rõ ràng, có thể kiểm chứng, có thể phản bác.

Xe tự lái hiện tại không làm được điều đó. Chúng xuất ra quỹ đạo — một chuỗi điểm tọa độ — mà không hề giải thích tại sao. Khi xảy ra sự cố, kỹ sư không biết mô hình "nghĩ" gì ở giây cuối trước va chạm. Debugging trở thành tra tấn.

Alpamayo-R1 của NVIDIA (arXiv:2511.00088) ra đời để giải quyết chính xác vấn đề này. Không phải bằng cách thêm một lớp chú thích ngôn ngữ lên kết quả đã có, mà bằng cách tích hợp suy luận nhân-quả vào trong vòng lặp huấn luyện, khiến lý luận và quỹ đạo cùng được tối ưu hoá với nhau.

Chain-of-Causation: suy luận có cấu trúc, không phải văn bản trang trí

Điểm khác biệt quan trọng nhất của Alpamayo-R1 so với các mô hình VLA khác là Chain-of-Causation (CoC) — không phải chain-of-thought thông thường.

Chain-of-thought tiêu chuẩn yêu cầu mô hình "hãy suy nghĩ từng bước". Văn bản sinh ra có vẻ hợp lý, nhưng không ràng buộc với hành động thực sự. Mô hình có thể viết "vì có người đi bộ, tôi phanh" trong khi thực ra quỹ đạo không hề thay đổi so với trường hợp không có người đi bộ. Đây là reasoning detachment — suy luận bị tách rời khỏi hành động.

CoC giải quyết vấn đề này bằng ba tầng có cấu trúc:

Driving Decision  →  Critical Components  →  Reasoning Trace
     (what)              (why observed)           (link)

Tầng 1 — Driving Decision (Quyết định lái xe): Một tập đóng gồm 15 hành động dọc và ngang — thay làn, nhường đường, điều chỉnh tốc độ, dừng khẩn cấp, v.v. Có cấu trúc cứng, không phải văn bản tự do.

Tầng 2 — Critical Components (Thành phần nhân quả): Các yếu tố quan sát được từ lịch sử đã qua — đèn giao thông, phương tiện, hình học đường, biển báo. Quan trọng: chỉ lấy từ quá khứ, không dùng thông tin tương lai để tránh "causal leakage" (leak nhân quả). Đây là cạm bẫy phổ biến nhất trong các dataset suy luận tự lái: annotator vô tình đề cập điều xe sẽ gặp, không phải điều xe đang thấy.

Tầng 3 — Reasoning Trace (Vết suy luận): Ngôn ngữ tự nhiên liên kết quyết định với bằng chứng. Nhưng vết này được kiểm tra bằng rubric định lượng — không phải chỉ đọc cho hay.

Tại sao điều này khiến suy luận "kiểm tra được"?

Vì CoC không phải annotation hậu kỳ — nó là format của training data. Khi mô hình học, nó học đồng thời sinh ra (Decision, Components, Trace) và sinh ra quỹ đạo từ cùng một đầu vào. Reward trong RL post-training đánh giá cả ba thứ: chất lượng reasoning, tính nhất quán reasoning-action, và chất lượng quỹ đạo.

Kết quả đo được: CoC đạt cải thiện 132,8% về causal relationship scoring so với phương pháp free-form. Tức là khi bạn hỏi mô hình "tại sao làm vậy?", câu trả lời thực sự có quan hệ nhân-quả với hành động, không phải câu trả lời tô vẽ hậu kỳ.

Kiến trúc: hai chuyên gia, một vòng lặp

Alpamayo-R1 có kiến trúc hai phần rõ ràng.

Phần 1 — VLM Backbone: Cosmos-Reason

Cosmos-Reason là VLM được NVIDIA pre-train cho Physical AI trên 3,7 triệu mẫu VQA và 24.700 annotation lái xe chuyên biệt. Nó xử lý đầu vào đa camera theo ba chế độ nén khác nhau:

• Single-image mode: 160 token/ảnh ở độ phân giải 448×280
• Multi-camera triplane: 288 token bất kể số lượng camera (nén 3,9×)
• Multi-camera video (Flex tokenizer): nén đến 20× — dùng khi cần xử lý video dài

VLM sinh ra hai loại output nối tiếp: text reasoning theo format CoC, rồi discrete trajectory tokens (128 token/quỹ đạo). Thứ tự này quan trọng: reasoning sinh trước, trajectory sinh sau, có điều kiện trên reasoning.

Phần 2 — Action Expert: Flow Matching Decoder

Discrete trajectory tokens từ VLM được đưa vào một decoder riêng dùng conditional flow matching để sinh quỹ đạo liên tục khả thi về mặt động học. Mô hình động học là unicycle với đầu vào gia tốc và độ cong — đủ để đảm bảo quỹ đạo không vi phạm giới hạn vật lý.

Chân trời dự báo: 6,4 giây, 64 waypoint tại 10 Hz.

Tại sao dùng hai phần thay vì một? VLM giỏi lý luận ngôn ngữ nhưng không giỏi sinh số chính xác cao chiều. Action expert chuyên sinh quỹ đạo liên tục đa phương thức. Tách ra giúp mỗi phần được tối ưu theo thế mạnh riêng — giống cách một phi công và kỹ sư hàng không làm việc cùng nhau: một người quyết định, một người thực thi.

Ba giai đoạn huấn luyện: từ SFT đến RL

Giai đoạn 1 — Action Modality Injection

Pre-trained Cosmos-Reason không biết gì về quỹ đạo xe. Giai đoạn này inject trajectory token vocabulary vào VLM và train decoder từ đầu bằng flow matching. Đây là giai đoạn "mở khóa" — dạy mô hình ngôn ngữ học cách nói về hành động xe.

Giai đoạn 2 — Eliciting Reasoning (SFT)

Supervised fine-tuning trên toàn bộ CoC dataset. Mô hình học sinh ra (Reasoning CoC → Trajectory) theo thứ tự — reasoning là điều kiện trước khi sinh quỹ đạo, không phải hậu kỳ. Cross-entropy loss trên cả reasoning token và trajectory token.

Tạo dataset CoC là quy trình hybrid: khoảng 10% được gán nhãn thủ công với human-in-the-loop hai giai đoạn (Stage I: xác định lịch sử; Stage II: chọn quyết định và soạn vết lý luận), phần còn lại dùng auto-labeler với GPT-5 rồi verify ngẫu nhiên.

Giai đoạn 3 — RL Post-Training

GRPO (Group Relative Policy Optimization) với ba thành phần reward:

Kết quả: +45% reasoning quality và +37% reasoning-action consistency so với SFT-only.

Số liệu thực tế

Open-loop — trajectory prediction

So với baseline chỉ dự đoán quỹ đạo (không có reasoning):

• +12% độ chính xác planning trên tình huống khó (long-tail scenarios)

Con số 12% nghe nhỏ nhưng trong ngữ cảnh long-tail, một cải thiện nhỏ có thể là ranh giới giữa an toàn và tai nạn. Như đã phân tích ở bài 3 về benchmark, hiệu năng long-tail và average-case đo những năng lực hoàn toàn khác nhau.

Closed-loop — AlpaSim simulation

AlpaSim là nền tảng mô phỏng AV nguồn mở của NVIDIA (NVlabs/alpasim, 1.191 sao, cập nhật 2026-08-18):

• Giảm 35% tỉ lệ close-encounter — số lần xe tiếp cận nguy hiểm với phương tiện/người đi bộ khác

Scaling behavior

Cải thiện nhất quán khi scale từ 0,5B lên 7B tham số. Điều này chứng minh kiến trúc CoC không phải thủ thuật chỉ hoạt động ở quy mô lớn — nó có lộ trình rõ ràng để phát triển từ mô hình nhỏ hướng đến lớn hơn.

Latency thực tế

99 ms end-to-end đo trên xe thật trong thử nghiệm đường đô thị. Với ngưỡng phản hồi thực tế của AV (~100 ms), con số này đủ điều kiện để xem xét triển khai Level 4.

Hệ sinh thái mở: 6 repo, dataset thật

NVIDIA mở source toàn bộ Alpamayo stack. Tính đến 2026-08-05, cả 6 repo đều có code thật:

Weights: huggingface.co/nvidia/Alpamayo-R1-10B

Dataset: Physical AI AV Dataset trên HuggingFace — hơn 1.700 giờ video lái xe có gán nhãn CoC (gated access, cần request).

Khởi chạy inference

git clone https://github.com/NVlabs/alpamayo
cd alpamayo
pip install -e ".[inference]"

# Tải model (~22 GB, khoảng 2.5 phút ở 100 MB/s)
huggingface-cli download nvidia/Alpamayo-R1-10B

# Chạy inference với video đa camera
python scripts/run_inference.py --input-dir /path/to/cameras

Yêu cầu: GPU tối thiểu 24 GB VRAM (đã test trên RTX 3090, A100, H100), Linux, Python 3.12.x.

Lưu ý: repo Alpamayo 1 không còn được phát triển tích cực — tính năng mới (fine-tuning, RL, quantization) được chuyển sang alpamayo-recipes từ tháng 05/2026.

Ai đang quan tâm?

Thông cáo chính thức của NVIDIA đề cập bốn tổ chức đang khám phá Alpamayo: Lucid Motors, Jaguar Land Rover, Uber, và Berkeley DeepDrive. Đây là các bên quan tâm và đang đánh giá — NVIDIA không xác nhận bất kỳ chương trình xe thương mại cụ thể nào.

Một số bài báo đã gán nhầm rằng Alpamayo "tích hợp vào Mercedes-Benz CLA" — điều này không xuất phát từ thông cáo chính thức của NVIDIA. Hãy kiểm tra nguồn gốc trước khi chia sẻ thông tin kỹ thuật.

Tại sao điều này quan trọng hơn vẻ ngoài?

Alpamayo-R1 đặt ra một tiền lệ: reasoning không chỉ là explainability thụ động — nó là một phần của quy trình kiểm soát chất lượng.

Khi bạn có CoC trong training loop:

• Kỹ sư có thể grep log để tìm "xe quyết định nhường đường vì lý do X, nhưng quỹ đạo thực lại Y" → phát hiện reasoning detachment cụ thể, không phải hộp đen
• Bộ phận pháp lý có bằng chứng có cấu trúc về "xe đã thấy gì và quyết định gì" — quan trọng khi điều tra sự cố
• Dataset curation trở thành bài toán có thể scale: CoC auto-labeler (repo thứ 5) dùng GPT-5 để tạo annotation rồi human verify ~10%, thay vì phải gán nhãn 100% thủ công

Đây là con đường từ "xe thông minh" đến "xe giải trình được". Trong ngữ cảnh regulatory ở châu Âu và Mỹ đang ngày càng yêu cầu interpretability, đây không phải tính năng tốt để có — đây là điều kiện tiên quyết.

So sánh với cách tiếp cận ở bài 1 về taxonomy end-to-end: kiến trúc monolithic như UniAD không có cơ chế nào để giải thích quyết định nội tại; Alpamayo-R1 cho thấy VLA có thể thiết kế từ đầu để có reasoning traceability.

Bài viết liên quan

• Từ UniAD tới VLA: bản đồ end-to-end driving 2026 — Bài 1: taxonomy tổng quan kiến trúc E2E từ module đến VLA
• Benchmark chính là lập luận: NAVSIM v2, Bench2Drive, WOD-E2E — Bài 3: tại sao open-loop score không nói lên tất cả
• Tự chạy một VLA lái xe: OpenDriveVLA trên nuScenes — Bài 2: tutorial thực hành với dataset thật