La corsa ai robotaxi sta entrando in una fase nella quale dimostrare che un’auto può viaggiare senza conducente non basta più. Il passaggio decisivo riguarda la capacità di ripetere quel risultato in migliaia di veicoli, in città diverse e davanti a condizioni che non si lasciano catalogare con facilità: un cantiere comparso durante la notte, una manovra imprevedibile, segnaletica temporanea, visibilità ridotta o sensori parzialmente compromessi.
NVIDIA colloca qui la propria proposta per il settore. L’azienda ha illustrato un’infrastruttura modulare che segue l’intero ciclo di sviluppo di un robotaxi: sistemi per addestrare i modelli, ambienti per simulare e verificare il comportamento di guida, piattaforme di elaborazione e sensori destinate al veicolo. È un messaggio rivolto a un mercato che, secondo la stima richiamata dall’azienda, potrebbe arrivare a 400 miliardi di dollari entro il 2035 e superare i 6 milioni di veicoli commerciali in servizio.
Quelle proiezioni non misurano l’adozione attuale, né risolvono i vincoli normativi e operativi che variano da Paese a Paese. Descrivono però la scala del problema industriale: una flotta autonoma richiede molto più calcolo di un singolo prototipo, perché i modelli devono essere aggiornati, provati su quantità enormi di situazioni e poi eseguiti in tempo reale con requisiti di affidabilità molto severi.
Tre ambienti di calcolo per un unico ciclo di sviluppo
Lo schema presentato da NVIDIA si articola in tre parti. La prima è NVIDIA DGX, usata per l’addestramento dei modelli a partire dai dati raccolti dai veicoli. La seconda combina NVIDIA Omniverse, Cosmos e server NVIDIA RTX PRO per ricostruire scenari, produrne variazioni e sottoporre il software a simulazioni in ciclo chiuso. La terza coincide con la piattaforma installata a bordo, NVIDIA DRIVE Hyperion, progettata come architettura di riferimento per robotaxi predisposti al livello 4 di automazione.
Il vantaggio di una filiera così integrata, dal punto di vista del fornitore, è ridurre le discontinuità fra sviluppo e impiego reale. I dati acquisiti in strada possono alimentare nuove versioni del modello; i casi problematici possono essere ricreati e moltiplicati in simulazione; il risultato viene quindi distribuito sul veicolo, dove deve prendere decisioni entro tempi strettissimi. NVIDIA sottolinea che la piattaforma resta aperta a librerie, SDK, flussi di lavoro e componenti proprietari degli sviluppatori: un elemento importante per aziende che hanno già costruito internamente una parte rilevante del proprio stack di guida autonoma.
L’enfasi è posta soprattutto sui cosiddetti long tail, gli eventi rari e difficili da prevedere che pesano molto più della loro frequenza statistica. Le normali percorrenze su strada sono indispensabili, ma non possono fornire in tempi ragionevoli tutte le combinazioni necessarie per valutare un sistema autonomo. Per questo NVIDIA propone di usare i dati dei sensori per ricostruire situazioni reali attraverso i modelli NuRec di Omniverse e di generare poi varianti coerenti sul piano fisico con i world foundation model Cosmos.
In pratica, un caso osservato sul campo può diventare un insieme molto più vasto di prove: traffico modificato, pioggia o luce diversa, comportamenti alternativi degli altri utenti della strada, condizioni differenti per i sensori. Il framework AlpaSim viene indicato come estensione di questo processo per l’addestramento e la valutazione di modelli di guida basati sul ragionamento. La simulazione non sostituisce la sperimentazione in strada né costituisce da sola una certificazione di sicurezza, ma consente di trovare debolezze prima che raggiungano una flotta.
Il tentativo di rendere il ragionamento utile alla guida
Nel livello dedicato ai modelli, NVIDIA cita il portafoglio Alpamayo, che comprende modelli vision-language-action, dataset per physical AI e strumenti per la simulazione. I modelli VLA mettono insieme la comprensione di ciò che viene visto, le istruzioni o il contesto e l’azione finale del veicolo. L’obiettivo è affrontare scenari ambigui scomponendo una situazione complessa in passaggi intermedi, fino alla scelta della traiettoria ritenuta più sicura.
È una direzione che risponde a un limite noto dell’autonomia: classificare oggetti e seguire regole non sempre basta quando il contesto richiede di interpretare intenzioni e priorità. NVIDIA segnala che, in una valutazione di guida autonoma non ulteriormente dettagliata nel materiale diffuso, l’aggiunta di dati sul ragionamento chain-of-thought e sulle meta-azioni ha ridotto l’errore medio minimo di deviazione della traiettoria da 2,08 a 1,18, pari al 43%. Il dato va letto come risultato di benchmark, non come prova diretta delle prestazioni o della sicurezza di un robotaxi su strada.
Il valore pratico di questi approcci dipenderà dalla qualità dei dati, dalla capacità di gestire situazioni mai incontrate e dalle procedure con cui gli operatori verificheranno ogni aggiornamento. Più i modelli diventano sofisticati, più cresce anche l’esigenza di spiegare, tracciare e validare le decisioni prima dell’impiego commerciale. È qui che la disponibilità di simulazioni ripetibili può diventare un vantaggio operativo, purché i mondi virtuali rappresentino con sufficiente fedeltà i rischi del mondo reale.
Ridondanza a bordo, ma il livello 4 resta una promessa da dimostrare
Per l’elaborazione in vettura, NVIDIA indica DRIVE Hyperion 10, una configurazione che abbina due system-on-chip DRIVE AGX Thor basati su Blackwell a 14 telecamere ad alta definizione, nove radar, tre lidar e 12 sensori a ultrasuoni. L’architettura è pensata per la fusione dei dati a 360 gradi e per mantenere la capacità operativa anche nel caso di guasto di una componente di calcolo o di rilevamento.
La ridondanza è uno dei requisiti centrali per un veicolo che non può fare affidamento su un guidatore pronto a intervenire. I due DRIVE AGX Thor sono destinati a eseguire i carichi di lavoro di percezione, ragionamento, pianificazione del percorso e controllo della guida, inclusi i modelli VLA. NVIDIA associa a questa piattaforma anche Halos, la propria base software per la sicurezza in produzione, con Halos OS.
Va distinta l’architettura predisposta per il livello 4 dalla disponibilità automatica di un servizio di livello 4 in qualsiasi strada. Il livello di autonomia dipende dall’Operational Design Domain stabilito dall’operatore: area geografica, condizioni meteo, velocità, infrastrutture e regole locali. Inoltre, autorizzazioni delle autorità, assistenza remota, manutenzione, gestione delle corse e risposta agli incidenti restano elementi determinanti quanto i processori installati nel veicolo.
NVIDIA sostiene che tutti i principali programmi di robotaxi già attivi su scala commerciale utilizzino una o più parti della sua piattaforma, dall’addestramento al calcolo di bordo. La formulazione fotografa la posizione dell’azienda all’interno dell’ecosistema, ma non elimina la competizione tra stack proprietari, fornitori di sensori e operatori con strategie differenti. Alcuni player privilegiano infatti un’integrazione verticale, altri acquistano moduli specifici e costruiscono internamente il resto.
Il prossimo banco di prova sarà dunque meno spettacolare della prima corsa senza conducente e più vicino a un esercizio di ingegneria industriale: aggiornare il software senza interrompere il servizio, raccogliere dati utili senza espandere all’infinito i costi, simulare casi estremi e dimostrare agli enti regolatori che la sicurezza regge anche quando le condizioni si allontanano dall’ordinario. NVIDIA vuole fornire l’infrastruttura comune di questa fase. La sua proposta mostra quanto il robotaxi sia ormai una questione di filiera computazionale, non soltanto di automobile autonoma.
