تدريب نماذج AI Driver على سحابة CoreWeave باستخدام وحدات معالجة الرسومات Blackwell

أعلنت CoreWeave في 9 نوفمبر 2026 عن اتفاق يمتد لعدة سنوات لتدريب Wayve نماذجها الأساسية AI Driver على سحابة CoreWeave باستخدام وحدات معالجة الرسومات NVIDIA Blackwell. ويشمل العمل التدريب والتقييم والمحاكاة لنظام يتعلم من بيانات القيادة الواقعية التي جُمعت في أكثر من 70 دولة.

بدأت Wayve باستخدام Weights & Biases، ثم وسّعت نطاق عملها على سحابة CoreWeave. وتضيف هذه الخطوة موارد الحوسبة السحابية من CoreWeave إلى عملية تطوير يتعين عليها إظهار التقدم بين إصدارات البرمجيات، ومواصلة عمليات التدريب الطويلة، وتوفير قدر كافٍ من قابلية الرصد لمقارنة النماذج والتحقق من السلامة على نطاق واسع.

حلقة بيانات متجددة لتطوير نماذج القيادة

تطوّر Wayve نظام AI Driver لاستخدامات تشمل السيارات المملوكة للأفراد وسيارات الأجرة ذاتية القيادة. وشرح سيلفيوس روس، نائب الرئيس الأول للهندسة في الشركة، كيف تسهم بيانات القيادة العالمية في تطوير النماذج: «يتحسن نظام AI Driver لدينا من خلال حلقة البيانات المتجددة هذه: جمع خبرات القيادة الواقعية، والتدرب عليها، وتقييمها، وعدم نشر سوى ما يتفوق على ما هو مستخدم بالفعل على الطرق». ويتوقع أن يساعد الوصول إلى سحابة CoreWeave للذكاء الاصطناعي على تسريع النشر التجاري لنظام AI Driver.

المحاكاة قبل النشر على الطرق

يحدد استعراض تقني من CoreWeave للبنية التحتية للذكاء الاصطناعي الفيزيائي تدريب نماذج العالم ومحاكاة المستشعرات والتقييم ذي الحلقة المغلقة ضمن أعباء العمل الخاصة بالمركبات ذاتية القيادة. وتنتج المركبات ذاتية القيادة تيرابايتات من بيانات المستشعرات لكل مركبة يوميًا. ويتطلب التعامل مع هذا التدفق تشغيل أنظمة التخزين والشبكات ومسارات التدريب بكفاءة وتنسيق.

يستمر تطوير الذكاء الاصطناعي الفيزيائي بعد النشر مع ظهور حالات جديدة غير مألوفة، ما يجعل إعادة التدريب المتكررة وحفظ نقاط التحقق ومسارات البيانات السريعة متطلبات تشغيلية. ولأن الإخفاقات قد تترتب عليها عواقب تمس السلامة الجسدية، تُجرى معظم عمليات تطوير النماذج عبر المحاكاة والتحقق المرحلي قبل استخدامها في العالم الحقيقي.

في عرض توضيحي مرجعي من CoreWeave خارج إطار اتفاقها مع Wayve، أفادت الشركة بأنها أجرت 1.25 مليون عملية محاكاة لمركبات ذاتية القيادة باستخدام CARLA في نحو 12 ساعة، موزعة على أجزاء مستقلة، مع تخصيص وحدة معالجة رسومات واحدة لكل جزء. ونوّعت العمليات المحاكاة أحوال الطقس وكثافة حركة المرور والخرائط والتقاطعات والبذور العشوائية، لتوضح نطاق الظروف التي يمكن توليدها افتراضيًا لتطوير النماذج.

الموثوقية في مختلف طبقات التدريب

على مستوى الأجهزة، تقول NVIDIA إن محرك الموثوقية والتوافر وقابلية الصيانة في Blackwell يراقب باستمرار آلاف مؤشرات سلامة الأجهزة والبرمجيات للتنبؤ بمصادر التوقف والتصدي لها. وقد صُمم للتعرف مبكرًا على الأعطال المحتملة وتحديد مواقع المشكلات والمساعدة في الصيانة؛ وهي قدرات تتصل بمتطلبات الموثوقية اللازمة لعمليات التدريب الطويلة التي وصفتها CoreWeave في إعلانها.

تقول CoreWeave إن خدمة Kubernetes لديها تنسق مهام التدريب والمحاكاة ضمن منصتها الأوسع للذكاء الاصطناعي الفيزيائي، فيما تخزن أنظمة التخزين الموزع وتخزين الكائنات بيانات المستشعرات والمحاكاة التي تبلغ أحجامها بيتابايتات. وتنقل شبكتا InfiniBand وRoCE البيانات مباشرة بين وحدات معالجة الرسومات عبر الخوادم، متجاوزتين وحدات المعالجة المركزية لتقليل وقت الخمول أثناء تبادل المهام الموزعة بيانات المستشعرات وحالة المحاكاة والتدرجات.

تضيف أدوات التجارب إمكانية تتبع تسلسل الإصدارات: إذ يتتبع Weights & Biases Models التجارب، ويربط Registry نقطة التحقق بمجموعة البيانات الدقيقة وتشغيل التدريب اللذين أنتجاها، فيما يدعم Weave آثار التنفيذ والتقييمات والمراقبة. وتتيح هذه السجلات للمهندسين الرجوع من مشكلة تظهر أثناء الاختبار إلى نقطة التحقق الخاصة بالنموذج ومجموعة البيانات وتشغيل التدريب المعني. وفي نظام قيادة بالغ الحساسية للسلامة، تساعد إمكانية التتبع هذه على المقارنة والتحقق، إلى جانب توفير القدرة التدريبية.

يجعل الاتفاق دورة التكرار بأكملها جزءًا من توسع Wayve في بنيتها التحتية. ويرتبط تسريع النشر التجاري بمدى كفاءة تكامل التدريب والتقييم والمحاكاة في تحويل خبرات القيادة إلى تحسينات جرى التحقق منها، مع الحفاظ على الموثوقية وإمكانية التتبع اللازمتين لبرمجيات القيادة البالغة الحساسية للسلامة.