CoreWeave umisťuje terénní inženýry do týmů zákazníků pro fyzické AI

CoreWeave oznámil dne 10. září 2026 spuštění Physical AI Field Engineering, nabídky, která spojuje týmy zákazníků s odborníky na doménu poskytovatele cloudu za účelem vytváření, ověřování a nasazování AI po celém životním cyklu inženýrství, od výzkumu a vývoje až po provoz v terénu.

Oznámení, datováno v Livingston, New Jersey, uvádí, že služba je postavena na týmu a metodách, které CoreWeave získal po akvizici Monolith AI, a běží na vlastní platformě CoreWeave a integrovaném řešení inženýrského AI. V rámci nabídky pracují inženýři CoreWeave z oblastí automobilového, leteckého a strojírenského inženýrství po boku týmu zákazníka a vytvářejí modely z dat, která zákazník již vlastní, včetně výsledků testovacích zařízení, výstupů simulací, senzorů výroby a živé telemetrie. Každý model je ověřován proti reálné fyzice systémů zákazníka, dokud neprokáže svou funkčnost v praxi.

CoreWeave popsal fyzické AI jako oblast, kde je mezera mezi doménovou expertízou a aplikovaným AI největší, a kde integrace AI do inženýrských procesů přináší požadavky na vysvětlitelnost, přesnost, opakovatelnost a bezpečnost. Modely v tomto prostředí selhávají na datech mnohem častěji než na architektuře či výpočetní kapacitě, uvedla společnost, a uzavření mezery vyžaduje inženýry, kteří rozumí tématům jako dynamika spalování nebo letecké zatížení a zároveň dokážou postavit a ověřit model strojového učení. U týmů, které jsou AI‑nativní, je mezera opačná: existuje modelovací expertíza, ale fyzika systémů, pro které jsou modely určeny, chybí.

Záznam úspěšnosti ve více než 100 projektech

CoreWeave uvedl, že tento přístup byl již aplikován ve více než 100 inženýrských projektech v automobilovém, leteckém a robotickém sektoru. Pro tým Aston Martin Aramco Formula One byli inženýři společnosti nasazeni přímo na místě během závodních víkendů a vytvořili transkripční model, který dosáhl produkční přesnosti po tréninku na sedmi hodinách ručně anotovaného závodního zvuku vylepšeného během 75 iterací. Platforma nyní zpracovává 40 rozhlasových kanálů najednou, což CoreWeave podle slov společnosti stačí k zodpovězení otázky o strategii pneumatik během pit‑stopu, který končí za méně než třicet sekund.

Emma Deutsch, ředitelka inženýrství a testovacích operací v Nissan Technical Centre Europe, řekla, že AI pomáhá Nissanu uvolnit větší hodnotu z inženýrských a testovacích dat, která generuje každý den. Její inženýři podle ní dokážou využívat modely k soustředění své práce na dodávání vozidel, která zachovávají kvalitu, bezpečnost a spolehlivost, jež jsou pro Nissan zásadní.

Oficiální produktová stránka nabídky zobrazuje loga organizací včetně Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics a Kautex Textron. Stránka také obsahuje výpověď Tomokiho Takahashiho, technického ředitele skupiny JOTA, který řekl: „Důvod, proč tato spolupráce funguje, je ten, že experimentujeme společně, místo aby nám jen předali nástroj.“

Model zapojení a čtyři zaměřené oblasti

Započátí spolupráce probíhá workshopy na místě, kde CoreWeave a tým zákazníka mapují inženýrské pracovní toky, zkoumají největší problémy a sladí priority a realistický časový plán ještě před vytvořením jakéhokoli modelu. Produktová stránka popisuje dva vstupní body: workshop pro objevování případů užití nebo, pokud má zákazník již konkrétní případ, technický workshop proveditelnosti, který posoudí data zákazníka a ověří přístup.

Od tohoto bodu práce zahrnuje čtyři oblasti. Strategie určuje, které problémy stojí za řešení pomocí AI a na jakých datech je vhodné stavět. Simulační infrastruktura zajišťuje GPU, úložiště a simulační stack potřebný pro konkrétní případ, přičemž terénní inženýři propojují zákazníky s širší platformou fyzického AI od CoreWeave pro kompletní návrh a škálování infrastruktury. Reálná data proměňují roztříštěná testovací, senzorová a výrobní data na modely, které předpovídají výsledek, zachytí anomálii nebo vysvětlí selhání. Agentické učení převádí to, co model objeví, do změn ve fyzickém světě: systém přenastavený k lepšímu výkonu, chyba zachycená dříve, než se stane selháním, nebo robot provádějící natrénovanou dovednost.

Výstupy jsou funkční aplikace, optimalizátory a dashboardy nasazené přímo do existujících pracovních toků. Inženýři zákazníka pomáhají definovat problém a sledují tvorbu modelu, a po nasazení jej sami provozují, provádějí změny a případně znovu trénují, místo aby volali CoreWeave. Produktová stránka kontrastuje tento model s AI konzultacemi a uvádí, že konzultanti poskytují doporučení, zatímco CoreWeave dodává funkční aplikace vyvinuté inženýry vloženými do pracovních toků zákazníka a poháněné vlastní výpočetní kapacitou.

Inženýrský AI stack a hlášené výsledky

Každá spolupráce běží na stejném integrovaném inženýrském AI řešení: Weights & Biases pro sledování experimentů a správu modelů, marimo pro průzkum dat a CoreWeave ARIA pro kontinuální zlepšování modelů a agentů, doplněné o doménové knihovny vytvořené pro detekci anomálií, redukci testů a optimalizaci systémů. CoreWeave uvedl, že práce probíhá uvnitř AI smyčky, kterou provozuje na své platformě, s jedním rozdílem: ve fyzickém AI smyčka uzavírá proti hardware místo proti uživatelskému provozu.

Produktová stránka uvádí výsledky z dodaných inženýrských programů, přičemž některé zákazníky anonymizovala pod dohody o mlčenlivosti. Čísla zahrnují zkrácení kalibračních testů na pouhý den díky již dostupným datům, o 35 % méně charakterizačních testů potřebných k ověření nejlepších testovacích kandidátů a 20‑násobné snížení množství zachycených dat potřebných k dosažení cílové přesnosti.

„Inženýrské týmy nepřijímají novou metodu jen proto, že dodavatel ji jednou předvedl v demonstraci. Přijmou ji až poté, co vidí, že funguje na jejich vlastních systémech,“ řekl Richard Ahlfeld, senior viceprezident pro Physical AI ve společnosti CoreWeave. To, podle něj, je důvod, proč firma posílá inženýry, kteří mluví stejným jazykem jako tým u stolu, a staví na datech samotného zákazníka: infrastruktura, inženýrský AI stack i inženýři jsou výhradně od CoreWeave.

Oznámení také poukázalo na výsledky benchmarku MLPerf společnosti CoreWeave, její postavení jako jediného AI cloudu, který získal nejvyšší Platinum hodnocení v SemiAnalysis ClusterMAX 1.0 i 2.0, a její špičkové umístění v rychlosti inference a poměru cena‑výkon pro model Kimi K2.6 od Moonshot AI v nezávislém benchmarkingu provedeném společností Artificial Analysis.

Dan O’Brien, prezident a provozní ředitel ve společnosti Futurum, řekl, že nejnáročnější část průmyslového AI je fakt, že osoba, která rozumí doméně, a osoba, která dokáže postavit AI model, téměř nikdy nejsou stejní. Inženýři, kteří již mluví tím jazykem a mohou zanechat něco, co vlastní lidé zákazníka mohou provozovat, přinášejí mnohem lepší výsledek než konzultanti, kteří se učí doménu na čas zákazníka, řekl.