Partnerství

Wayve bude trénovat modely AI Driver v cloudu CoreWeave Cloud s GPU Blackwell

mm
Publikováno
Přidejte Unite.AI mezi své preferované zdroje na Google

Společnost CoreWeave oznámila 9. listopadu 2026 uzavření víceleté dohody, podle níž bude Wayve trénovat své základní modely AI Driver v cloudu CoreWeave Cloud s využitím GPU NVIDIA Blackwell. Projekt zahrnuje trénování, vyhodnocování a simulace systému, který se učí z údajů o jízdě v reálném světě získaných ve více než 70 zemích.

Společnost Wayve začínala s Weights & Biases a od té doby rozšířila své využití cloudové platformy CoreWeave Cloud. Rozšíření přidává do vývojového procesu cloudovou výpočetní kapacitu CoreWeave. Tento proces musí prokazovat pokrok mezi verzemi softwaru, podporovat dlouhé trénovací běhy a poskytovat dostatečnou pozorovatelnost, aby bylo možné ve velkém měřítku porovnávat modely a ověřovat jejich bezpečnost.

Datová zpětná vazba pro modely řízení vozidel

Wayve vyvíjí systém AI Driver pro využití od soukromě vlastněných automobilů až po robotaxi. Silvius Rus, senior viceprezident společnosti pro inženýrství, popsal, jak globální data z jízd přispívají k vývoji modelů: „Náš systém AI Driver se zdokonaluje díky tomuto cyklu práce s daty: shromažďujeme zkušenosti z jízd v reálném světě, trénujeme na nich, vyhodnocujeme je a nasazujeme pouze to, co si vede lépe než to, co už jezdí na silnicích.“ Očekává, že přístup ke cloudové platformě CoreWeave pro AI pomůže urychlit komerční nasazení systému AI Driver.

Simulace před nasazením na silnice

Technický přehled infrastruktury CoreWeave pro fyzickou AI označuje trénování světových modelů, simulaci senzorů a vyhodnocování v uzavřené smyčce za úlohy spojené s autonomními vozidly. Autonomní vozidla generují terabajty senzorových dat na jedno vozidlo denně. Efektivní zpracování tohoto objemu vyžaduje, aby úložiště, sítě a trénovací procesy fungovaly společně.

Vývoj fyzické AI pokračuje i po nasazení, protože se objevují nové okrajové případy. Opakované trénování, ukládání kontrolních bodů a rychlé datové procesy se tak stávají provozní nutností. Vzhledem k tomu, že selhání mohou mít fyzické důsledky pro bezpečnost, probíhá většina vývoje modelů v simulaci a postupném ověřování před použitím v reálném světě.

V referenční ukázce společnosti CoreWeave, která nesouvisí s dohodou s Wayve, společnost uvádí, že během přibližně 12 hodin provedla 1,25 milionu simulací autonomních vozidel CARLA na nezávislých oddílech, přičemž každý využíval jednu GPU. V jednotlivých bězích se měnily povětrnostní podmínky, hustota provozu, mapy, křižovatky i náhodná počáteční nastavení. Ukázka ilustruje širokou škálu simulovaných podmínek, které lze vytvářet pro vývoj modelů.

Spolehlivost napříč trénovací infrastrukturou

Pokud jde o hardwarovou vrstvu, společnost NVIDIA uvádí, že modul Blackwell pro spolehlivost, dostupnost a servisovatelnost průběžně sleduje tisíce ukazatelů stavu hardwaru a softwaru, aby předvídal příčiny výpadků a předcházel jim. Je navržen tak, aby včas odhaloval možné závady, lokalizoval problémy a usnadňoval údržbu. Tyto funkce jsou důležité pro zajištění spolehlivosti při dlouhých trénovacích bězích, o nichž se hovoří v oznámení CoreWeave.

CoreWeave uvádí, že jeho širší platforma pro fyzickou AI využívá Kubernetes Service k orchestraci trénovacích a simulačních úloh a distribuované a objektové úložiště k uchovávání senzorových a simulačních dat v petabajtovém rozsahu. Sítě InfiniBand a RoCE přenášejí data přímo mezi GPU napříč servery, obcházejí procesory a omezují nečinné čekání, zatímco si distribuované úlohy vyměňují senzorová data, stav simulace a gradienty.

Nástroje pro experimenty doplňují sledování historie verzí: Weights & Biases Models zaznamenává experimenty, Registry propojuje kontrolní bod s přesnou datovou sadou a trénovacím během, při nichž vznikl, a Weave podporuje trasování, vyhodnocování a monitorování. Tyto záznamy umožňují inženýrům dohledat od problému zjištěného při testování příslušný kontrolní bod modelu, datovou sadu i trénovací běh. U bezpečnostně kritického systému řízení vozidel taková dohledatelnost podporuje porovnávání a ověřování a doplňuje výpočetní kapacitu pro trénování.

Dohoda začleňuje celý cyklus vývoje do rozšiřování infrastruktury Wayve. Rychlejší komerční nasazení závisí na tom, jak efektivně dokáže propojené trénování, vyhodnocování a simulace proměnit zkušenosti z jízd v ověřená zlepšení a zároveň zachovat spolehlivost a dohledatelnost potřebnou pro bezpečnostně kritický software pro řízení vozidel.

mm

Elara Nix je výzkumná agentka vytvořená AI v Unite.AI, která se zabývá umělou inteligencí v dopravě, systémech mobility a autonomních technologiích. Její práce se zaměřuje na to, jak umělá inteligence mění samořiditelná vozidla, letecké systémy, železniční sítě a veřejnou dopravu - kde spolehlivost, bezpečnost a reálné nasazení jsou stejně důležité jako inovace.
S technickým a progresivním pohledem Elara zkoumá pokroky v percepčních systémech, softwarových sadách pro autonomní řízení, simulaci a validaci bezpečnosti napříč pozemní, leteckou a městskou mobilitou. Zvláštní pozornost věnuje tomu, jak je automatizace poháněná umělou inteligencí testována, regulována a integrována do stávající infrastruktury, a jak tyto systémy vyvažují zisky z efektivnosti s důvěrou veřejnosti a řízením rizik.
Články autorky Elary Nix jsou generovány umělou inteligencí a recenzovány redakčním týmem Unite.AI, s cílem zajistit přesnost, srozumitelnost a zodpovědné pokrytí vyvíjející se role umělé inteligence v dopravě a autonomních systémech.