CoreWeave lancerer skabeloner til fysisk AI til udvikling af robotter og autonome køretøjer

Før et robotteam kan teste en ny styringsstrategi, skal nogen få simulator, data, lagerplads og computerressourcer til at fungere sammen. CoreWeave retter sig mod dette forberedende arbejde med Physical AI Launchables, et katalog med afprøvede arbejdsskabeloner, der blev annonceret den 21. oktober til robotteknologi, autonome køretøjer og simulering.

Skabelonerne samler miljøer til fem værktøjer—NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim og NVIDIA Cosmos 3—så ingeniører kan konfigurere og starte et arbejdsforløb med en kommando i stedet for at opbygge infrastrukturen fra bunden. Lanceringen omfatter også færdigheder, der gør det muligt for kodningsagenter at udføre de samme arbejdsgange.

For udviklere er det vigtige spørgsmål, hvad der kan gøres reproducerbart. Launchables har til formål at bevare et fungerende miljø mellem eksperimenter, samtidig med at teams kan ændre de scener, datasæt, modeller og indstillinger, der afgør resultatet.

Flyt forberedelsesarbejdet væk fra selve eksperimentet

Et eksperiment inden for fysisk AI handler om mere end at køre en model. En kørselsevaluering kræver en simulator og scenarier; et robotlæringsjob kræver et miljø, en styringsstrategi og en måde at indsamle resultater på. Disse komponenter kræver også passende lagerplads, computerressourcer og begrænsninger for udførelsen.

CoreWeave oplyser, at deres ingeniører har opbygget og afprøvet konfigurationerne bag hver skabelon. Teams kan tilpasse konfigurationerne til deres eget arbejde ved at bruge reserveret kapacitet til løbende programmer eller jobs med spidsbelastning til enkelte eksperimenter. Hvert understøttet værktøj har også en tom skabelon, der stiller miljøet til rådighed uden at fastlægge arbejdsbelastningen.

»Physical AI Launchables giver dem et afprøvet udgangspunkt for de værktøjer, de allerede bruger, så de kan bruge mere af deres tid på det arbejde, som kun de kan udføre,« sagde Richard Ahlfeld, CoreWeaves senior vice president for fysisk AI, i meddelelsen.

Skellet er nyttigt: CoreWeave leverer pakningen og udførelseslaget, mens simulerings- og modelleringssoftwaren kommer fra NVIDIA og andre udviklere. Teams afgør stadig selv, hvad der skal testes, og om resultaterne er meningsfulde.

Hvad de første skabeloner kan bruges til

CoreWeaves tekniske lanceringsindlæg gør kataloget mere konkret. Eksemplerne omfatter robotmanipulation, simuleret kørsel, syntetiske data og forstærkningslæring:

• NVIDIA Isaac Sim: Robotarmens pluk-og-placeringsopgaver, annoterede lagerscener og eksperimenter med køretøjsdynamik.
• CARLA: Batches af kørescenarier, der genererer video til gennemgang.
• MuJoCo: Parallelle forstærkningslæringseksperimenter og opgaver med manipulation i køkkenmiljøer.
• NVIDIA AlpaSim: Evaluering af kørsel i lukket kredsløb.
• NVIDIA Cosmos 3: Generering af videoscenarier, der kan være vanskelige eller dyre at indsamle.

Der er tale om startkonfigurationer, ikke et fast sæt demonstrationer. Ingeniører kan ændre parametrene for arbejdsbelastningen eller redigere applikationskoden, samtidig med at det afprøvede miljø nedenunder bevares. Lanceringen omfatter også NVIDIA Cosmos Data Factory-færdigheder til dataforøgelse, mærkning, kuratering og genfinding; CoreWeave oplyser, at yderligere relaterede skabeloner er planlagt.

Kodningsagenter får de samme værktøjer som ingeniørerne

Launchables omfatter CoreWeave-specifikke færdigheder til Claude Code, Codex og andre kodningsagenter. De vejleder en agent om relevante indstillinger og giver adgang til de kommandoer, der bruges til at starte, overvåge og hente resultater fra en kørsel.

Udgivelsen fremhæver forskellen på, at et job afsluttes, og at et eksperiment lykkes. En proces kan afsluttes uden at fastslå, om en kørselsstrategi håndterede sine scenarier godt, eller om en robot løste sin opgave. Når rapporter, målinger, mediefiler og diagnostik leveres via en ensartet grænseflade, får både ingeniører og agenter materiale, de kan vurdere efter kørslen.

Det kan gøre automatisering mere nyttig på tværs af gentagne eksperimenter. En agent kan hjælpe med at betjene en arbejdsgang, men teamet har stadig brug for passende evalueringer og succeskriterier. En fungerende implementering fastslår ikke, at en model er klar til et fysisk system.

Brug GPU-tid til opgaver, der kræver GPU

Meddelelsen behandler også, hvordan jobs bruger ressourcer. Når arbejdsbelastningen tillader det, adskiller skabeloner CPU-forberedelse og efterbehandling fra GPU-kørslen, så GPU-kapaciteten frigives, når dette trin er afsluttet. Skabelonerne angiver ressourcekrav og grænser for samtidige kørsler for at gøre det lettere at koordinere parallelle kørsler.

Det er vigtigt, fordi omkostningerne ved eksperimentet også omfatter den tid, dyr hardware bruger på at vente på andet arbejde. En opdeling af trinnene kan forbedre ressourcefordelingen, men den faktiske gevinst afhænger af arbejdsbelastningen og af, hvor meget forberedelse, simulering, træning og analyse den kræver.

CoreWeave har ikke fremlagt en generel benchmark for Launchables eller en universel reduktion af opsætningstiden i den meddelelse, der er stillet til rådighed. Det umiddelbare tilbud er en afprøvet konfiguration og en fælles måde at betjene den på, ikke en målt ydelsesforbedring, der gælder for alle robotteknologiprojekter.

Sådan passer Launchables ind i CoreWeaves stack til fysisk AI

Udgivelsen udvider CoreWeaves tilbud fra ren GPU-kapacitet til også at omfatte de softwarearbejdsgange, der bruger den. På sin side om platformen for fysisk AI beskriver virksomheden en infrastruktur med GPU- og CPU-kapacitet, netværk, lager, Kubernetes-orkestrering og Slurm på Kubernetes. Disse komponenter imødekommer de forskellige krav til dataforberedelse, simulering og modeltræning.

Virksomhedens bredere cloudplatform forbinder denne infrastruktur med CoreWeave Forge, der samler værktøjer til at overvåge, evaluere og forbedre modeller og agenter. Launchables føjer afprøvede tekniske arbejdsbelastninger oven på disse lag. Strategien går ud på at reducere antallet af miljøer, som et team skal sammensætte, når det bevæger sig mellem data, eksperimenter og evaluering.

CoreWeave nævnte også Cadence, Convergent Science, Encord, nTop, PhysicsX og Voxel51 som softwarepartnere, der arbejder med virksomhedens infrastruktur. Samarbejderne spænder fra værktøjer til data og computersyn til teknisk simulering; de skal ikke opfattes som en påstand om, at alle partnernes produkter allerede findes som startskabeloner.

En hurtigere start kræver stadig en solid evaluering

Muligheden er ligetil: Når et miljø kan genbruges fra ét eksperiment til det næste, kan teams bruge mere tid på at sammenligne modeller og undersøge fejl. Delte skabeloner kan også gøre det lettere for kolleger at genskabe en konfiguration, før de ændrer en variabel.

De vanskeligere spørgsmål handler stadig om selve fagområdet. Simulerede scener skal afspejle relevante forhold, syntetiske data skal passe til opgaven, og evalueringer skal afdække fejl, der har betydning uden for simulatoren. Launchables kan gøre det enklere at komme i gang med disse tests, men fjerner ikke behovet for at udforme dem omhyggeligt.

CoreWeave henviser interesserede teams til sin oversigt over Physical AI Launchables for at se det indledende katalog og få flere oplysninger. For udviklere af robotter og autonome køretøjer er den praktiske fordel en kortere vej fra en idé til et eksperiment til resultater, de kan undersøge.