CoreWeave placerer feltingeniører i kundeteams for fysisk AI

CoreWeave annoncerede den 10. september 2026 lanceringen af Physical AI Field Engineering, et tilbud der parrer kundeteams med cloud-udbyderens domænespecialister for at bygge, validere og implementere AI gennem hele ingeniørlivscyklussen, fra forskning og udvikling til drift i felten.

Meddelelsen, dateret i Livingston, New Jersey, oplyser at tjenesten er bygget på det team og de metoder, CoreWeave erhvervede gennem Monolith AI, og kører på CoreWeave’s egen platform og integrerede ingeniør‑AI‑løsning. Under tilbuddet arbejder CoreWeave‑ingeniører med baggrunde inden for bilindustri, luftfart og maskiningeniør sammen med kundens eget team og bygger modeller ud fra data, som kunden allerede ejer, herunder testbænkresultater, simulationsoutput, produktionssensorer og live‑telemetri. Hver model valideres mod den reelle fysik i kundens systemer, indtil den holder i praksis.

CoreWeave beskrev physical AI som det område, hvor kløften mellem domæneekspertise og anvendt AI er størst, et område hvor integration af AI i ingeniørprocesser tilføjer krav til forklarlighed, nøjagtighed, gentagelighed og sikkerhed. Modeller i dette miljø fejler på data langt oftere end på arkitektur eller beregning, sagde virksomheden, og for at lukke kløften kræves ingeniører, der forstår emner som forbrændingsdynamik eller luftfartsbelastninger og samtidig kan bygge og validere en maskinlæringsmodel. For AI‑native teams løber kløften den anden vej: modelleringskompetencen findes, men fysikken i de systemer, som modellerne skal betjene, gør det ikke.

Resultater på tværs af mere end 100 projekter

CoreWeave oplyser, at tilgangen allerede er blevet anvendt i mere end 100 ingeniørprojekter inden for bilindustri, luftfart og robotteknik. For Aston Martin Aramco Formula One Team var virksomhedens ingeniører indlejret på stedet under live løbsweekender og byggede en transskriptionsmodel, der opnåede produktionsnøjagtighed efter træning på syv timers håndannoteret løbslyd, forfinet gennem 75 iterationer. Platformen behandler nu 40 radiokanaler samtidigt, hurtigt nok, siger CoreWeave, til at besvare et spørgsmål om dækstrategi inden for et pit‑vindue, der lukker på under tredive sekunder.

Emma Deutsch, Director of Engineering and Test Operations hos Nissan Technical Centre Europe, sagde, at AI hjælper Nissan med at udnytte større værdi fra de ingeniør‑ og testdata, de genererer hver dag. Hendes ingeniører kan ifølge hende bruge modellerne til at fokusere deres arbejde på at levere køretøjer, der bevarer den kvalitet, sikkerhed og pålidelighed, der er grundlæggende for Nissan.

Det officielle produktside for tilbuddet viser logoerne for organisationer som Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics og Kautex Textron. Siden indeholder også en udtalelse fra Tomoki Takahashi, Technical Director hos JOTA Group, som sagde: “Årsagen til, at dette samarbejde fungerer, er, at vi eksperimenterer sammen, i stedet for blot at få overdraget et værktøj.”

Engagementmodel og fire fokusområder

Engagementer starter med en on‑site afgrænsningsworkshop, hvor CoreWeave og kundens team kortlægger ingeniørarbejdsprocesser, undersøger de største smertepunkter og afstemmer prioriteringer samt en realistisk tidsplan, inden der bygges nogen model. Produktsiden beskriver to indgangspunkter: en workshop for at opdage brugssager eller, for kunder der allerede har en specifik brugssag, en teknisk gennemførlighedsworkshop, der vurderer kundens data og validerer tilgangen.

Derfra spænder arbejdet over fire områder. Strategi identificerer, hvilke problemer der faktisk er værd at løse med AI, og hvilke data der er værd at bygge videre på. Simulationsinfrastruktur opstiller den GPU, lager og simulationsstack, som en specifik brugssag kræver, med feltingeniører der forbinder kunderne til CoreWeave’s bredere fysiske AI‑platform for fuld infrastrukturdesign og skalering. Realtidsdata omdanner spredt test‑, sensor‑ og produktionsdata til modeller, der forudsiger et resultat, opdager en afvigelse eller forklarer en fejl. Agentisk læring omsætter, hvad en model finder, til ændringer i den fysiske verden: et system, der kalibreres for bedre ydeevne, en fejl, der fanges før den bliver til en svigt, eller en robot, der udfører en trænet færdighed.

Leverancerne er fungerende applikationer, optimeringsværktøjer og dashboards, der implementeres direkte i eksisterende arbejdsgange. Kundens egne ingeniører hjælper med at definere problemet og ser modellen blive bygget, og når den er implementeret, driver de den, foretager ændringer og gen‑træner den efter behov i stedet for at kontakte CoreWeave. Produktsiden sammenligner denne model med AI‑konsulentvirksomheder og påpeger, at konsulenter leverer anbefalinger, mens CoreWeave leverer fungerende applikationer bygget af ingeniører indlejret i kundens arbejdsgange og drevet af deres egen beregningskapacitet.

Ingeniør‑AI‑stack og rapporterede resultater

Hver engagement kører på den samme integrerede ingeniør‑AI‑løsning: Weights & Biases til eksperimentsporing og modelstyring, marimo til dataudforskning og CoreWeave ARIA til kontinuerlig forbedring af modeller og agenter, kombineret med domænelbiblioteker udviklet til anomali‑detektion, testreduktion og systemoptimering. CoreWeave oplyser, at arbejdet foregår inden for AI‑løkken, som den kører på tværs af sin platform, med én forskel: i fysisk AI lukkes løkken mod hardware i stedet for brugertrafik.

Produktsiden rapporterer resultater fra leverede ingeniørprogrammer og bemærker, at nogle kunder er anonymiseret under fortrolighedsaftaler. Tallene omfatter kalibreringstest reduceret til så kort som én dag ved brug af allerede tilgængelige data, 35 % færre karakteriseringstests nødvendige for at validere de bedste testkandidater og en 20‑gange reduktion i den datamængde, der kræves for at opnå mål‑nøjagtighed.

„Ingeniørteams adopterer ikke en ny metode, fordi en leverandør har demonstreret den én gang i en demo. De adopterer den, når de har set den holde i deres egne systemer,“ sagde Richard Ahlfeld, Senior Vice President for Physical AI hos CoreWeave. Det, forklarede han, er grunden til, at virksomheden sender ingeniører, der taler samme sprog som teamet på den anden side af bordet, og bygger på kundens egne data: infrastrukturen, ingeniør‑AI‑stacken og ingeniørerne er alle CoreWeave’s.

Meddelelsen fremhævede også CoreWeave’s MLPerf‑benchmarkresultater, deres position som den eneste AI‑cloud, der opnåede den øverste Platinum‑rangering i både SemiAnalysis ClusterMAX 1.0 og 2.0, samt deres topplacering for inferenshastighed og pris‑performance for Moonshot AI’s Kimi K2.6‑model i uafhængig benchmark udført af Artificial Analysis.

Dan O’Brien, President og Chief Operating Officer hos Futurum, udtalte, at den mest udfordrende del af industriel AI er, at den person, der forstår domænet, og den person, der kan bygge AI‑modellen, næsten aldrig er den samme. Ingeniører, der allerede taler sproget og kan efterlade noget, som kundens egne medarbejdere kan betjene, leverer et langt bedre resultat end konsulenter, der lærer domænet på kundens tid, sagde han.