Wayve skal træne AI Driver-modeller på CoreWeave Cloud med Blackwell-GPU’er

CoreWeave meddelte den 9. november 2026, at virksomheden har indgået en flerårig aftale, så Wayve kan træne sine grundmodeller til AI Driver på CoreWeave Cloud med NVIDIA Blackwell-GPU’er. Arbejdet omfatter træning, evaluering og simulering af et system, der lærer af data fra kørsel i den virkelige verden, indsamlet i mere end 70 lande.

Wayve begyndte med Weights & Biases og har siden skaleret op på CoreWeave Cloud. Udvidelsen føjer CoreWeaves cloudbaserede regnekraft til en udviklingsproces, der skal kunne påvise fremskridt fra én softwareversion til den næste, understøtte lange træningsforløb og give tilstrækkelig indsigt til at sammenligne modeller og validere sikkerheden i stor skala.

En datalæringssløjfe for køremodeller

Wayve udvikler AI Driver til anvendelse i alt fra privatejede biler til robotaxier. Silvius Rus, virksomhedens senior vicepræsident for ingeniørarbejde, beskrev, hvordan deres globale kørselsdata indgår i modeludviklingen: “Vores AI Driver bliver bedre ved at køre denne datalæringssløjfe: indsamle erfaringer fra kørsel i den virkelige verden, træne på dem, evaluere dem og kun udrulle det, der klarer sig bedre end det, der allerede er på vejene.” Han forventer, at adgangen til CoreWeaves AI-cloud vil bidrage til at fremskynde den kommercielle udrulning af AI Driver.

Simulation før udrulning på vejene

En teknisk oversigt fra CoreWeave over infrastruktur til fysisk AI peger på træning af verdensmodeller, sensorsimulering og evaluering med lukket feedbacksløjfe som arbejdsbelastninger inden for autonome køretøjer. Autonome køretøjer genererer terabyte sensordata pr. køretøj om dagen. For at håndtere denne datamængde skal lager-, netværks- og træningspipeliner fungere effektivt sammen.

Udviklingen af fysisk AI fortsætter efter udrulningen, efterhånden som nye særtilfælde opstår. Derfor er gentagen genoptræning, lagring af kontrolpunkter og hurtige datapipeliner nødvendige i driften. Da fejl kan få fysiske sikkerhedsmæssige konsekvenser, foregår det meste modeludvikling gennem simulering og validering i flere trin, før modellerne bruges i den virkelige verden.

I en demonstration, som CoreWeave har offentliggjort, og som ikke er en del af Wayve-aftalen, oplyser virksomheden, at den har kørt 1,25 millioner CARLA-simuleringer af autonome køretøjer på cirka 12 timer fordelt på uafhængige shards med én GPU hver. I kørslerne varierede vejr, trafiktæthed, kort, vejkryds og seed-værdier. Demonstrationen illustrerer bredden af de simulerede forhold, der kan genereres til modeludvikling.

Pålidelighed gennem hele træningsstakken

For hardwarelaget overvåger Blackwells Reliability, Availability and Serviceability Engine ifølge NVIDIA løbende tusindvis af datapunkter om hardware- og softwaretilstand for at forudsige og afværge årsager til nedetid. Systemet er designet til tidligt at identificere potentielle fejl, lokalisere problemer og understøtte vedligeholdelse. Disse funktioner er relevante for de pålidelighedskrav til lange træningsforløb, som CoreWeave beskrev i sin meddelelse.

På tværs af sin bredere platform til fysisk AI oplyser CoreWeave, at virksomhedens Kubernetes Service koordinerer trænings- og simuleringsopgaver, mens distribueret lagring og objektlagring rummer sensordata og simuleringsdata i petabyteskala. InfiniBand- og RoCE-netværk overfører data direkte mellem GPU’er på tværs af servere uden om CPU’erne, så ventetiden reduceres, mens distribuerede opgaver udveksler sensordata, simuleringstilstand og gradienter.

Værktøjerne til eksperimenter tilføjer versionshistorik: Weights & Biases Models sporer eksperimenter, Registry forbinder et kontrolpunkt med det præcise datasæt og det træningsforløb, der skabte det, og Weave understøtter sporingsdata, evalueringer og overvågning. Disse registreringer giver ingeniører mulighed for at spore et problem, der er fundet under test, tilbage til det relevante kontrolpunkt, datasæt og træningsforløb. For et køresystem, hvor sikkerheden er kritisk, understøtter denne sporbarhed sammenligning og validering sideløbende med træningskapaciteten.

Aftalen gør hele iterationscyklussen til en del af Wayves udvidelse af infrastrukturen. En hurtigere kommerciel udrulning afhænger af, hvor effektivt integreret træning, evaluering og simulering kan omsætte kørslerfaringer til validerede forbedringer, samtidig med at den pålidelighed og sporbarhed, der kræves af køresoftware, hvor sikkerheden er kritisk, opretholdes.