CoreWeave bringt Vorlagen für physische KI zur Entwicklung von Robotern und autonomen Fahrzeugen auf den Markt

Bevor ein Robotikteam eine neue Steuerungsstrategie testen kann, muss erst jemand dafür sorgen, dass Simulator, Daten, Speicher und Rechenleistung zusammenspielen. CoreWeave setzt bei dieser Vorbereitungsarbeit mit Physical AI Launchables an – einem Katalog getesteter Workload-Vorlagen, der am 21. Oktober für Robotik, autonome Fahrzeuge und Simulation angekündigt wurde.

Die Vorlagen bündeln Umgebungen für fünf Tools – NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim und NVIDIA Cosmos 3 –, sodass Ingenieure einen Workload mit einem Befehl konfigurieren und starten können, statt die Infrastruktur von Grund auf zusammenzustellen. Zum Start gehören außerdem Skills, mit denen Programmieragenten dieselben Abläufe ausführen können.

Für Entwickler ist entscheidend, welche Abläufe sich künftig wiederholen lassen. Launchables soll zwischen Experimenten eine funktionierende Umgebung bereitstellen und es Teams zugleich ermöglichen, die Szenen, Datensätze, Modelle und Einstellungen zu ändern, die das Ergebnis bestimmen.

Die Einrichtungsarbeit ins Fundament des Experiments verlagern

Bei einem Experiment mit physischer KI geht es um mehr, als nur ein Modell auszuführen. Für eine Fahrbewertung braucht es einen Simulator und Szenarien; ein Lernauftrag für einen Roboter benötigt eine Umgebung, eine Steuerungsstrategie und eine Möglichkeit, Ergebnisse zu erfassen. Auch diese Komponenten benötigen geeigneten Speicher, Rechenressourcen und Ausführungsgrenzen.

CoreWeave zufolge haben die eigenen Ingenieure die Konfigurationen hinter jeder Vorlage erstellt und getestet. Teams können diese Konfigurationen an ihre Arbeit anpassen und dafür bei laufenden Programmen auf reservierte Kapazitäten oder bei einzelnen Experimenten auf kurzfristig verfügbare Ressourcen zurückgreifen. Für jedes unterstützte Tool gibt es außerdem eine leere Vorlage, die die Umgebung bereitstellt, ohne den Workload vorzugeben.

„Physical AI Launchables bietet ihnen einen getesteten Ausgangspunkt für die Tools, die sie bereits verwenden, sodass sie mehr Zeit für die Arbeit aufwenden können, die nur sie erledigen können“, sagte Richard Ahlfeld, Senior Vice President für physische KI bei CoreWeave, in der Ankündigung.

Die Unterscheidung ist hilfreich: CoreWeave stellt die Paketierungs- und Ausführungsschicht bereit, während die Simulations- und Modellierungssoftware von NVIDIA und anderen Entwicklern stammt. Die Teams entscheiden weiterhin selbst, was sie testen und ob die Ergebnisse aussagekräftig sind.

Welche Workloads die ersten Vorlagen ausführen können

Der technische Ankündigungsbeitrag von CoreWeave macht den Katalog konkreter. Die Beispiele umfassen Roboter-Manipulation, simuliertes Fahren, synthetische Daten und bestärkendes Lernen:

• NVIDIA Isaac Sim: Pick-and-Place-Aufgaben mit Roboterarmen, beschriftete Lagerszenen und Experimente zur Fahrzeugdynamik.
• CARLA: Serien von Fahrszenarien, bei denen Videos zur Überprüfung erstellt werden.
• MuJoCo: Parallele Experimente zum bestärkenden Lernen und Manipulationsaufgaben in Küchen.
• NVIDIA AlpaSim: Fahrbewertung im geschlossenen Regelkreis.
• NVIDIA Cosmos 3: Erzeugung von Videoszenarien, deren Erfassung schwierig oder teuer sein kann.

Diese Konfigurationen dienen als Ausgangspunkt und nicht als festgelegte Sammlung von Demonstrationen. Ingenieure können Workload-Parameter ändern oder den Anwendungscode bearbeiten und dabei die zugrunde liegende, getestete Umgebung beibehalten. Zum Start gehören außerdem Skills für NVIDIA Cosmos Data Factory zur Datenerweiterung, Annotation, Kuratierung und zum Datenabruf; laut CoreWeave sind weitere verwandte Vorlagen geplant.

Programmieragenten erhalten dieselben Steuerungsmöglichkeiten wie Ingenieure

Launchables umfasst CoreWeave-spezifische Skills für Claude Code, Codex und andere Programmieragenten. Sie geben einem Agenten Hinweise zu relevanten Einstellungen und Zugriff auf die Befehle, mit denen sich ein Lauf starten und überwachen sowie dessen Ergebnisse abrufen lassen.

Die Veröffentlichung hebt den Unterschied zwischen dem erfolgreichen Abschluss eines Auftrags und dem Erfolg eines Experiments hervor. Ein Prozess kann beendet werden, ohne dass damit festgestellt wäre, ob eine Fahrsteuerungsstrategie ihre Szenarien gut bewältigt hat oder ein Roboter seine Aufgabe erfüllt hat. Werden Berichte, Kennzahlen, Medien und Diagnosedaten über eine einheitliche Schnittstelle zurückgegeben, stehen Ingenieuren und Agenten nach der Ausführung Informationen zur Bewertung zur Verfügung.

Das kann Automatisierung bei wiederholten Experimenten nützlicher machen. Ein Agent kann dabei helfen, einen Arbeitsablauf auszuführen; das Team benötigt jedoch weiterhin geeignete Bewertungen und Erfolgskriterien. Eine funktionierende Bereitstellung belegt nicht, dass ein Modell für den Einsatz in einem physischen System bereit ist.

GPU-Zeit für GPU-Arbeit reservieren

Die Ankündigung befasst sich auch damit, wie Aufträge Ressourcen beanspruchen. Soweit es der Workload zulässt, trennen die Vorlagen die CPU-seitige Vorbereitung und Nachbearbeitung von der GPU-Ausführung und geben GPU-Kapazität frei, sobald dieser Abschnitt abgeschlossen ist. Die Vorlagen legen den Ressourcenbedarf und Parallelitätsgrenzen fest, um die Koordination paralleler Läufe zu erleichtern.

Das ist wichtig, weil zu den Kosten eines Experiments auch die Zeit zählt, in der teure Hardware auf andere Arbeiten wartet. Eine Trennung der Phasen kann die Ressourcenzuweisung verbessern; der tatsächliche Nutzen hängt jedoch vom Workload und dem Umfang der erforderlichen Vorbereitung, Simulation, des Trainings und der Analyse ab.

In der vorliegenden Ankündigung hat CoreWeave weder einen allgemeinen Benchmark für Launchables noch eine allgemeingültige Verkürzung der Einrichtungszeit angegeben. Das unmittelbare Versprechen besteht in einer getesteten Konfiguration und einer einheitlichen Möglichkeit, sie auszuführen – nicht in einem gemessenen Leistungszuwachs, der für jedes Robotikprojekt gilt.

Wie Launchables in CoreWeaves Stack für physische KI passt

Die Veröffentlichung erweitert CoreWeave über reine GPU-Kapazität hinaus auf die Softwareabläufe, die diese nutzen. Auf der Seite zur Plattform für physische KI beschreibt das Unternehmen eine Infrastruktur mit GPU- und CPU-Rechenleistung, Netzwerken, Speicher, Kubernetes-Orchestrierung und Slurm auf Kubernetes. Diese Komponenten erfüllen die unterschiedlichen Anforderungen an Datenaufbereitung, Simulation und Modelltraining.

Die umfassendere Cloud-Plattform verbindet diese Infrastruktur mit CoreWeave Forge, das Tools zur Beobachtung, Bewertung und Verbesserung von Modellen und Agenten bündelt. Launchables ergänzt diese Ebenen um getestete technische Workloads. Ziel ist es, die Zahl der Umgebungen zu verringern, die ein Team zusammenstellen muss, wenn es zwischen Daten, Experimenten und Evaluierung wechselt.

CoreWeave nannte außerdem Cadence, Convergent Science, Encord, nTop, PhysicsX und Voxel51 als Softwarepartner, die mit seiner Infrastruktur arbeiten. Diese Kooperationen reichen von Werkzeugen für Daten und Computer Vision bis hin zu technischen Simulationen; daraus sollte nicht geschlossen werden, dass jedes Partnerprodukt bereits als Launch-Vorlage verfügbar ist.

Ein schnellerer Einstieg erfordert dennoch eine fundierte Evaluierung

Die Chance liegt auf der Hand: Wenn eine Umgebung von einem Experiment zum nächsten erhalten bleibt, können Teams mehr Zeit darauf verwenden, Modelle zu vergleichen und Fehler zu untersuchen. Gemeinsame Vorlagen können es Kolleginnen und Kollegen außerdem erleichtern, eine Konfiguration nachzustellen, bevor sie eine Variable ändern.

Die schwierigeren Fragen liegen weiterhin im jeweiligen Fachgebiet. Simulierte Szenen müssen relevante Bedingungen abbilden, synthetische Daten müssen für die jeweilige Aufgabe geeignet sein, und Evaluierungen müssen Fehler aufdecken, die auch außerhalb des Simulators von Bedeutung sind. Launchables kann den Weg zur Durchführung solcher Tests vereinfachen, macht es aber nicht überflüssig, sie sorgfältig zu konzipieren.

CoreWeave verweist interessierte Teams auf die Übersicht zu Launchables für physische KI, die den anfänglichen Katalog und weitere Informationen enthält. Für Entwicklerinnen und Entwickler von Robotik und autonomen Fahrzeugen liegt der praktische Nutzen in einem kürzeren Weg von der Experimentidee zu überprüfbaren Ergebnissen.