CoreWeave integriert Feldingenieure in Kundenteams für Physical AI

CoreWeave kündigte am 10. September 2026 die Einführung von Physical AI Field Engineering an, ein Angebot, das Kunden‑Teams mit den Domänenspezialisten des Cloud‑Anbieters zusammenbringt, um KI über den gesamten Engineering‑Lebenszyklus hinweg zu bauen, zu validieren und bereitzustellen, von Forschung und Entwicklung bis zu Feldbetrieb.

Die Ankündigung, datiert in Livingston, New Jersey, erklärte, dass der Service auf dem Team und den Methoden basiert, die CoreWeave durch die Übernahme von Monolith AI gewonnen hat, und auf der eigenen Plattform sowie der integrierten Engineering‑AI‑Lösung von CoreWeave läuft. Im Rahmen des Angebots arbeiten CoreWeave‑Ingenieure mit Hintergrund in Automobil-, Luft‑ und Raumfahrt‑ sowie Maschinenbau gemeinsam mit dem Team des Kunden und erstellen Modelle aus Daten, die dem Kunden bereits gehören, darunter Prüfstandsergebnisse, Simulationsausgaben, Produktionssensoren und Live‑Telemetrie. Jedes Modell wird gegen die reale Physik der Kundensysteme validiert, bis es in der Praxis Bestand hat.

CoreWeave bezeichnete physical AI als den Bereich, in dem die Kluft zwischen Domänenexpertise und angewandter KI am größten ist, ein Bereich, in dem die Integration von KI in Engineering‑Prozesse Anforderungen an Erklärbarkeit, Genauigkeit, Wiederholbarkeit und Sicherheit stellt. Modelle in diesem Umfeld scheitern laut Unternehmen deutlich häufiger an den Daten als an der Architektur oder der Rechenleistung, und das Schließen der Lücke erfordere Ingenieure, die Themen wie Verbrennungsdynamik oder Luft‑ und Raumfahrt‑Lasten verstehen und zugleich ein Machine‑Learning‑Modell bauen und validieren können. Für KI‑native Teams verläuft die Kluft umgekehrt: Die Modellierungs‑Expertise ist vorhanden, aber die Physik der Systeme, für die die Modelle gedacht sind, fehlt.

Erfolgsbilanz aus über 100 Projekten

CoreWeave gab an, dass der Ansatz bereits in über 100 Engineering‑Projekten in den Bereichen Automobil, Luft‑ und Raumfahrt sowie Robotik angewendet wurde. Für das Aston Martin Aramco Formula‑One‑Team waren die Ingenieure des Unternehmens vor Ort während Live‑Rennwochenenden eingebettet und entwickelten ein Transkriptionsmodell, das nach dem Training mit sieben Stunden handannotierter Renn‑Audioaufnahmen, verfeinert über 75 Iterationen, Produktions‑Genauigkeit erreichte. Die Plattform verarbeitet inzwischen gleichzeitig 40 Funkkanäle, schnell genug, so CoreWeave, um innerhalb eines Boxenfensters von weniger als dreißig Sekunden eine Frage zur Reifenstrategie zu beantworten.

Emma Deutsch, Director of Engineering and Test Operations beim Nissan Technical Centre Europe, erklärte, dass KI Nissan dabei hilft, aus den täglich erzeugten Engineering‑ und Testdaten einen größeren Mehrwert zu schöpfen. Ihre Ingenieure können demnach die Modelle nutzen, um ihre Arbeit darauf zu konzentrieren, Fahrzeuge zu liefern, die die für Nissan grundlegende Qualität, Sicherheit und Zuverlässigkeit bewahren.

Die offizielle Produktseite des Angebots zeigt die Logos von Unternehmen wie Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics und Kautex Textron. Auf der Seite befindet sich zudem ein Testimonial von Tomoki Takahashi, Technical Director der JOTA Group, der sagte: „Der Grund, warum diese Zusammenarbeit funktioniert, ist, dass wir gemeinsam experimentieren und uns nicht einfach nur ein Werkzeug übergeben bekommen.“

Engagement‑Modell und vier Fokusbereiche

Engagements beginnen mit einem Vor-Ort‑Scoping‑Workshop, in dem CoreWeave und das Kundenteam die Engineering‑Workflows kartieren, die größten Schmerzpunkte untersuchen und sich auf Prioritäten sowie einen realistischen Zeitplan einigen, bevor ein Modell erstellt wird. Die Produktseite beschreibt zwei Einstiegspunkte: einen Use‑Case‑Discovery‑Workshop oder, für Kunden, die bereits einen konkreten Anwendungsfall haben, einen technischen Machbarkeits‑Workshop, der die Kundendaten bewertet und den Ansatz validiert.

Von dort aus erstreckt sich die Arbeit über vier Bereiche. Die Strategie identifiziert, welche Probleme tatsächlich mit KI gelöst werden sollten und welche Daten dafür geeignet sind. Die Simulations‑Infrastruktur stellt die GPU, den Speicher und den Simulations‑Stack bereit, die ein konkreter Anwendungsfall benötigt, wobei Feldingenieure die Kunden in die breitere Physical‑AI‑Plattform von CoreWeave für ein vollständiges Infrastruktursdesign und Skalierung einbinden. Real‑World‑Daten wandeln verstreute Test‑, Sensor‑ und Produktionsdaten in Modelle um, die ein Ergebnis vorhersagen, Anomalien erkennen oder einen Fehler erklären. Agentisches Lernen wandelt die Erkenntnisse eines Modells in Veränderungen in der physischen Welt um: ein System, das neu kalibriert wird, um besser zu laufen, ein Fehler, der erkannt wird, bevor er zum Ausfall wird, oder ein Roboter, der eine trainierte Fähigkeit ausführt.

Die Ergebnisse sind funktionierende Anwendungen, Optimierer und Dashboards, die direkt in bestehende Workflows integriert werden. Die eigenen Ingenieure des Kunden helfen dabei, das Problem zu definieren und beobachten den Modellaufbau; nach der Bereitstellung betreiben sie das Modell, nehmen Änderungen vor und trainieren es bei Bedarf neu, anstatt CoreWeave zu kontaktieren. Die Produktseite stellt dieses Modell den KI‑Beratungsfirmen gegenüber und erklärt, dass Berater Empfehlungen liefern, während CoreWeave funktionierende Anwendungen bereitstellt, die von in die Kunden‑Workflows eingebetteten Ingenieuren gebaut und durch die eigene Rechenleistung betrieben werden.

Engineering‑AI‑Stack und berichtete Ergebnisse

Jedes Engagement läuft auf derselben integrierten Engineering‑AI‑Lösung: Weights & Biases für Experiment‑Tracking und Modell‑Management, marimo für Datenexploration und CoreWeave ARIA für kontinuierliche Modell‑ und Agenten‑Verbesserung, kombiniert mit domänenspezifischen Bibliotheken für Anomalieerkennung, Testreduktion und Systemoptimierung. CoreWeave erklärte, dass die Arbeit innerhalb der KI‑Schleife erfolgt, die über die Plattform läuft, mit einem Unterschied: Bei Physical AI schließt die Schleife gegenüber der Hardware statt gegenüber dem Nutzer‑Traffic.

Die Produktseite berichtet Ergebnisse aus gelieferten Engineering‑Programmen und weist darauf hin, dass einige Kunden aufgrund von Geheimhaltungsvereinbarungen anonymisiert wurden. Die Zahlen umfassen eine Kalibrierungsprüfung, die auf nur einen Tag verkürzt werden konnte, indem bereits vorhandene Daten genutzt wurden, 35 % weniger Charakterisierungstests, die nötig waren, um die besten Testkandidaten zu validieren, sowie eine 20‑fache Reduktion des Datenvolumens, das erforderlich ist, um die Zielgenauigkeit zu erreichen.

„Engineering‑Teams übernehmen keine neue Methode, weil ein Anbieter sie einmal in einer Demo bewiesen hat. Sie übernehmen sie erst, wenn sie gesehen haben, dass sie auf ihren eigenen Systemen funktioniert“, sagte Richard Ahlfeld, Senior Vice President of Physical AI bei CoreWeave. Das sei, erklärte er, der Grund, warum das Unternehmen Ingenieure sendet, die dieselbe Sprache wie das Team am anderen Ende des Tisches sprechen und auf den eigenen Daten des Kunden aufbauen: Die Infrastruktur, der Engineering‑AI‑Stack und die Ingenieure gehören alle zu CoreWeave.

Die Ankündigung verwies zudem auf CoreWeaves MLPerf‑Benchmark‑Ergebnisse, seine Position als einzige KI‑Cloud, die sowohl im SemiAnalysis ClusterMAX 1.0 als auch 2.0 die höchste Platin‑Bewertung erhalten hat, sowie seine Spitzenposition hinsichtlich Inferenz‑Geschwindigkeit und Preis‑Leistungs‑Verhältnis für das Kimi K2.6‑Modell von Moonshot AI in unabhängigen Benchmarks, die von Artificial Analysis durchgeführt wurden.

Dan O’Brien, President und Chief Operating Officer bei Futurum, erklärte, dass der schwierigste Aspekt von industrieller KI darin bestünde, dass die Person, die die Domäne versteht, und die Person, die das KI‑Modell bauen kann, fast nie dieselbe Person seien. Ingenieure, die bereits die Sprache sprechen und etwas hinterlassen können, das das eigene Personal des Kunden betreibt, liefern ein deutlich besseres Ergebnis als Berater, die die Domäne in der Zeit des Kunden erlernen, sagte er.