Wayve trainiert KI-Fahrermodelle mit Blackwell-GPUs in der CoreWeave Cloud

CoreWeave gab am 9. November 2026 eine mehrjährige Vereinbarung bekannt, nach der Wayve seine KI-Fahrer-Grundlagenmodelle in der CoreWeave Cloud mit NVIDIA-Blackwell-GPUs trainieren wird. Die Arbeit umfasst Training, Evaluierung und Simulation für ein System, das aus realen Fahrdaten lernt, die in mehr als 70 Ländern erhoben werden.

Wayve begann mit Weights & Biases und hat seine Aktivitäten seitdem auf die CoreWeave Cloud ausgeweitet. Diese Erweiterung ergänzt den Entwicklungsprozess um die Cloud-Rechenleistung von CoreWeave. Dabei muss der Fortschritt zwischen Softwareversionen nachgewiesen, lange Trainingsläufe müssen aufrechterhalten und es muss ausreichende Beobachtbarkeit gewährleistet werden, um Modelle vergleichen und ihre Sicherheit in großem Maßstab validieren zu können.

Ein Datenkreislauf für Fahrmodelle

Wayve entwickelt den KI-Fahrer für Anwendungen vom Privatfahrzeug bis zum Robotaxi. Silvius Rus, Senior Vice President of Engineering des Unternehmens, beschrieb, wie die weltweit erhobenen Fahrdaten in die Modellentwicklung einfließen: „Unser KI-Fahrer wird durch diesen Datenkreislauf immer besser: Wir sammeln Erfahrungen aus dem realen Straßenverkehr, trainieren das Modell damit, evaluieren es und setzen nur das ein, was besser abschneidet als das, was bereits auf den Straßen unterwegs ist.“ Er erwartet, dass der Zugang zur KI-Cloud von CoreWeave dazu beitragen wird, die kommerzielle Einführung des KI-Fahrers zu beschleunigen.

Simulation vor dem Einsatz auf der Straße

Eine technische Übersicht von CoreWeave zur Infrastruktur für physische KI nennt das Training von Weltmodellen, Sensorsimulationen und Evaluierungen im geschlossenen Regelkreis als Arbeitslasten für autonome Fahrzeuge. Autonome Fahrzeuge erzeugen pro Fahrzeug täglich Terabytes an Sensordaten. Um diese Datenströme zu bewältigen, müssen Speicher, Netzwerk und Trainingspipelines effizient zusammenarbeiten.

Die Entwicklung physischer KI geht auch nach der Bereitstellung weiter, wenn neue Grenzfälle auftreten. Daher sind wiederholtes Nachtrainieren, das Speichern von Checkpoints und schnelle Datenpipelines betriebliche Anforderungen. Da Fehler physische Sicherheitsfolgen haben können, wird der Großteil der Modellentwicklung vor dem Einsatz in der realen Welt in Simulationen und durch stufenweise Validierung durchgeführt.

In einer Referenzdemonstration von CoreWeave außerhalb der Vereinbarung mit Wayve berichtet das Unternehmen, innerhalb von etwa 12 Stunden 1,25 Millionen Simulationen autonomer Fahrzeuge mit CARLA durchgeführt zu haben. Die Simulationen liefen auf unabhängigen Shards, jeweils mit einer GPU. Dabei wurden Wetter, Verkehrsdichte, Karten, Kreuzungen und Zufallsstartwerte variiert. Das veranschaulicht die Bandbreite simulierbarer Bedingungen, die für die Modellentwicklung erzeugt werden können.

Zuverlässigkeit im gesamten Trainings-Stack

Für die Hardwareebene erklärt NVIDIA zufolge, dass Blackwells Engine für Zuverlässigkeit, Verfügbarkeit und Wartungsfreundlichkeit kontinuierlich Tausende von Hardware- und Softwarezustandsdatenpunkten überwacht, um Ausfallursachen vorherzusagen und abzufangen. Sie ist darauf ausgelegt, potenzielle Fehler frühzeitig zu erkennen, Probleme einzugrenzen und die Wartung zu unterstützen. Diese Funktionen sind für die Zuverlässigkeitsanforderungen langer Trainingsläufe relevant, die in der Ankündigung von CoreWeave beschrieben werden.

Für seine umfassendere Plattform für physische KI erklärt CoreWeave, dass sein Kubernetes Service Trainings- und Simulationsaufträge orchestriert, während verteilte Speicherlösungen und Objektspeicher Daten aus Sensoren und Simulationen im Petabyte-Maßstab vorhalten. InfiniBand- und RoCE-Netzwerke übertragen Daten direkt zwischen GPUs auf verschiedenen Servern und umgehen dabei die CPUs. So werden Leerlaufzeiten reduziert, während verteilte Aufträge Sensordaten, Simulationszustände und Gradienten austauschen.

Die Experimentierwerkzeuge ergänzen die Versionsnachverfolgung: Weights & Biases Models erfasst Experimente, Registry ordnet einen Checkpoint genau dem Datensatz und dem Trainingslauf zu, durch den er entstanden ist, und Weave unterstützt Traces, Evaluierungen und Überwachung. Anhand dieser Aufzeichnungen können Ingenieure von einem beim Testen entdeckten Problem zu dem betreffenden Modell-Checkpoint, Datensatz und Trainingslauf zurückverfolgen. Bei einem sicherheitskritischen Fahrsystem ermöglicht diese Rückverfolgbarkeit neben ausreichender Trainingskapazität auch den Vergleich und die Validierung.

Die Vereinbarung macht den gesamten Iterationszyklus zu einem Bestandteil des Infrastrukturausbaus von Wayve. Eine schnellere kommerzielle Einführung hängt davon ab, wie effizient integriertes Training, Evaluierung und Simulation Fahrpraxis in validierte Verbesserungen umsetzen können und dabei die für sicherheitskritische Fahrsoftware erforderliche Zuverlässigkeit und Rückverfolgbarkeit gewährleisten.