Η Wayve θα εκπαιδεύσει μοντέλα οδήγησης τεχνητής νοημοσύνης στο CoreWeave Cloud με GPU Blackwell

Η CoreWeave ανακοίνωσε στις 9 Νοεμβρίου 2026 μια πολυετή συμφωνία, βάσει της οποίας η Wayve θα εκπαιδεύει τα θεμελιώδη μοντέλα του AI Driver στο CoreWeave Cloud με GPU NVIDIA Blackwell. Οι εργασίες καλύπτουν την εκπαίδευση, την αξιολόγηση και την προσομοίωση ενός συστήματος που μαθαίνει από δεδομένα πραγματικής οδήγησης, τα οποία συλλέγονται σε περισσότερες από 70 χώρες.

Η Wayve ξεκίνησε με το Weights & Biases και έκτοτε επέκτεινε τις δραστηριότητές της στο CoreWeave Cloud. Η επέκταση προσθέτει την υπολογιστική ισχύ cloud της CoreWeave σε μια διαδικασία ανάπτυξης που πρέπει να αποδεικνύει την πρόοδο από τη μία έκδοση λογισμικού στην επόμενη, να υποστηρίζει μακράς διάρκειας εκπαιδεύσεις και να παρέχει επαρκή παρατηρησιμότητα, ώστε να είναι δυνατή η σύγκριση μοντέλων και η επικύρωση της ασφάλειας σε μεγάλη κλίμακα.

Ένας βρόχος ανατροφοδότησης δεδομένων για μοντέλα οδήγησης

Η Wayve αναπτύσσει το AI Driver για χρήσεις που εκτείνονται από τα ιδιωτικά αυτοκίνητα έως τα ρομποταξί. Ο Silvius Rus, ανώτερος αντιπρόεδρος μηχανικής της εταιρείας, περιέγραψε πώς τα δεδομένα οδήγησης από όλο τον κόσμο τροφοδοτούν την ανάπτυξη μοντέλων: «Το AI Driver μας βελτιώνεται χάρη σε αυτόν τον βρόχο ανατροφοδότησης δεδομένων: συλλέγουμε εμπειρία οδήγησης από τον πραγματικό κόσμο, εκπαιδεύουμε το μοντέλο με βάση αυτήν, το αξιολογούμε και αναπτύσσουμε μόνο ό,τι αποδίδει καλύτερα από ό,τι κυκλοφορεί ήδη στους δρόμους». Εκτιμά ότι η πρόσβαση στο cloud τεχνητής νοημοσύνης της CoreWeave θα συμβάλει στην επιτάχυνση της εμπορικής διάθεσης του AI Driver.

Προσομοίωση πριν από την κυκλοφορία στους δρόμους

Μια τεχνική επισκόπηση της CoreWeave για την υποδομή φυσικής τεχνητής νοημοσύνης προσδιορίζει την εκπαίδευση μοντέλων κόσμου, την προσομοίωση αισθητήρων και την αξιολόγηση σε κλειστό βρόχο ως φόρτους εργασίας για αυτόνομα οχήματα. Τα αυτόνομα οχήματα παράγουν terabyte δεδομένων αισθητήρων ανά όχημα, κάθε μέρα. Για την επεξεργασία αυτού του όγκου δεδομένων απαιτείται η αποδοτική συνεργασία των συστημάτων αποθήκευσης, δικτύωσης και εκπαίδευσης.

Η ανάπτυξη φυσικής τεχνητής νοημοσύνης συνεχίζεται και μετά την κυκλοφορία, καθώς εμφανίζονται νέες οριακές περιπτώσεις, καθιστώντας την επανεκπαίδευση, τη δημιουργία σημείων ελέγχου και τις ταχείες διοχετεύσεις δεδομένων λειτουργικές απαιτήσεις. Επειδή οι αστοχίες μπορεί να έχουν συνέπειες για τη σωματική ασφάλεια, το μεγαλύτερο μέρος της ανάπτυξης μοντέλων γίνεται μέσω προσομοίωσης και σταδιακής επικύρωσης, πριν από τη χρήση τους στον πραγματικό κόσμο.

Σε μια επίδειξη αναφοράς της CoreWeave, εκτός της συμφωνίας με τη Wayve, η εταιρεία αναφέρει ότι εκτέλεσε 1,25 εκατομμύρια προσομοιώσεις αυτόνομων οχημάτων CARLA σε περίπου 12 ώρες, σε ανεξάρτητα τμήματα, χρησιμοποιώντας μία GPU για το καθένα. Στις εκτελέσεις διαφοροποιήθηκαν οι καιρικές συνθήκες, η πυκνότητα της κυκλοφορίας, οι χάρτες, οι διασταυρώσεις και οι αρχικές τιμές, καταδεικνύοντας το εύρος των συνθηκών που μπορούν να προσομοιωθούν για την ανάπτυξη μοντέλων.

Αξιοπιστία σε όλη τη στοίβα εκπαίδευσης

Όσον αφορά το επίπεδο υλικού, η NVIDIA αναφέρει ότι το Reliability, Availability and Serviceability Engine της Blackwell παρακολουθεί συνεχώς χιλιάδες σημεία δεδομένων για την υγεία υλικού και λογισμικού, προκειμένου να προβλέπει και να αποτρέπει πηγές διακοπής λειτουργίας. Έχει σχεδιαστεί για να εντοπίζει έγκαιρα πιθανά σφάλματα, να εντοπίζει την προέλευση των προβλημάτων και να διευκολύνει τη συντήρηση· δυνατότητες που συνάδουν με τις απαιτήσεις αξιοπιστίας για εκπαιδεύσεις μεγάλης διάρκειας, όπως περιγράφονται στην ανακοίνωση της CoreWeave.

Για την ευρύτερη πλατφόρμα φυσικής τεχνητής νοημοσύνης της, η CoreWeave αναφέρει ότι η υπηρεσία Kubernetes ενορχηστρώνει εργασίες εκπαίδευσης και προσομοίωσης, ενώ η κατανεμημένη αποθήκευση και η αποθήκευση αντικειμένων διατηρούν δεδομένα αισθητήρων και προσομοίωσης κλίμακας petabyte. Τα δίκτυα InfiniBand και RoCE μεταφέρουν δεδομένα απευθείας μεταξύ GPU σε διαφορετικούς διακομιστές, παρακάμπτοντας τους CPU, ώστε να μειώνεται ο χρόνος αδράνειας, καθώς οι κατανεμημένες εργασίες ανταλλάσσουν δεδομένα αισθητήρων, κατάσταση προσομοίωσης και διαβαθμίσεις.

Τα εργαλεία πειραματισμού προσθέτουν δυνατότητα παρακολούθησης της προέλευσης κάθε έκδοσης: το Weights & Biases Models καταγράφει τα πειράματα, το Registry συνδέει ένα σημείο ελέγχου με το ακριβές σύνολο δεδομένων και την εκτέλεση εκπαίδευσης που το παρήγαγε, ενώ το Weave υποστηρίζει ίχνη, αξιολογήσεις και παρακολούθηση. Αυτές οι καταγραφές δίνουν στους μηχανικούς τη δυνατότητα να εντοπίζουν, ξεκινώντας από ένα πρόβλημα που διαπιστώθηκε κατά τις δοκιμές, το σημείο ελέγχου του μοντέλου, το σύνολο δεδομένων και την εκτέλεση εκπαίδευσης που σχετίζονται με αυτό. Για ένα σύστημα οδήγησης κρίσιμο για την ασφάλεια, αυτή η ιχνηλασιμότητα υποστηρίζει τη σύγκριση και την επικύρωση, παράλληλα με την επαρκή υπολογιστική ισχύ για την εκπαίδευση.

Η συμφωνία εντάσσει ολόκληρο τον κύκλο επανάληψης στην επέκταση της υποδομής της Wayve. Η ταχύτερη εμπορική διάθεση συνδέεται με το πόσο αποδοτικά η ολοκληρωμένη εκπαίδευση, αξιολόγηση και προσομοίωση μπορούν να μετατρέπουν την εμπειρία οδήγησης σε επικυρωμένες βελτιώσεις, διατηρώντας παράλληλα την αξιοπιστία και την ιχνηλασιμότητα που απαιτούνται για λογισμικό οδήγησης κρίσιμο για την ασφάλεια.