CoreWeave coloca ingenieros de campo dentro de los equipos de clientes para IA física

CoreWeave anunció el 10 de septiembre de 2026 el lanzamiento de Physical AI Field Engineering, una oferta que empareja a los equipos de los clientes con los especialistas de dominio del proveedor de la nube para construir, validar y desplegar IA a lo largo de todo el ciclo de vida de la ingeniería, desde la investigación y desarrollo hasta las operaciones en campo.

El anuncio, con fecha de Livingston, Nueva Jersey, indicó que el servicio se basa en el equipo y los métodos que CoreWeave adquirió con Monolith AI y funciona sobre la propia plataforma de CoreWeave y su solución integrada de IA de ingeniería. Dentro de la oferta, ingenieros de CoreWeave con experiencia en automoción, aeroespacial e ingeniería mecánica trabajan junto al equipo del cliente, construyendo modelos a partir de datos que el cliente ya posee, incluidos resultados de bancos de pruebas, salidas de simulación, sensores de producción y telemetría en tiempo real. Cada modelo se valida contra la física real de los sistemas del cliente hasta que se mantiene en la práctica.

CoreWeave describió la IA física como el área donde la brecha entre la experiencia de dominio y la IA aplicada es mayor, un ámbito en el que integrar IA en los procesos de ingeniería añade requisitos de explicabilidad, precisión, repetibilidad y seguridad. La empresa afirmó que los modelos en este contexto fallan por datos con mucho más frecuencia que por arquitectura o cómputo, y cerrar la brecha requiere ingenieros que comprendan temas como la dinámica de combustión o cargas aeroespaciales y que también puedan construir y validar un modelo de aprendizaje automático. Para los equipos nativos de IA, la brecha va en sentido contrario: existe la experiencia de modelado, pero no la física de los sistemas a los que esos modelos deben servir.

Historial de más de 100 proyectos

CoreWeave dijo que el enfoque ya se ha aplicado en más de 100 proyectos de ingeniería en automoción, aeroespacial y robótica. Para el equipo de Fórmula Uno Aston Martin Aramco, los ingenieros de la empresa estuvieron integrados in situ durante los fines de semana de carrera en vivo y construyeron un modelo de transcripción que alcanzó precisión de producción después de entrenarse con siete horas de audio de carrera anotado manualmente y refinado en 75 iteraciones. La plataforma ahora procesa 40 canales de radio a la vez, lo suficientemente rápido, según CoreWeave, para responder a una pregunta de estrategia de neumáticos dentro de una ventana de pit que se cierra en menos de treinta segundos.

Emma Deutsch, directora de Ingeniería y Operaciones de Pruebas en Nissan Technical Centre Europe, dijo que la IA está ayudando a Nissan a extraer mayor valor de los datos de ingeniería y pruebas que genera a diario. Sus ingenieros, comentó, pueden usar los modelos para centrar su trabajo en entregar vehículos que mantengan la calidad, seguridad y fiabilidad fundamentales para Nissan.

La página oficial del producto de la oferta muestra los logotipos de organizaciones como Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics y Kautex Textron. La página también incluye un testimonio de Tomoki Takahashi, director técnico del Grupo JOTA, quien dijo: “La razón por la que esta colaboración funciona es que estamos experimentando juntos, no simplemente recibiendo una herramienta”.

Modelo de compromiso y cuatro áreas de enfoque

Los compromisos comienzan con un taller de alcance in situ, donde CoreWeave y el equipo del cliente mapean los flujos de trabajo de ingeniería, examinan los principales puntos críticos y se alinean en prioridades y un cronograma realista antes de construir cualquier modelo. La página del producto describe dos puntos de entrada: un taller de descubrimiento de casos de uso o, para clientes que ya tienen un caso de uso específico, un taller de viabilidad técnica que evalúa los datos del cliente y valida el enfoque.

A partir de ahí, el trabajo abarca cuatro áreas. La estrategia identifica qué problemas realmente vale la pena resolver con IA y qué datos son útiles para construir. La infraestructura de simulación despliega la GPU, el almacenamiento y la pila de simulación que necesita un caso de uso específico, con ingenieros de campo conectando a los clientes a la plataforma más amplia de IA física de CoreWeave para el diseño y escalado completo de la infraestructura. Los datos del mundo real convierten datos dispersos de pruebas, sensores y producción en modelos que predicen un resultado, detectan una anomalía o explican una falla. El aprendizaje agente transforma lo que el modelo descubre en cambios en el mundo físico: un sistema recalibrado para funcionar mejor, una falla detectada antes de que se convierta en un error, o un robot ejecutando una habilidad entrenada.

Los entregables son aplicaciones funcionales, optimizadores y paneles de control desplegados directamente en los flujos de trabajo existentes. Los propios ingenieros del cliente ayudan a definir el problema y observan la construcción del modelo, y una vez desplegado lo operan, realizan cambios y lo reentrenan según sea necesario en lugar de contactar a CoreWeave. La página del producto contrasta este modelo con las consultoras de IA, indicando que los consultores entregan recomendaciones mientras CoreWeave entrega aplicaciones funcionales construidas por ingenieros integrados en los flujos de trabajo del cliente y alimentadas por su propio cómputo.

Pila de IA de ingeniería y resultados reportados

Cada compromiso se ejecuta sobre la misma solución integrada de IA de ingeniería: Weights & Biases para el seguimiento de experimentos y gestión de modelos, marimo para la exploración de datos y CoreWeave ARIA para la mejora continua de modelos y agentes, combinados con bibliotecas de dominio creadas para detección de anomalías, reducción de pruebas y optimización de sistemas. CoreWeave afirmó que el trabajo opera dentro del bucle de IA que funciona en su plataforma, con una diferencia: en la IA física, el bucle se cierra contra el hardware en lugar del tráfico de usuarios.

La página del producto informa resultados de los programas de ingeniería entregados, señalando que algunos clientes fueron anonimados bajo acuerdos de confidencialidad. Las cifras incluyen pruebas de calibración reducidas a tan solo un día utilizando datos ya disponibles, un 35 % menos de pruebas de caracterización necesarias para validar los mejores candidatos de prueba, y una reducción de 20  veces en la captura de datos requerida para alcanzar la precisión objetivo.

“Los equipos de ingeniería no adoptan un método nuevo porque un proveedor lo demostró una vez en una demo. Lo adoptan una vez que lo han visto funcionar en sus propios sistemas”, dijo Richard Ahlfeld, vicepresidente senior de Physical AI en CoreWeave. Eso, comentó, es la razón por la que la empresa envía ingenieros que hablan el mismo idioma que el equipo al otro lado de la mesa y construye sobre los propios datos del cliente: la infraestructura, la pila de IA de ingeniería y los ingenieros son todos de CoreWeave.

El anuncio también destacó los resultados de referencia MLPerf de CoreWeave, su posición como la única nube de IA que obtuvo la clasificación Platinum superior en ambos SemiAnalysis ClusterMAX 1.0 y 2.0, y su clasificación líder en velocidad de inferencia y relación precio‑rendimiento para el modelo Kimi K2.6 de Moonshot AI en pruebas independientes realizadas por Artificial Analysis.

Dan O’Brien, presidente y director de operaciones de Futurum, dijo que la parte más desafiante de la IA industrial es que la persona que entiende el dominio y la que puede construir el modelo de IA casi nunca son la misma. Los ingenieros que ya dominan el lenguaje y pueden dejar algo que el propio personal del cliente opere entregan un resultado mucho mejor que los consultores que aprenden el dominio en el tiempo del cliente, afirmó.