Wayve entrenará modelos de AI Driver en la nube de CoreWeave con GPU Blackwell

CoreWeave anunció el 9 de noviembre de 2026 un acuerdo plurianual para que Wayve entrene sus modelos fundacionales de AI Driver en CoreWeave Cloud con GPU NVIDIA Blackwell. El trabajo abarca el entrenamiento, la evaluación y la simulación de un sistema que aprende a partir de datos de conducción en condiciones reales recopilados en más de 70 países.

Wayve comenzó con Weights & Biases y desde entonces ha ampliado sus operaciones a CoreWeave Cloud. Esta expansión incorpora la capacidad de computación en la nube de CoreWeave a un proceso de desarrollo que debe demostrar avances entre versiones del software, sostener largos ciclos de entrenamiento y ofrecer suficiente capacidad de observación para comparar modelos y validar la seguridad a gran escala.

Un ciclo de datos para los modelos de conducción

Wayve está desarrollando el Conductor de IA para usos que van desde los automóviles de propiedad particular hasta los robotaxis. Silvius Rus, vicepresidente sénior de ingeniería de la empresa, explicó cómo sus datos globales de conducción alimentan el desarrollo de modelos: «Nuestro Conductor de IA mejora gracias a este ciclo de datos: recopilar experiencias de conducción en el mundo real, entrenar con ellas, evaluarlas y desplegar únicamente aquello que supera en rendimiento a lo que ya circula por las carreteras». Espera que el acceso a la nube de IA de CoreWeave contribuya a acelerar el despliegue comercial del Conductor de IA.

Simulación antes de la implementación en carretera

Una descripción técnica de CoreWeave sobre la infraestructura de IA física identifica el entrenamiento de modelos del mundo, la simulación de sensores y la evaluación en bucle cerrado como cargas de trabajo propias de los vehículos autónomos. Los vehículos autónomos generan terabytes de datos de sensores por vehículo y por día. Para gestionar ese flujo, el almacenamiento, las redes y los procesos de entrenamiento deben funcionar juntos de manera eficiente.

El desarrollo de la IA física continúa después de la implementación, a medida que aparecen nuevos casos límite, por lo que el reentrenamiento frecuente, la creación de puntos de control y los procesos rápidos de datos son requisitos operativos. Como los fallos pueden tener consecuencias para la seguridad física, la mayor parte del desarrollo de modelos se lleva a cabo mediante simulaciones y validaciones por etapas antes de su uso en condiciones reales.

En una demostración de referencia de CoreWeave, ajena al acuerdo con Wayve, la empresa informa que ejecutó 1,25 millones de simulaciones de conducción autónoma en CARLA en aproximadamente 12 horas, distribuidas en fragmentos independientes con una GPU cada uno. Las ejecuciones variaron las condiciones meteorológicas, la densidad del tráfico, los mapas, las intersecciones y las semillas, lo que ilustra la variedad de condiciones simuladas que pueden generarse para desarrollar modelos.

Fiabilidad en toda la pila de entrenamiento

En cuanto a la capa de hardware, NVIDIA afirma que el motor de fiabilidad, disponibilidad y facilidad de servicio de Blackwell supervisa continuamente miles de puntos de datos sobre el estado del hardware y el software para predecir e interceptar las causas del tiempo de inactividad. Está diseñado para detectar posibles fallos con antelación, localizar problemas y facilitar el mantenimiento; estas capacidades son pertinentes para los requisitos de fiabilidad necesarios en ciclos de entrenamiento prolongados, descritos en el anuncio de CoreWeave.

CoreWeave afirma que, en el conjunto de su plataforma de IA física, su servicio de Kubernetes coordina los trabajos de entrenamiento y simulación, mientras que el almacenamiento distribuido y el almacenamiento de objetos guardan datos de sensores y simulaciones a escala de petabytes. Las redes InfiniBand y RoCE transfieren datos directamente entre las GPU de distintos servidores, sin pasar por las CPU, para reducir los tiempos de espera mientras los trabajos distribuidos intercambian datos de sensores, estados de simulación y gradientes.

Las herramientas de experimentación añaden un historial de versiones: Weights & Biases Models registra los experimentos, Registry vincula cada punto de control con el conjunto de datos exacto y la ejecución de entrenamiento que lo generaron, y Weave permite realizar seguimientos, evaluaciones y supervisión. Estos registros ofrecen a los ingenieros una vía para rastrear un problema detectado durante las pruebas hasta el punto de control del modelo, el conjunto de datos y la ejecución de entrenamiento correspondientes. En un sistema de conducción crítico para la seguridad, esa trazabilidad facilita la comparación y la validación, además de la capacidad de entrenamiento.

El acuerdo incorpora todo el ciclo de iteración a la expansión de la infraestructura de Wayve. La aceleración de la implementación comercial depende de la eficiencia con la que el entrenamiento, la evaluación y la simulación integrados puedan convertir la experiencia de conducción en mejoras validadas, manteniendo al mismo tiempo la fiabilidad y la trazabilidad necesarias para el software de conducción crítico para la seguridad.