CoreWeave sijoittaa kenttäinsinöörit asiakkaiden tiimeihin fyysisen tekoälyn parissa

CoreWeave ilmoitti 10. syyskuuta 2026 Physical AI Field Engineering -palvelun lanseeraamisesta, tarjouksesta, jossa asiakkaiden tiimit paritetaan pilvipalveluntarjoajan toimialan asiantuntijoiden kanssa AI:n rakentamiseksi, validointiin ja käyttöönottoon koko insinöörityöskentelyn elinkaaren ajan, tutkimuksesta ja kehityksestä kenttätoimintaan.

Ilmoitus, jonka paikannus on Livingston, New Jersey, kertoi, että palvelu perustuu CoreWeaven Monolith AI:n kanssa hankkimaan tiimiin ja menetelmiin, ja se toimii CoreWeaven omalla alustalla sekä integroidulla insinööri‑AI‑ratkaisulla. Palvelun alla CoreWeave‑insinöörit, joilla on taustaa auto-, avaruus- ja koneinsinöörialalta, työskentelevät asiakkaan oman tiimin rinnalla rakentaen malleja asiakkaan jo omistamasta datasta, mukaan lukien testipenkki‑tulokset, simulointitulosteet, tuotantosensorit ja reaaliaikainen telemetria. Jokainen malli validoidaan asiakkaan järjestelmien todellista fysiikkaa vastaan, kunnes se kestää käytännön testit.

CoreWeave kuvaili physical AI -alueeksi, jossa toimialan asiantuntemuksen ja sovelletun AI:n välinen kuilu on suurin, ja jossa AI:n integrointi insinööri‑prosesseihin lisää vaatimuksia selitettävyydestä, tarkkuudesta, toistettavuudesta ja turvallisuudesta. Yrityksen mukaan mallit tällä alueella epäonnistuvat datassa huomattavasti useammin kuin arkkitehtuurissa tai laskentatehossa, ja kuilun kaventaminen edellyttää insinöörejä, jotka ymmärtävät esimerkiksi polttoaineen dynamiikkaa tai avaruuskuormia ja osaavat myös rakentaa ja validoida koneoppimismallin. AI‑natiivi‑tiimeissä kuilu on päinvastainen: mallinnusosaaminen on olemassa, mutta niiden mallien palvelemien järjestelmien fysiikkaa ei ole.

Track Record Across More Than 100 Projects

CoreWeave kertoi, että lähestymistapaa on jo sovellettu yli 100 insinööri‑projektissa auto-, avaruus- ja robotiikkasektoreilla. Aston Martin Aramco Formula One -tiimissä yrityksen insinöörit olivat paikalla live‑kilpailuviikkojen aikana ja rakensivat transkriptiomallin, joka saavutti tuotantotason tarkkuuden seitsemän tunnin käsin merkityn kilpailuaudioaineiston koulutuksen jälkeen, tarkennettuna 75 iteroinnin kautta. Alusta käsittelee nyt 40 radiokanavaa samanaikaisesti, riittävän nopeasti, CoreWeaven mukaan, jotta se pystyy vastaamaan renkaiden strategiakysymykseen pistokkeen ikkunassa, joka sulkeutuu alle kolmenkymmenen sekunnin aikana.

Emma Deutsch, Director of Engineering and Test Operations at Nissan Technical Centre Europe, sanoi, että AI auttaa Nissania saamaan enemmän arvoa jokapäiväisesti tuotetusta insinööri‑ ja testidatasta. Hänen mukaansa Nissanin insinöörit pystyvät käyttämään malleja keskittyäkseen ajoneuvojen toimittamiseen, jotka säilyttävät Nissanin perusarvot laadun, turvallisuuden ja luotettavuuden osalta.

Tarjouksen virallinen tuotesivu näyttää organisaatioiden, kuten Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics ja Kautex Textron, logot. Sivulla on myös lausunto Tomoki Takahashilta, JOTA Groupin Technical Directorilta, joka sanoi: “Tämän yhteistyön toimivuus perustuu siihen, että kokeilemme yhdessä, emme vain saa käsiimme työkalua.”

Engagement Model and Four Focus Areas

Sitoumukset alkavat paikan päällä pidettävällä kartoitustyöpajalla, jossa CoreWeave ja asiakkaan tiimi kartoittavat insinööri‑työnkulut, tarkastelevat suurimpia kipupisteitä ja sopivat prioriteeteista sekä realistisesta aikataulusta ennen kuin mitään mallia rakennetaan. Tuotesivu kuvaa kahta sisäänpääsyvaihtoehtoa: käyttötapaus‑löytötyöpajan tai, jos asiakkaalla on jo tarkka käyttötapaus, teknisen toteutettavuustyöpajan, joka arvioi asiakkaan dataa ja validoi lähestymistavan.

Sieltä työ jakautuu neljään alueeseen. Strategia määrittää, mitkä ongelmat ovat todella arvokkaita ratkaista AI:n avulla ja mitä dataa kannattaa hyödyntää. Simulaatio‑infrastruktuuri pystyttää GPU‑, tallennus‑ ja simulaatio‑pinon, jota tietty käyttötapaus vaatii, ja kenttäinsinöörit yhdistävät asiakkaat CoreWeaven laajempaan physical AI -alustaan täyden infrastruktuurin suunnittelua ja skaalausta varten. Reaaliaikainen data muuntaa hajallaan olevat testit, sensorit ja tuotantodata malleiksi, jotka ennustavat lopputuloksen, havaitsevat poikkeaman tai selittävät vian. Agenttinen oppiminen muuntaa mallin löydökset konkreettisiksi muutoksiksi fyysisessä maailmassa: järjestelmä kalibroidaan parempaan suoritukseen, vika havaitaan ennen kuin siitä tulee virhe, tai robotti toteuttaa koulutetun taidon.

Toimituksena on toimivat sovellukset, optimointityökalut ja hallintapaneelit, jotka otetaan suoraan käyttöön olemassa oleviin työnkulkuihin. Asiakkaan omat insinöörit auttavat määrittelemään ongelman ja seuraavat mallin rakentamista, ja kun se on otettu käyttöön, he itse hallinnoivat sitä, tekevät muutoksia ja uudelleenkouluttavat sitä tarpeen mukaan sen sijaan, että kutsuisivat CoreWeavea. Tuotesivu vertaa tätä mallia AI‑konsultteihin, toteuttaen että konsultit antavat suosituksia, kun taas CoreWeave toimittaa toimivia sovelluksia, jotka insinöörit on upotettu asiakkaan työnkulkuihin ja jotka pyörivät sen omalla laskentateholla.

Engineering AI Stack and Reported Results

Jokainen sitoutuminen käyttää samaa integroitua insinööri‑AI‑ratkaisua: Weights & Biases kokeilujen seuranta‑ ja mallinhallintaan, marimo datan tutkimiseen sekä CoreWeave ARIA jatkuvaan mallin‑ ja agentin‑parantamiseen, yhdistettynä toimialakohtaisiin kirjastoihin, jotka on rakennettu poikkeamien havaitsemiseen, testien vähentämiseen ja järjestelmän optimointiin. CoreWeave kertoi, että työ tapahtuu AI‑silmukan sisällä, jonka se toteuttaa alustallaan, yhden poikkeuksen kanssa: physical AI:ssa silmukka sulkeutuu laitteiston, ei käyttäjäliikenteen, puoleen.

Tuotesivu raportoi tuloksia toteutetuista insinööri‑ohjelmista, huomauttaen, että jotkut asiakkaat on anonymisoitu salassapitosopimusten vuoksi. Luvut sisältävät kalibrointitestien lyhentämisen jopa yhdeksi päiväksi käyttämällä jo olemassa olevaa dataa, 35 % vähemmän karakterisointitestejä parhaiden testikandidaattien validointiin, sekä 20‑kertainen vähennys datan keruussa, joka tarvitaan tavoitetarkkuuden saavuttamiseksi.

“Insinööritiimit eivät omaksu uutta menetelmää, koska toimittaja on kerran demo‑vaiheessa osoittanut sen toimivan. Ne omaksuvat sen, kun ne ovat nähneet sen kestävän omissa järjestelmissään,” sanoi Richard Ahlfeld, Senior Vice President of Physical AI at CoreWeave. Hän selitti, että siksi yritys lähettää insinöörejä, jotka puhuvat samaa kieltä kuin tiimi pöydän ääressä, ja rakentaa asiakkaan omaan dataan: infrastruktuuri, insinööri‑AI‑pino ja insinöörit ovat kaikki CoreWeaven.

Ilmoitus viittasi myös CoreWeaven MLPerf‑vertailutuloksiin, sen asemaan ainoana AI‑pilvipalveluna, joka on saanut ykköspalkinnon Platinum‑luokituksessa sekä SemiAnalysis ClusterMAX 1.0 että 2.0 -versioissa, sekä sen ykkössijoitukseen inferenssinopeudessa ja hinta‑suorituskyvyssä Moonshot AI:n Kimi K2.6 -mallille, riippumattomassa vertailussa, jonka teki Artificial Analysis.

Dan O’Brien, President and Chief Operating Officer at Futurum, totesi, että teollisen AI:n haastavin osa on se, että henkilö, joka ymmärtää toimialan, ja henkilö, joka pystyy rakentamaan AI‑mallin, eivät lähes koskaan ole sama henkilö. Insinöörit, jotka jo puhuvat kieltä ja voivat jättää asiakkaan omien ihmisten käyttöön jotain toimivaa, tuottavat paljon paremman lopputuloksen kuin konsultit, jotka oppivat toimialan asiakkaan ajasta, hän sanoi.