Wayve kouluttaa AI Driver -malleja CoreWeave Cloudissa Blackwell-grafiikkasuorittimilla

CoreWeave ilmoitti 9. marraskuuta 2026 monivuotisesta sopimuksesta, jonka nojalla Wayve kouluttaa AI Driver -perusmallejaan CoreWeave Cloudissa NVIDIA Blackwell -grafiikkasuorittimilla. Työhön kuuluvat koulutus, arviointi ja simulointi järjestelmälle, joka oppii yli 70 maassa kerätystä tosielämän ajodatasta.

Wayve aloitti Weights & Biasesin kanssa ja on sittemmin laajentanut toimintaansa CoreWeave Cloudiin. Laajennus tuo CoreWeaven pilvipalveluiden laskentatehon osaksi kehitysprosessia, jossa on osoitettava edistymistä ohjelmistoversiosta toiseen, ylläpidettävä pitkiä koulutusajoja sekä varmistettava riittävä havainnoitavuus mallien vertailuun ja turvallisuuden laajamittaiseen validointiin.

Ajomallien dataa hyödyntävä kehityssykli

Wayve kehittää AI Driver -järjestelmää käytettäväksi niin yksityisautoissa kuin robottitakseissakin. Yhtiön tekniikasta vastaava johtaja Silvius Rus kuvaili, miten maailmanlaajuinen ajodata tukee mallien kehitystä: ”AI Driverimme kehittyy tämän itseään vahvistavan kehityssyklin avulla: keräämme kokemusta tosielämän ajotilanteista, koulutamme mallia sen avulla, arvioimme sitä ja otamme käyttöön vain ratkaisuja, jotka suoriutuvat paremmin kuin jo liikenteessä olevat.” Hän odottaa, että CoreWeaven tekoälypilvi auttaa nopeuttamaan AI Driverin kaupallista käyttöönottoa.

Simulointi ennen liikenteeseen tuomista

CoreWeaven fyysisen tekoälyn infrastruktuuria käsittelevässä teknisessä katsauksessa autonomisiin ajoneuvoihin liittyviksi työkuormiksi nimetään maailmamallien koulutus, anturisimulointi ja suljetun silmukan arviointi. Autonomiset ajoneuvot tuottavat päivittäin teratavuja anturidataa ajoneuvoa kohden. Tämän datavirran käsittely edellyttää, että tallennus-, verkkoyhteys- ja koulutusputket toimivat tehokkaasti yhdessä.

Fyysisen tekoälyn kehitys jatkuu käyttöönoton jälkeenkin, kun uusia reunatapauksia ilmenee. Siksi toistuva uudelleenkoulutus, tarkistuspisteiden tallentaminen ja nopeat datan käsittelyputket ovat toiminnan edellytyksiä. Koska virheillä voi olla fyysisiä turvallisuusvaikutuksia, suurin osa mallien kehitystyöstä tehdään simuloinnin ja vaiheittaisen validoinnin avulla ennen käyttöönottoa tosielämässä.

CoreWeave kertoo Wayve-sopimukseen liittymättömässä esittelyssä suorittaneensa 1,25 miljoonaa CARLA-autonomisen ajamisen simulaatiota noin 12 tunnissa erillisissä osioissa käyttäen kussakin yhtä grafiikkasuoritinta. Ajoissa vaihtelivat sää, liikennetiheys, kartat, risteykset ja satunnaissiemenet. Esimerkki havainnollistaa, kuinka monenlaisia simuloituja olosuhteita voidaan tuottaa mallien kehitystä varten.

Luotettavuutta koko koulutusjärjestelmässä

Laitteiston osalta NVIDIAn mukaan Blackwellin luotettavuudesta, käytettävyydestä ja huollettavuudesta vastaava moottori valvoo jatkuvasti tuhansia laitteiston ja ohjelmiston kuntoa kuvaavia tietopisteitä ennakoidakseen käyttökatkosten syitä ja puuttuakseen niihin. Se on suunniteltu tunnistamaan mahdolliset viat varhaisessa vaiheessa, paikantamaan ongelmat ja helpottamaan huoltoa. Nämä ominaisuudet ovat merkityksellisiä pitkien koulutusajojen luotettavuusvaatimusten kannalta, kuten CoreWeaven ilmoituksessa kuvataan.

CoreWeaven mukaan sen laajempi fyysisen tekoälyn alusta käyttää Kubernetes-palvelua koulutus- ja simulointitehtävien hallintaan, ja hajautettu tallennus sekä objektitallennus säilyttävät petatavuluokan anturi- ja simulointidataa. InfiniBand- ja RoCE-verkkoyhteydet siirtävät dataa suoraan palvelimien grafiikkasuorittimien välillä keskusyksiköt ohittaen. Näin vähennetään joutokäyntiä, kun hajautetut tehtävät vaihtavat anturidataa, simuloinnin tilatietoja ja gradientteja.

Kokeilutyökalut lisäävät versiohistorian seurannan: Weights & Biases Models seuraa kokeiluja, Registry yhdistää tarkistuspisteen täsmälleen siihen tietoaineistoon ja koulutusajoon, joiden tuloksena se syntyi, ja Weave tukee jäljitystä, arviointia ja valvontaa. Näiden tietojen avulla insinöörit voivat jäljittää testauksessa havaitun ongelman takaisin siihen liittyvään mallin tarkistuspisteeseen, tietoaineistoon ja koulutusajoon. Turvallisuuskriittisessä ajojärjestelmässä tällainen jäljitettävyys tukee vertailua ja validointia koulutuskapasiteetin rinnalla.

Sopimus liittää koko kehityssyklin Wayven infrastruktuurin laajennukseen. Kaupallisen käyttöönoton nopeuttaminen riippuu siitä, kuinka tehokkaasti yhteen integroidut koulutus, arviointi ja simulointi pystyvät muuttamaan ajokokemuksen validoiduiksi parannuksiksi ja samalla ylläpitämään turvallisuuskriittisen ajo-ohjelmiston edellyttämää luotettavuutta ja jäljitettävyyttä.