CoreWeave lance des modèles de configuration d’IA physique pour le développement de robots et de véhicules autonomes

Avant qu’une équipe de robotique puisse tester une nouvelle stratégie de commande, il faut faire fonctionner ensemble le simulateur, les données, le stockage et les ressources de calcul. CoreWeave s’attaque à ce travail préparatoire avec Physical AI Launchables, un catalogue de modèles de configuration de charges de travail testés, annoncé le 21 octobre pour la robotique, les véhicules autonomes et la simulation.

Ces modèles regroupent les environnements de cinq outils — NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim et NVIDIA Cosmos 3 — afin que les ingénieurs puissent configurer et lancer une charge de travail à l’aide d’une commande, plutôt que de bâtir son infrastructure à partir de zéro. Le lancement comprend également des compétences qui permettent aux agents de programmation d’exécuter les mêmes flux de travail.

Pour les développeurs, la question essentielle est de savoir ce qui peut être reproduit de façon fiable. Launchables vise à préserver un environnement opérationnel d’une expérience à l’autre, tout en laissant les équipes modifier les scènes, les jeux de données, les modèles et les paramètres qui déterminent le résultat.

Déplacer le travail de configuration en amont de l’expérience

Une expérience d’IA physique ne se limite pas à exécuter un modèle. Pour évaluer la conduite, il faut un simulateur et des scénarios ; pour entraîner un robot, il faut un environnement, une stratégie de commande et un moyen de recueillir les résultats. Ces composants nécessitent également un stockage adapté, des ressources de calcul et des limites d’exécution appropriées.

CoreWeave indique que ses ingénieurs ont conçu et testé les configurations sur lesquelles repose chaque modèle. Les équipes peuvent les adapter à leurs propres travaux, en utilisant des capacités réservées pour les programmes en cours ou des ressources supplémentaires ponctuelles pour des expériences individuelles. Chaque outil pris en charge dispose aussi d’un modèle vierge qui fournit l’environnement sans imposer la charge de travail.

« Physical AI Launchables leur offre un point de départ testé pour les outils qu’ils utilisent déjà, afin qu’ils puissent consacrer davantage de temps au travail qu’eux seuls peuvent accomplir », a déclaré Richard Ahlfeld, vice-président principal de l’IA physique chez CoreWeave, dans l’annonce.

La distinction est utile : CoreWeave fournit l’empaquetage et la couche d’exécution, tandis que les logiciels de simulation et de modélisation viennent de NVIDIA et d’autres développeurs. Les équipes restent responsables du choix des tests et de l’évaluation de la pertinence des résultats.

Ce que les premiers modèles permettent d’exécuter

La publication technique annonçant le lancement de CoreWeave donne des exemples plus concrets du catalogue. Ils couvrent la manipulation robotique, la conduite simulée, les données synthétiques et l’apprentissage par renforcement :

• NVIDIA Isaac Sim : saisie et déplacement d’objets par un bras robotisé, scènes d’entrepôt annotées et expériences sur la dynamique des véhicules.
• CARLA : séries de scénarios de conduite produisant des vidéos à examiner.
• MuJoCo : expériences parallèles d’apprentissage par renforcement et tâches de manipulation d’objets dans une cuisine.
• NVIDIA AlpaSim : évaluation de la conduite en boucle fermée.
• NVIDIA Cosmos 3 : génération de scénarios vidéo qu’il pourrait être difficile ou coûteux de recueillir.

Il s’agit de configurations de départ, et non d’un ensemble fixe de démonstrations. Les ingénieurs peuvent modifier les paramètres de charge de travail ou le code de l’application tout en conservant l’environnement testé sous-jacent. Le lancement comprend également des compétences NVIDIA Cosmos Data Factory pour l’augmentation, l’annotation, la curation et la récupération des données ; CoreWeave indique que d’autres modèles connexes sont prévus.

Les agents de programmation disposent des mêmes commandes que les ingénieurs

Launchables comprend des compétences propres à CoreWeave pour Claude Code, Codex et d’autres agents de programmation. Elles fournissent à un agent des indications sur les paramètres pertinents ainsi que l’accès aux commandes permettant de lancer une exécution, d’en suivre le déroulement et d’en récupérer les résultats.

Le lancement souligne la différence entre l’achèvement d’une tâche et la réussite d’une expérience. Un processus peut se terminer sans démontrer qu’une stratégie de conduite a bien géré les scénarios qui lui étaient soumis ou qu’un robot a accompli sa tâche. Le retour de rapports, de métriques, de médias et de données de diagnostic au moyen d’une interface cohérente fournit aux ingénieurs comme aux agents des éléments à évaluer après l’exécution.

Cela peut rendre l’automatisation plus utile d’une expérience répétée à l’autre. Un agent peut contribuer à exécuter un flux de travail, mais l’équipe doit toujours définir des évaluations et des critères de réussite adaptés. Un déploiement fonctionnel ne prouve pas qu’un modèle est prêt à être intégré à un système physique.

Réserver le temps GPU aux tâches qui en ont besoin

L’annonce aborde également la manière dont les tâches consomment les ressources. Lorsque la charge de travail le permet, les modèles séparent la préparation sur CPU et le post-traitement de l’exécution sur GPU, libérant ainsi les ressources GPU une fois cette étape terminée. Ils précisent les besoins en ressources et les limites de concurrence afin de faciliter la coordination des exécutions parallèles.

C’est important, car le coût d’une expérience comprend le temps pendant lequel un matériel coûteux reste en attente d’autres tâches. La séparation des étapes peut améliorer l’allocation des ressources, mais le bénéfice réel dépend de la charge de travail et de l’ampleur des opérations de préparation, de simulation, d’entraînement et d’analyse nécessaires.

Dans l’annonce fournie, CoreWeave ne présente ni référence de performance générale pour Launchables ni réduction universelle du temps de configuration. Sa proposition immédiate consiste à fournir une configuration testée et une méthode commune pour l’exploiter, plutôt qu’un gain de performance mesuré qui s’appliquerait à tous les projets de robotique.

Comment Launchables s’intègre à l’architecture d’IA physique de CoreWeave

Cette annonce étend l’offre de CoreWeave au-delà de la simple capacité de calcul sur GPU, en l’étendant aux flux de travail logiciels qui l’exploitent. Sur sa page consacrée à sa plateforme d’IA physique, l’entreprise décrit une infrastructure couvrant le calcul sur GPU et CPU, le réseau, le stockage, l’orchestration Kubernetes et Slurm sur Kubernetes. Ces composants répondent aux besoins distincts de la préparation des données, de la simulation et de l’entraînement des modèles.

Sa plateforme cloud plus vaste relie cette infrastructure à CoreWeave Forge, qui rassemble des outils permettant d’observer, d’évaluer et d’améliorer les modèles et les agents. Launchables ajoute des charges de travail d’ingénierie testées à ces différentes couches. L’objectif est de réduire le nombre d’environnements qu’une équipe doit assembler lorsqu’elle passe des données aux expérimentations, puis à l’évaluation.

CoreWeave a également cité Cadence, Convergent Science, Encord, nTop, PhysicsX et Voxel51 parmi les éditeurs de logiciels partenaires qui utilisent son infrastructure. Ces relations couvrent un éventail allant des outils de gestion des données et de vision par ordinateur à la simulation d’ingénierie ; elles ne signifient pas que les produits de tous ces partenaires sont déjà proposés sous forme de modèles de lancement.

Un démarrage plus rapide nécessite toujours une évaluation rigoureuse

L’intérêt est évident : lorsqu’un environnement reste utilisable d’une expérimentation à l’autre, les équipes peuvent consacrer davantage de temps à comparer les modèles et à examiner les défaillances. Des modèles partagés peuvent également aider les collègues à reproduire une configuration avant d’en modifier une variable.

Les questions les plus difficiles relèvent toujours du domaine lui-même. Les scènes simulées doivent représenter des conditions pertinentes, les données synthétiques doivent être adaptées à la tâche et les évaluations doivent mettre en évidence les défaillances qui comptent en dehors du simulateur. Launchables peut simplifier l’exécution de ces tests, mais ne dispense pas de les concevoir avec soin.

CoreWeave invite les équipes intéressées à consulter sa présentation des modèles Launchables pour l’IA physique pour découvrir le catalogue initial et obtenir de plus amples informations. Pour les développeurs en robotique et en véhicules autonomes, l’intérêt pratique réside dans la possibilité de passer plus rapidement d’une idée d’expérimentation à des résultats qu’ils peuvent examiner.