CoreWeave place des ingénieurs de terrain au sein des équipes client pour l’IA physique

CoreWeave a annoncé le 10 septembre 2026 le lancement de Physical AI Field Engineering, une offre qui associe les équipes client aux spécialistes de domaine du fournisseur cloud pour concevoir, valider et déployer l’IA tout au long du cycle de vie de l’ingénierie, de la recherche et du développement aux opérations sur le terrain.

L’annonce, datée de Livingston, New Jersey, indique que le service repose sur l’équipe et les méthodes que CoreWeave a acquises avec Monolith AI et fonctionne sur la propre plateforme de CoreWeave ainsi que sur sa solution d’IA d’ingénierie intégrée. Dans le cadre de l’offre, des ingénieurs de CoreWeave issus de l’automobile, de l’aérospatiale et du génie mécanique travaillent aux côtés de l’équipe du client, construisant des modèles à partir des données déjà détenues par le client, notamment les résultats de bancs d’essai, les sorties de simulation, les capteurs de production et la télémétrie en temps réel. Chaque modèle est validé contre la physique réelle des systèmes du client jusqu’à ce qu’il tienne la route en pratique.

CoreWeave a décrit l’IA physique comme le domaine où l’écart entre l’expertise métier et l’IA appliquée est le plus grand, un domaine où l’intégration de l’IA aux processus d’ingénierie impose des exigences d’explicabilité, de précision, de répétabilité et de sécurité. Selon l’entreprise, les modèles dans ce contexte échouent bien plus souvent à cause des données que de l’architecture ou de la puissance de calcul, et combler cet écart nécessite des ingénieurs qui comprennent des sujets tels que la dynamique de combustion ou les charges aérospatiales et qui peuvent également construire et valider un modèle d’apprentissage automatique. Pour les équipes nées dans l’IA, l’écart se situe dans l’autre sens : l’expertise en modélisation existe, mais la physique des systèmes que ces modèles doivent servir n’est pas maîtrisée.

Track Record Across More Than 100 Projects

CoreWeave a indiqué que l’approche a déjà été appliquée à plus de 100 projets d’ingénierie dans l’automobile, l’aérospatiale et la robotique. Pour l’équipe Aston Martin Aramco Formula One, les ingénieurs de l’entreprise étaient intégrés sur site pendant les week-ends de course en direct et ont construit un modèle de transcription qui a atteint une précision de production après un entraînement sur sept heures d’audio de course annotées manuellement, affiné sur 75 itérations. La plateforme traite désormais 40 canaux radio simultanément, suffisamment rapidement, selon CoreWeave, pour répondre à une question de stratégie de pneus pendant une fenêtre d’arrêt aux stands qui se ferme en moins de trente secondes.

Emma Deutsch, directrice de l’ingénierie et des opérations de test au Nissan Technical Centre Europe, a déclaré que l’IA aide Nissan à exploiter davantage la valeur des données d’ingénierie et de test qu’elle génère chaque jour. Selon elle, ses ingénieurs peuvent utiliser les modèles pour concentrer leur travail sur la livraison de véhicules qui conservent la qualité, la sécurité et la fiabilité essentielles à Nissan.

La page produit officielle de l’offre affiche les logos d’organisations telles que Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics et Kautex Textron. La page comporte également un témoignage de Tomoki Takahashi, directeur technique du groupe JOTA, qui a déclaré : « La raison pour laquelle cette collaboration fonctionne, c’est que nous expérimentons ensemble, et ne nous contentons pas de recevoir un outil ».

Engagement Model and Four Focus Areas

Les engagements débutent par un atelier de cadrage sur site, où CoreWeave et l’équipe du client cartographient les flux de travail d’ingénierie, examinent les principaux points de friction et s’alignent sur les priorités ainsi que sur un calendrier réaliste avant la construction de tout modèle. La page produit décrit deux points d’entrée : un atelier de découverte de cas d’usage, ou, pour les clients disposant déjà d’un cas d’usage spécifique, un atelier de faisabilité technique qui évalue les données du client et valide l’approche.

À partir de là, le travail s’étend sur quatre domaines. La stratégie identifie quels problèmes méritent réellement d’être résolus avec l’IA et quelles données sont pertinentes pour les exploiter. L’infrastructure de simulation déploie le GPU, le stockage et la pile de simulation nécessaires à un cas d’usage spécifique, les ingénieurs de terrain connectant les clients à la plateforme plus large d’IA physique de CoreWeave pour la conception et l’échelle complètes de l’infrastructure. Les données du monde réel transforment les données de test, de capteurs et de production dispersées en modèles capables de prédire un résultat, de détecter une anomalie ou d’expliquer une défaillance. L’apprentissage agentique transforme les découvertes du modèle en changements dans le monde physique : un système recalibré pour mieux fonctionner, une faute détectée avant qu’elle ne devienne une défaillance, ou un robot exécutant une compétence entraînée.

Les livrables sont des applications fonctionnelles, des optimiseurs et des tableaux de bord déployés directement dans les flux de travail existants. Les ingénieurs du client participent à la définition du problème et observent la construction du modèle, et une fois déployé, ils l’exploitent, le modifient et le réentraînent selon les besoins sans devoir faire appel à CoreWeave. La page produit oppose ce modèle aux cabinets de conseil en IA, affirmant que les consultants fournissent des recommandations tandis que CoreWeave fournit des applications opérationnelles construites par des ingénieurs intégrés aux flux de travail du client et alimentées par sa propre puissance de calcul.

Engineering AI Stack and Reported Results

Chaque engagement s’appuie sur la même solution d’IA d’ingénierie intégrée : Weights & Biases pour le suivi des expériences et la gestion des modèles, marimo pour l’exploration des données, et CoreWeave ARIA pour l’amélioration continue des modèles et des agents, associées à des bibliothèques métier conçues pour la détection d’anomalies, la réduction des tests et l’optimisation des systèmes. CoreWeave a indiqué que le travail s’exécute à l’intérieur de la boucle IA qu’il déploie sur sa plateforme, avec une différence : dans l’IA physique, la boucle se ferme sur le matériel plutôt que sur le trafic utilisateur.

La page produit rapporte les résultats des programmes d’ingénierie livrés, en précisant que certains clients ont été anonymisés en vertu d’accords de confidentialité. Les chiffres incluent une réduction des tests de calibration à seulement une journée grâce aux données déjà disponibles, 35 % de tests de caractérisation en moins nécessaires pour valider les meilleurs candidats de test, et une réduction de 20 fois du volume de données à capturer pour atteindre la précision cible.

« Les équipes d’ingénierie n’adoptent pas une nouvelle méthode parce qu’un fournisseur l’a démontrée une fois lors d’une démo. Elles l’adoptent une fois qu’elles ont vu qu’elle tient la route sur leurs propres systèmes », a déclaré Richard Ahlfeld, vice-président senior de l’IA physique chez CoreWeave. Selon lui, c’est la raison pour laquelle l’entreprise envoie des ingénieurs qui parlent le même langage que l’équipe de l’autre côté de la table et s’appuie sur les propres données du client : l’infrastructure, la pile d’IA d’ingénierie et les ingénieurs sont tous ceux de CoreWeave.

L’annonce a également souligné les résultats de benchmark MLPerf de CoreWeave, sa position en tant que seul cloud d’IA à obtenir le classement Platinum le plus élevé à la fois dans SemiAnalysis ClusterMAX 1.0 et 2.0, ainsi que son classement supérieur en vitesse d’inférence et en rapport performance‑prix pour le modèle Kimi K2.6 de Moonshot AI dans des benchmarks indépendants réalisés par Artificial Analysis.

Dan O’Brien, président et directeur des opérations chez Futurum, a déclaré que l’aspect le plus difficile de l’IA industrielle est que la personne qui comprend le domaine et celle qui peut construire le modèle d’IA sont presque jamais la même personne. Selon lui, les ingénieurs qui maîtrisent déjà le langage et peuvent laisser derrière eux quelque chose que les équipes du client peuvent exploiter offrent un résultat bien meilleur que les consultants qui apprennent le domaine aux frais du client.