Wayve va entraîner ses modèles de conduite IA sur le cloud de CoreWeave avec des GPU Blackwell

CoreWeave a annoncé le 9 novembre 2026 la conclusion d’un accord pluriannuel permettant à Wayve d’entraîner ses modèles fondamentaux AI Driver sur CoreWeave Cloud, avec des GPU NVIDIA Blackwell. Le projet couvre l’entraînement, l’évaluation et la simulation d’un système qui apprend à partir de données de conduite en conditions réelles recueillies dans plus de 70 pays.

Wayve a commencé avec Weights & Biases, puis a étendu ses activités à CoreWeave Cloud. Cette expansion ajoute les ressources de calcul infonuagiques de CoreWeave à un processus de développement qui doit démontrer les progrès réalisés d’une version logicielle à l’autre, soutenir de longues séances d’entraînement et offrir une observabilité suffisante pour comparer les modèles et valider leur sécurité à grande échelle.

Un cercle vertueux de données pour les modèles de conduite

Wayve développe l’AI Driver pour des usages allant des voitures particulières aux robotaxis. Silvius Rus, vice-président principal de l’ingénierie de l’entreprise, a expliqué comment les données de conduite recueillies à l’échelle mondiale alimentent le développement des modèles : « Notre AI Driver s’améliore grâce à ce cercle vertueux de données : nous recueillons des expériences de conduite en conditions réelles, entraînons le modèle à partir de celles-ci, l’évaluons, puis ne déployons que ce qui surpasse les systèmes déjà en circulation. » Il s’attend à ce que l’accès au cloud d’IA de CoreWeave contribue à accélérer le déploiement commercial de l’AI Driver.

La simulation avant le déploiement sur route

Un aperçu technique de CoreWeave sur l’infrastructure d’IA physique présente l’entraînement de modèles du monde, la simulation de capteurs et l’évaluation en boucle fermée comme des charges de travail propres aux véhicules autonomes. Ceux-ci génèrent des téraoctets de données de capteurs par véhicule et par jour. Pour traiter ce flux, le stockage, le réseau et les chaînes de traitement de l’entraînement doivent fonctionner efficacement de concert.

Le développement de l’IA physique se poursuit après le déploiement, à mesure que de nouveaux cas limites apparaissent, ce qui fait du réentraînement répété, de la création de points de contrôle et de chaînes de traitement rapides des données des exigences opérationnelles. Comme les défaillances peuvent avoir des conséquences sur la sécurité physique, la majeure partie du développement des modèles passe par la simulation et une validation par étapes avant toute utilisation en conditions réelles.

Dans une démonstration de référence de CoreWeave, distincte de l’accord avec Wayve, l’entreprise indique avoir exécuté 1,25 million de simulations de véhicules autonomes CARLA en environ 12 heures, réparties en fragments indépendants utilisant chacun un GPU. Les simulations faisaient varier la météo, la densité de la circulation, les cartes, les intersections et les valeurs initiales aléatoires, illustrant l’éventail de conditions simulées qui peuvent être générées pour le développement des modèles.

La fiabilité à tous les niveaux de la pile d’entraînement

Pour la couche matérielle, NVIDIA indique que le moteur de fiabilité, de disponibilité et de maintenabilité de Blackwell surveille en continu des milliers de points de données sur l’état de santé du matériel et des logiciels afin de prévoir et d’intercepter les sources d’interruption de service. Il est conçu pour détecter rapidement les défaillances potentielles, en localiser l’origine et faciliter la maintenance. Ces capacités répondent aux exigences de fiabilité associées aux longues séances d’entraînement décrites dans l’annonce de CoreWeave.

Pour l’ensemble de sa plateforme d’IA physique, CoreWeave indique que son Kubernetes Service orchestre les tâches d’entraînement et de simulation, tandis que le stockage distribué et le stockage objet conservent les données de capteurs et de simulation à l’échelle du pétaoctet. Les réseaux InfiniBand et RoCE acheminent directement les données entre les GPU répartis sur plusieurs serveurs, en contournant les processeurs afin de réduire les temps d’attente inutiles lorsque les tâches distribuées échangent des données de capteurs, des états de simulation et des gradients.

Les outils d’expérimentation assurent également le suivi des versions : Weights & Biases Models suit les expériences, Registry relie un point de contrôle au jeu de données exact et à la séance d’entraînement qui l’a produit, et Weave prend en charge les traces, les évaluations et la surveillance. Ces informations permettent aux ingénieurs de remonter d’un problème détecté lors des tests jusqu’au point de contrôle du modèle, au jeu de données et à la séance d’entraînement concernés. Pour un système de conduite critique pour la sécurité, cette traçabilité facilite la comparaison et la validation, en complément de la capacité d’entraînement.

L’accord intègre l’ensemble du cycle d’itération à l’expansion de l’infrastructure de Wayve. L’accélération du déploiement commercial dépend de l’efficacité avec laquelle l’entraînement, l’évaluation et la simulation, une fois intégrés, peuvent transformer l’expérience de conduite en améliorations validées, tout en maintenant la fiabilité et la traçabilité indispensables aux logiciels de conduite critiques pour la sécurité.