CoreWeave Menempatkan Insinyur Lapangan di Dalam Tim Pelanggan untuk AI Fisik

CoreWeave mengumumkan pada 10 September 2026 peluncuran Physical AI Field Engineering, sebuah penawaran yang memadukan tim pelanggan dengan pakar domain penyedia cloud untuk membangun, memvalidasi, dan menerapkan AI sepanjang siklus hidup rekayasa penuh, mulai dari riset dan pengembangan hingga operasi di lapangan.

Pengumuman yang berlokasi di Livingston, New Jersey itu menyatakan layanan ini dibangun berdasarkan tim dan metode yang diperoleh CoreWeave melalui Monolith AI serta berjalan di platform milik CoreWeave dan solusi AI rekayasa terintegrasi. Dalam penawaran ini, insinyur CoreWeave dengan latar belakang otomotif, dirgantara, dan rekayasa mekanik bekerja bersama tim pelanggan, membangun model dari data yang sudah dimiliki pelanggan, termasuk hasil bench test, output simulasi, sensor produksi, dan telemetri langsung. Setiap model divalidasi terhadap fisika nyata sistem pelanggan sampai terbukti dapat berfungsi dalam praktik.

CoreWeave menggambarkan physical AI sebagai bidang di mana kesenjangan antara keahlian domain dan AI terapan paling lebar, sebuah area di mana integrasi AI ke dalam proses rekayasa menambah persyaratan terkait keterjelasan, akurasi, keterulangan, dan keamanan. Menurut perusahaan, model dalam konteks ini lebih sering gagal karena data daripada arsitektur atau komputasi, dan menutup kesenjangan tersebut memerlukan insinyur yang memahami subjek seperti dinamika pembakaran atau beban dirgantara serta dapat membangun dan memvalidasi model pembelajaran mesin. Bagi tim yang berbasis AI, kesenjangan berbalik: keahlian pemodelan ada, tetapi fisika sistem yang menjadi tujuan model tidak ada.

Rekam Jejak Lebih dari 100 Proyek

CoreWeave mengatakan pendekatan ini telah diterapkan pada lebih dari 100 proyek rekayasa di bidang otomotif, dirgantara, dan robotika. Untuk Tim Aston Martin Aramco Formula Satu, insinyur perusahaan ditempatkan di lokasi selama akhir pekan balapan langsung dan membangun model transkripsi yang mencapai akurasi produksi setelah dilatih dengan tujuh jam audio balapan yang dianotasi secara manual dan disempurnakan melalui 75 iterasi. Platform tersebut kini memproses 40 saluran radio secara bersamaan, cukup cepat, kata CoreWeave, untuk menjawab pertanyaan strategi ban dalam jendela pit yang berakhir dalam kurang dari tiga puluh detik.

Emma Deutsch, Direktur Rekayasa dan Operasi Pengujian di Nissan Technical Centre Europe, mengatakan AI membantu Nissan menggali nilai lebih besar dari data rekayasa dan pengujian yang dihasilkan setiap hari. Insinyurnya, katanya, dapat menggunakan model untuk memfokuskan pekerjaan mereka pada penyediaan kendaraan yang mempertahankan kualitas, keamanan, dan keandalan yang menjadi dasar Nissan.

Halaman produk resmi menampilkan logo organisasi termasuk Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics, dan Kautex Textron. Halaman tersebut juga memuat testimoni dari Tomoki Takahashi, Direktur Teknis JOTA Group, yang berkata: “Alasan kolaborasi ini berhasil karena kami bereksperimen bersama, bukan hanya diberikan sebuah alat.”

Model Keterlibatan dan Empat Area Fokus

Keterlibatan dimulai dengan lokakarya penentuan ruang lingkup di lokasi, di mana CoreWeave dan tim pelanggan memetakan alur kerja rekayasa, menelaah titik sakit terbesar, dan menyelaraskan prioritas serta jadwal realistis sebelum model apa pun dibangun. Halaman produk menjelaskan dua titik masuk: lokakarya penemuan kasus penggunaan, atau, bagi pelanggan yang sudah memiliki kasus penggunaan spesifik, lokakarya kelayakan teknis yang menilai data pelanggan dan memvalidasi pendekatan.

Dari sana, pekerjaan mencakup empat area. Strategi mengidentifikasi masalah mana yang benar‑benar layak diselesaikan dengan AI dan data mana yang layak dibangun. Infrastruktur simulasi menyiapkan GPU, penyimpanan, dan tumpukan simulasi yang dibutuhkan kasus penggunaan tertentu, dengan insinyur lapangan menghubungkan pelanggan ke platform AI fisik CoreWeave yang lebih luas untuk desain dan skala infrastruktur penuh. Data dunia nyata mengubah data uji, sensor, dan produksi yang tersebar menjadi model yang memprediksi hasil, menangkap anomali, atau menjelaskan kegagalan. Pembelajaran agen mengubah temuan model menjadi perubahan di dunia fisik: sistem yang dikalibrasi ulang untuk beroperasi lebih baik, kesalahan yang tertangkap sebelum menjadi kegagalan, atau robot yang mengeksekusi keterampilan terlatih.

Hasil yang diserahkan berupa aplikasi kerja, pengoptimal, dan dasbor yang diterapkan langsung ke alur kerja yang ada. Insinyur pelanggan sendiri membantu mendefinisikan masalah dan menyaksikan pembangunan model, dan setelah model diterapkan mereka mengoperasikannya, melakukan perubahan, dan melatih ulang bila diperlukan alih‑alih menghubungi CoreWeave. Halaman produk membandingkan model ini dengan konsultan AI, menyatakan bahwa konsultan memberikan rekomendasi sementara CoreWeave menyediakan aplikasi kerja yang dibangun oleh insinyur yang ditempatkan dalam alur kerja pelanggan dan didukung oleh komputasi miliknya.

Tumpukan AI Rekayasa dan Hasil yang Dilaporkan

Setiap keterlibatan dijalankan pada solusi AI rekayasa terintegrasi yang sama: Weights & Biases untuk pelacakan eksperimen dan manajemen model, marimo untuk eksplorasi data, dan CoreWeave ARIA untuk perbaikan berkelanjutan model dan agen, dipasangkan dengan perpustakaan domain yang dibangun untuk deteksi anomali, pengurangan pengujian, dan optimasi sistem. CoreWeave mengatakan pekerjaan ini beroperasi di dalam loop AI yang dijalankannya di seluruh platform, dengan satu perbedaan: dalam AI fisik, loop ditutup terhadap perangkat keras bukan lalu lintas pengguna.

Halaman produk melaporkan hasil dari program rekayasa yang diserahkan, mencatat bahwa beberapa pelanggan dianonimkan di bawah perjanjian kerahasiaan. Angka-angka tersebut mencakup pengujian kalibrasi yang dipersingkat menjadi hanya satu hari menggunakan data yang sudah ada, 35% lebih sedikit pengujian karakterisasi yang diperlukan untuk memvalidasi kandidat uji terbaik, dan pengurangan 20 kali lipat dalam jumlah data yang harus dikumpulkan untuk mencapai akurasi target.

“Tim rekayasa tidak mengadopsi metode baru karena vendor membuktikannya sekali dalam demo. Mereka mengadopsinya setelah melihatnya berfungsi pada sistem mereka sendiri,” kata Richard Ahlfeld, Senior Vice President of Physical AI di CoreWeave. Itu, katanya, alasan perusahaan mengirimkan insinyur yang berbicara bahasa yang sama dengan tim di seberang meja dan membangun atas data milik pelanggan: infrastruktur, tumpukan AI rekayasa, dan insinyurnya semuanya milik CoreWeave.

Pengumuman tersebut juga menyoroti hasil benchmark MLPerf CoreWeave, posisinya sebagai satu‑satunya cloud AI yang meraih peringkat Platinum tertinggi dalam SemiAnalysis ClusterMAX 1.0 dan 2.0, serta peringkat teratas untuk kecepatan inferensi dan kinerja harga pada model Kimi K2.6 milik Moonshot AI dalam penilaian independen yang dilakukan oleh Artificial Analysis.

Dan O’Brien, Presiden dan Chief Operating Officer di Futurum, mengatakan bagian paling menantang dari AI industri adalah bahwa orang yang memahami domain dan orang yang dapat membangun model AI hampir tidak pernah merupakan orang yang sama. Insinyur yang sudah menguasai bahasa tersebut dan dapat meninggalkan sesuatu yang dapat dioperasikan oleh orang pelanggan menghasilkan hasil yang jauh lebih baik daripada konsultan yang mempelajari domain pada waktu pelanggan, katanya.