Wayve Melatih Model AI Driver di CoreWeave Cloud dengan GPU Blackwell

CoreWeave mengumumkan pada 9 November 2026 sebuah perjanjian multi-tahun agar Wayve melatih model fondasi AI Driver-nya di CoreWeave Cloud dengan GPU NVIDIA Blackwell. Pekerjaan ini mencakup pelatihan, evaluasi, dan simulasi untuk sebuah sistem yang belajar dari data berkendara di dunia nyata yang dikumpulkan di lebih dari 70 negara.

Wayve memulai dengan Weights & Biases dan sejak itu telah berkembang hingga menggunakan CoreWeave Cloud. Ekspansi ini menambahkan komputasi awan CoreWeave ke proses pengembangan yang harus menunjukkan kemajuan dari satu versi perangkat lunak ke versi berikutnya, mendukung pelatihan berdurasi panjang, serta menyediakan kemampuan observasi yang memadai untuk membandingkan model dan memvalidasi keselamatan dalam skala besar.

Siklus Umpan Balik Data untuk Model Berkendara

Wayve mengembangkan AI Driver untuk berbagai penggunaan, mulai dari mobil milik pribadi hingga taksi robot. Silvius Rus, wakil presiden senior bidang rekayasa di perusahaan tersebut, menjelaskan bagaimana data berkendara globalnya digunakan untuk mengembangkan model: “AI Driver kami menjadi lebih baik dengan menjalankan siklus umpan balik data ini: mengumpulkan pengalaman berkendara di dunia nyata, melatih model dengannya, mengevaluasi model, dan hanya menerapkan model yang kinerjanya melampaui apa yang sudah digunakan di jalan.” Ia berharap akses ke layanan komputasi awan AI CoreWeave akan membantu mempercepat penerapan komersial AI Driver.

Simulasi Sebelum Diterapkan di Jalan

Ulasan teknis CoreWeave tentang infrastruktur AI fisik mengidentifikasi pelatihan model dunia, simulasi sensor, dan evaluasi loop tertutup sebagai beban kerja kendaraan otonom. Kendaraan otonom menghasilkan data sensor berukuran terabita per kendaraan per hari. Penanganan aliran data tersebut mengharuskan penyimpanan, jaringan, dan alur pelatihan bekerja secara efisien sebagai satu kesatuan.

Pengembangan AI fisik terus berlanjut setelah penerapan seiring munculnya kasus-kasus khusus baru, sehingga pelatihan ulang berulang, pembuatan titik pemeriksaan, dan alur data yang cepat menjadi kebutuhan operasional. Karena kegagalan dapat menimbulkan konsekuensi terhadap keselamatan fisik, sebagian besar pengembangan model dilakukan melalui simulasi dan validasi bertahap sebelum digunakan di dunia nyata.

Dalam demonstrasi referensi CoreWeave di luar perjanjian dengan Wayve, perusahaan itu melaporkan telah menjalankan 1,25 juta simulasi kendaraan otonom CARLA dalam waktu sekitar 12 jam di beberapa pecahan independen, masing-masing menggunakan satu GPU. Simulasi tersebut memvariasikan cuaca, kepadatan lalu lintas, peta, persimpangan, dan nilai awal acak, yang menunjukkan beragam kondisi simulasi yang dapat dihasilkan untuk pengembangan model.

Keandalan di Seluruh Tumpukan Pelatihan

Untuk lapisan perangkat keras, NVIDIA menyatakan bahwa Reliability, Availability and Serviceability Engine pada Blackwell terus memantau ribuan titik data kesehatan perangkat keras dan perangkat lunak untuk memprediksi serta mencegah sumber waktu henti. Teknologi ini dirancang untuk mengidentifikasi potensi gangguan sejak dini, menemukan letak masalah, dan membantu pemeliharaan—kemampuan yang relevan dengan kebutuhan keandalan untuk pelatihan berdurasi panjang sebagaimana dijelaskan dalam pengumuman CoreWeave.

Untuk platform AI fisiknya secara lebih luas, CoreWeave menyatakan bahwa Kubernetes Service mengatur pekerjaan pelatihan dan simulasi, sementara penyimpanan terdistribusi dan penyimpanan objek menampung data sensor dan simulasi berskala petabita. Jaringan InfiniBand dan RoCE memindahkan data secara langsung antargPU di berbagai server, melewati CPU untuk mengurangi waktu tunggu saat pekerjaan terdistribusi saling bertukar data sensor, status simulasi, dan gradien.

Perangkat eksperimen menambahkan pelacakan riwayat versi: Weights & Biases Models melacak eksperimen, Registry menghubungkan titik pemeriksaan dengan set data dan proses pelatihan persis yang menghasilkannya, sedangkan Weave mendukung pelacakan, evaluasi, dan pemantauan. Catatan tersebut memberi para insinyur cara untuk menelusuri masalah yang ditemukan saat pengujian hingga ke titik pemeriksaan model, set data, dan proses pelatihan terkait. Untuk sistem berkendara yang sangat penting bagi keselamatan, keterlacakan ini mendukung perbandingan dan validasi sekaligus menyediakan kapasitas pelatihan.

Perjanjian ini menjadikan seluruh siklus iterasi sebagai bagian dari ekspansi infrastruktur Wayve. Percepatan penerapan komersial bergantung pada seberapa efisien pelatihan, evaluasi, dan simulasi yang terintegrasi dapat mengubah pengalaman berkendara menjadi peningkatan yang tervalidasi, sembari mempertahankan keandalan dan keterlacakan yang dibutuhkan perangkat lunak berkendara yang sangat penting bagi keselamatan.