CoreWeave lancia template di IA fisica per lo sviluppo di robotica e veicoli autonomi

Prima che un team di robotica possa testare una nuova policy, è necessario far funzionare insieme simulatore, dati, archiviazione e risorse di calcolo. CoreWeave punta a semplificare questa fase preparatoria con Physical AI Launchables, un catalogo di template per carichi di lavoro testati, annunciato il 21 ottobre e destinato alla robotica, ai veicoli autonomi e alla simulazione.

I template includono ambienti per cinque strumenti — NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim e NVIDIA Cosmos 3 — così che gli ingegneri possano configurare e avviare un carico di lavoro con un comando, anziché assemblarne da zero l’infrastruttura. Il lancio comprende anche funzionalità che consentono agli agenti di programmazione di eseguire gli stessi flussi di lavoro.

Per gli sviluppatori, la domanda più importante è quali attività diventeranno ripetibili. Launchables punta a mantenere un ambiente funzionante tra un esperimento e l’altro, lasciando ai team la possibilità di modificare scene, set di dati, modelli e impostazioni che determinano il risultato.

Spostare la configurazione sotto il livello dell’esperimento

Un esperimento di IA fisica richiede più che eseguire un modello. Una valutazione di guida ha bisogno di un simulatore e di scenari; un’attività di apprendimento robotico richiede un ambiente, una policy e un metodo per raccogliere i risultati. Questi componenti necessitano anche di archiviazione adeguata, risorse di calcolo e limiti di esecuzione.

CoreWeave afferma che i suoi ingegneri hanno realizzato e testato le configurazioni alla base di ciascun template. I team possono adattarle alle proprie attività, ricorrendo a capacità riservata per i programmi in corso o a lavori con risorse aggiuntive per i singoli esperimenti. Per ogni strumento supportato è disponibile anche un template vuoto, che fornisce l’ambiente senza imporre il carico di lavoro.

«Physical AI Launchables offre loro un punto di partenza testato per gli strumenti che già utilizzano, così possono dedicare più tempo alle attività che solo loro sono in grado di svolgere», ha dichiarato nell’annuncio Richard Ahlfeld, vicepresidente senior per l’IA fisica di CoreWeave.

La distinzione è utile: CoreWeave fornisce il livello di pacchettizzazione e di esecuzione, mentre i software di simulazione e modellazione provengono da NVIDIA e da altri sviluppatori. Spetta comunque ai team decidere cosa testare e se i risultati siano significativi.

Cosa possono eseguire i primi template

Il post tecnico sul lancio di CoreWeave rende più concreto il catalogo. Gli esempi riguardano la manipolazione robotica, la guida simulata, i dati sintetici e l’apprendimento per rinforzo:

• NVIDIA Isaac Sim: operazioni di presa e posizionamento con bracci robotici, scene di magazzino etichettate ed esperimenti sulla dinamica dei veicoli.
• CARLA: gruppi di scenari di guida che generano video da esaminare.
• MuJoCo: esperimenti paralleli di apprendimento per rinforzo e attività di manipolazione in cucina.
• NVIDIA AlpaSim: valutazione della guida a ciclo chiuso.
• NVIDIA Cosmos 3: generazione di scenari video che potrebbero essere difficili o costosi da raccogliere.

Si tratta di configurazioni di partenza, non di una serie fissa di dimostrazioni. Gli ingegneri possono modificare i parametri dei carichi di lavoro o intervenire sul codice applicativo, mantenendo l’ambiente sottostante già testato. Il lancio comprende anche funzionalità di NVIDIA Cosmos Data Factory per l’aumento, l’etichettatura, la selezione e il recupero dei dati; CoreWeave afferma che sono previsti altri template correlati.

Gli agenti di programmazione hanno gli stessi controlli degli ingegneri

Launchables include funzionalità specifiche di CoreWeave per Claude Code, Codex e altri agenti di programmazione. Forniscono agli agenti indicazioni sulle impostazioni pertinenti e accesso ai comandi per avviare, monitorare e recuperare i risultati di un’esecuzione.

La versione sottolinea la differenza tra il completamento di un’attività e la riuscita di un esperimento. Un processo può terminare senza dimostrare che una policy di guida abbia gestito bene i propri scenari o che un robot abbia portato a termine il compito assegnato. Restituire report, metriche, contenuti multimediali e dati diagnostici attraverso un’interfaccia coerente fornisce a ingegneri e agenti elementi da valutare al termine dell’esecuzione.

Questo può rendere l’automazione più utile quando si ripetono gli esperimenti. Un agente può aiutare a gestire un flusso di lavoro, ma il team deve comunque definire valutazioni adeguate e criteri di successo. Il corretto funzionamento di una distribuzione non dimostra che un modello sia pronto per un sistema fisico.

Riservare il tempo delle GPU alle attività che le richiedono

L’annuncio affronta anche il modo in cui i lavori utilizzano le risorse. Quando il carico di lavoro lo consente, i template separano la preparazione e la post-elaborazione su CPU dall’esecuzione su GPU, liberando capacità GPU al termine di quella fase. I template dichiarano i requisiti delle risorse e i limiti di concorrenza per contribuire a coordinare le esecuzioni parallele.

È un aspetto importante, perché il costo dell’esperimento include il tempo in cui l’hardware costoso resta in attesa di altre attività. Separare le fasi può migliorare l’allocazione delle risorse, anche se il beneficio effettivo dipende dal carico di lavoro e dalla quantità di preparazione, simulazione, addestramento e analisi necessaria.

Nell’annuncio fornito, CoreWeave non ha presentato né un benchmark generale di Launchables né una riduzione universale dei tempi di configurazione. La proposta immediata consiste in una configurazione testata e in un metodo comune per utilizzarla, non in un miglioramento delle prestazioni misurato e valido per ogni progetto di robotica.

Come si inserisce Launchables nello stack di IA fisica di CoreWeave

Con questo lancio, CoreWeave estende la propria offerta oltre la semplice capacità GPU, includendo i flussi di lavoro software che ne fanno uso. Nella pagina dedicata alla piattaforma di IA fisica, l’azienda descrive un’infrastruttura che comprende risorse di calcolo GPU e CPU, rete, archiviazione, orchestrazione Kubernetes e Slurm su Kubernetes. Questi componenti soddisfano le diverse esigenze di preparazione dei dati, simulazione e addestramento dei modelli.

La sua più ampia piattaforma cloud collega questa infrastruttura a CoreWeave Forge, che riunisce strumenti per osservare, valutare e migliorare modelli e agenti. Launchables aggiunge a questi livelli carichi di lavoro ingegneristici testati. La strategia mira a ridurre il numero di ambienti che un team deve assemblare nel passaggio tra dati, esperimenti e valutazione.

CoreWeave ha inoltre indicato Cadence, Convergent Science, Encord, nTop, PhysicsX e Voxel51 come partner software che lavorano con la sua infrastruttura. Queste collaborazioni spaziano dagli strumenti per i dati e la visione artificiale alla simulazione ingegneristica; non vanno interpretate come un’affermazione secondo cui i prodotti di tutti i partner siano già disponibili come modelli di lancio.

Un avvio più rapido richiede comunque una valutazione rigorosa

L’opportunità è evidente: quando un ambiente viene mantenuto da un esperimento all’altro, i team possono dedicare più tempo al confronto tra modelli e all’analisi dei malfunzionamenti. I modelli condivisi possono anche facilitare la riproduzione di una configurazione da parte dei colleghi, prima di modificare una variabile.

Le questioni più complesse restano legate al dominio applicativo. Le scene simulate devono rappresentare condizioni utili, i dati sintetici devono essere adatti al compito e le valutazioni devono mettere in luce i malfunzionamenti che contano al di fuori del simulatore. Launchables può semplificare il percorso per eseguire questi test, ma non elimina la necessità di progettarli con cura.

CoreWeave rimanda i team interessati alla panoramica di Launchables per l’IA fisica per consultare il catalogo iniziale e ottenere ulteriori informazioni. Per chi sviluppa robotica e veicoli autonomi, il vantaggio pratico consiste in un percorso più breve dall’idea di un esperimento ai risultati che è possibile esaminare.