CoreWeave Inserisce Ingegneri di Campo nei Team dei Clienti per l’AI Fisica

CoreWeave ha annunciato il 10 settembre 2026 il lancio di Physical AI Field Engineering, un’offerta che accoppia i team dei clienti con gli specialisti di dominio del provider cloud per costruire, convalidare e distribuire l’AI lungo l’intero ciclo di vita ingegneristico, dalla ricerca e sviluppo fino alle operazioni sul campo.

L’annuncio, datato a Livingston, New Jersey, afferma che il servizio è basato sul team e sui metodi che CoreWeave ha acquisito con Monolith AI e gira sulla propria piattaforma e sulla soluzione integrata di AI ingegneristica di CoreWeave. Nell’ambito dell’offerta, gli ingegneri di CoreWeave con background in automotive, aerospace e ingegneria meccanica lavorano accanto al team del cliente, costruendo modelli a partire dai dati già in possesso del cliente, inclusi risultati di banchi di prova, output di simulazione, sensori di produzione e telemetria in tempo reale. Ogni modello viene convalidato contro la fisica reale dei sistemi del cliente finché non si dimostra valido nella pratica.

CoreWeave ha descritto l’AI fisica come l’area in cui il divario tra competenza di dominio e AI applicata è più ampio, un contesto in cui l’integrazione dell’AI nei processi ingegneristici aggiunge requisiti di spiegabilità, accuratezza, ripetibilità e sicurezza. L’azienda ha affermato che i modelli in questo contesto falliscono sui dati molto più spesso che sull’architettura o sul calcolo, e colmare il divario richiede ingegneri che comprendano argomenti come la dinamica della combustione o i carichi aerospaziali e che possano anche costruire e convalidare un modello di machine learning. Per i team nativi dell’AI, il divario è inverso: l’expertise di modellazione esiste, ma la fisica dei sistemi a cui tali modelli sono destinati non è presente.

Record di Successo in Oltre 100 Progetti

CoreWeave ha dichiarato che l’approccio è già stato applicato in oltre 100 progetti ingegneristici nei settori automotive, aerospace e robotica. Per il team Aston Martin Aramco Formula One, gli ingegneri dell’azienda sono stati inseriti in loco durante i fine settimana di gara dal vivo e hanno costruito un modello di trascrizione che ha raggiunto la precisione di produzione dopo l’addestramento su sette ore di audio di gara annotato manualmente, perfezionato in 75 iterazioni. La piattaforma ora elabora 40 canali radio contemporaneamente, abbastanza veloce, secondo CoreWeave, da rispondere a una domanda di strategia degli pneumatici all’interno di una finestra di pit che si chiude in meno di trenta secondi.

Emma Deutsch, Direttrice dell’Ingegneria e delle Operazioni di Test presso Nissan Technical Centre Europe, ha affermato che l’AI sta aiutando Nissan a estrarre un valore maggiore dai dati ingegneristici e di test che genera quotidianamente. I suoi ingegneri, ha detto, sono in grado di utilizzare i modelli per concentrare il loro lavoro sulla consegna di veicoli che mantengono la qualità, la sicurezza e l’affidabilità fondamentali per Nissan.

La pagina prodotto ufficiale dell’offerta mostra i loghi di organizzazioni tra cui Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics e Kautex Textron. La pagina contiene anche una testimonianza di Tomoki Takahashi, Direttore Tecnico del JOTA Group, che ha dichiarato: “Il motivo per cui questa collaborazione funziona è che sperimentiamo insieme, non semplicemente ricevendo uno strumento.”

Modello di Coinvolgimento e Quattro Aree di Focus

Le collaborazioni iniziano con un workshop di definizione in loco, in cui CoreWeave e il team del cliente mappano i flussi di lavoro ingegneristici, esaminano i principali punti critici e concordano priorità e un cronoprogramma realistico prima della costruzione di qualsiasi modello. La pagina prodotto descrive due punti di ingresso: un workshop di scoperta dei casi d’uso o, per i clienti che hanno già un caso d’uso specifico, un workshop di fattibilità tecnica che valuta i dati del cliente e convalida l’approccio.

Da lì, il lavoro si articola in quattro aree. La strategia identifica quali problemi valgono realmente la pena di essere risolti con l’AI e quali dati sono utili per la costruzione. L’infrastruttura di simulazione allestisce la GPU, lo storage e lo stack di simulazione necessari per un caso d’uso specifico, con gli ingegneri di campo che collegano i clienti alla più ampia piattaforma di AI fisica di CoreWeave per la progettazione e la scalabilità completa dell’infrastruttura. I dati del mondo reale trasformano test, sensori e dati di produzione sparsi in modelli che prevedono un risultato, rilevano un’anomalia o spiegano un guasto. L’apprendimento agentico trasforma ciò che un modello scopre in cambiamenti nel mondo fisico: un sistema ricalibrato per funzionare meglio, un difetto intercettato prima che diventi un guasto, o un robot che esegue una capacità addestrata.

I risultati consegnati sono applicazioni operative, ottimizzatori e dashboard distribuiti direttamente nei flussi di lavoro esistenti. Gli ingegneri del cliente aiutano a definire il problema e osservano la costruzione del modello e, una volta distribuito, lo gestiscono, apportano modifiche e lo riaddestrano secondo necessità, senza dover contattare CoreWeave. La pagina prodotto contrappone questo modello alle consulenze AI, affermando che i consulenti forniscono raccomandazioni mentre CoreWeave fornisce applicazioni operative costruite da ingegneri inseriti nei flussi di lavoro del cliente e alimentate dalla propria capacità di calcolo.

Stack di AI Ingegneristica e Risultati Segnalati

Ogni collaborazione utilizza la stessa soluzione integrata di AI ingegneristica: Weights & Biases per il tracciamento degli esperimenti e la gestione dei modelli, marimo per l’esplorazione dei dati e CoreWeave ARIA per il miglioramento continuo di modelli e agenti, abbinati a librerie di dominio sviluppate per il rilevamento di anomalie, la riduzione dei test e l’ottimizzazione dei sistemi. CoreWeave ha affermato che il lavoro opera all’interno del ciclo AI che gira sulla sua piattaforma, con una differenza: nell’AI fisica, il ciclo si chiude contro l’hardware anziché contro il traffico degli utenti.

La pagina prodotto riporta i risultati dei programmi ingegneristici consegnati, osservando che alcuni clienti sono stati anonimizzati per accordi di non divulgazione. I dati includono test di calibrazione ridotti a un giorno usando dati già disponibili, il 35% in meno di test di caratterizzazione necessari per convalidare i migliori candidati di test, e una riduzione di 20 volte nella quantità di dati da acquisire per raggiungere la precisione obiettivo.

“I team di ingegneria non adottano un nuovo metodo perché un fornitore lo ha dimostrato una volta in una demo. Lo adottano quando hanno visto che funziona sui propri sistemi,” ha dichiarato Richard Ahlfeld, Senior Vice President of Physical AI presso CoreWeave. Questo, ha aggiunto, è il motivo per cui l’azienda invia ingegneri che parlano la stessa lingua del team al tavolo e costruisce sui dati del cliente: l’infrastruttura, lo stack di AI ingegneristica e gli ingegneri sono tutti di CoreWeave.

L’annuncio ha inoltre evidenziato i risultati di benchmark MLPerf di CoreWeave, la sua posizione di unico cloud AI a ottenere il ranking Platinum più alto sia in SemiAnalysis ClusterMAX 1.0 che 2.0, e il suo ranking migliore per velocità di inferenza e rapporto prezzo-prestazioni per il modello Kimi K2.6 di Moonshot AI in benchmark indipendenti condotti da Artificial Analysis.

Dan O’Brien, Presidente e Chief Operating Officer di Futurum, ha affermato che l’aspetto più impegnativo dell’AI industriale è che la persona che comprende il dominio e quella che può costruire il modello AI sono quasi sempre persone diverse. Gli ingegneri che già parlano il linguaggio e possono lasciare qualcosa che le persone del cliente possano gestire forniscono un risultato molto migliore rispetto ai consulenti che apprendono il dominio sul tempo del cliente, ha detto.