Wayve addestrerà i modelli AI Driver su CoreWeave Cloud con GPU Blackwell

CoreWeave ha annunciato il 9 novembre 2026 un accordo pluriennale che prevede l’addestramento dei modelli fondamentali AI Driver di Wayve su CoreWeave Cloud con GPU NVIDIA Blackwell. Il lavoro comprende addestramento, valutazione e simulazione per un sistema che apprende dai dati di guida del mondo reale raccolti in oltre 70 paesi.

Wayve ha iniziato con Weights & Biases e da allora ha ampliato le proprie attività fino a CoreWeave Cloud. L’espansione aggiunge la capacità di calcolo cloud di CoreWeave a un processo di sviluppo che deve dimostrare i progressi tra una versione software e l’altra, sostenere lunghe sessioni di addestramento e offrire sufficiente osservabilità per confrontare i modelli e convalidarne la sicurezza su larga scala.

Un volano di dati per i modelli di guida

Wayve sta sviluppando AI Driver per un’ampia gamma di impieghi, dalle auto di proprietà privata ai robotaxi. Silvius Rus, vicepresidente senior dell’ingegneria dell’azienda, ha descritto così il modo in cui i dati raccolti a livello globale alimentano lo sviluppo dei modelli: «Il nostro AI Driver migliora grazie a questo volano di dati: raccogliamo esperienze di guida nel mondo reale, le usiamo per addestrare il modello, lo valutiamo e distribuiamo solo ciò che supera le prestazioni di quanto è già su strada». Si aspetta che l’accesso al cloud IA di CoreWeave contribuisca ad accelerare la diffusione commerciale di AI Driver.

Simulazione prima della messa su strada

Una panoramica tecnica di CoreWeave sull’infrastruttura per l’IA fisica individua nell’addestramento di modelli del mondo, nella simulazione dei sensori e nella valutazione a ciclo chiuso alcuni dei carichi di lavoro dei veicoli autonomi. I veicoli autonomi generano terabyte di dati dei sensori per veicolo al giorno. Per gestire questo flusso, archiviazione, rete e pipeline di addestramento devono funzionare insieme in modo efficiente.

Lo sviluppo dell’IA fisica prosegue anche dopo la distribuzione, man mano che emergono nuovi casi limite, rendendo requisiti operativi il riaddestramento ripetuto, la creazione di checkpoint e pipeline di dati rapide. Poiché i guasti possono avere conseguenze sulla sicurezza fisica, la maggior parte dello sviluppo dei modelli avviene tramite simulazioni e convalide graduali prima dell’impiego nel mondo reale.

In una dimostrazione di riferimento di CoreWeave, non collegata all’accordo con Wayve, l’azienda riferisce di aver eseguito 1,25 milioni di simulazioni di veicoli autonomi in CARLA in circa 12 ore, su shard indipendenti che utilizzavano ciascuno una GPU. Le simulazioni variavano le condizioni meteorologiche, la densità del traffico, le mappe, gli incroci e i seed, mostrando l’ampia varietà di condizioni simulate che è possibile generare per lo sviluppo dei modelli.

Affidabilità lungo l’intero stack di addestramento

Per quanto riguarda il livello hardware, NVIDIA afferma che il motore di affidabilità, disponibilità e manutenibilità di Blackwell monitora continuamente migliaia di parametri sullo stato di hardware e software per prevedere e intercettare le cause dei tempi di inattività. È progettato per individuare tempestivamente i potenziali guasti, localizzare i problemi e agevolare la manutenzione: capacità pertinenti ai requisiti di affidabilità per le lunghe sessioni di addestramento descritte nell’annuncio di CoreWeave.

Per la sua più ampia piattaforma di IA fisica, CoreWeave afferma che il suo Kubernetes Service orchestra i processi di addestramento e simulazione, mentre lo storage distribuito e quello a oggetti conservano dati di sensori e simulazione su scala di petabyte. Le reti InfiniBand e RoCE trasferiscono i dati direttamente tra le GPU dei diversi server, evitando il passaggio dalle CPU per ridurre i tempi di inattività mentre i processi distribuiti si scambiano dati dei sensori, stato della simulazione e gradienti.

Gli strumenti per gli esperimenti aggiungono la tracciabilità delle versioni: Weights & Biases Models tiene traccia degli esperimenti, Registry collega un checkpoint all’esatto set di dati e alla sessione di addestramento che lo hanno prodotto e Weave supporta tracce, valutazioni e monitoraggio. Questi dati consentono agli ingegneri di risalire da un problema individuato durante i test al checkpoint del modello, al set di dati e alla sessione di addestramento coinvolti. Per un sistema di guida critico per la sicurezza, questa tracciabilità agevola il confronto e la convalida, insieme alla capacità di addestramento.

L’accordo integra l’intero ciclo di iterazione nell’espansione dell’infrastruttura di Wayve. L’accelerazione della diffusione commerciale dipende dall’efficienza con cui addestramento, valutazione e simulazione integrati possono trasformare l’esperienza di guida in miglioramenti convalidati, mantenendo al contempo l’affidabilità e la tracciabilità necessarie per il software di guida critico per la sicurezza.