CoreWeave、ロボット工学と自動運転車の開発向けにPhysical AIテンプレートを提供

ロボット工学チームが新しいポリシーをテストするには、その前にシミュレーター、データ、ストレージ、コンピューティングを連携させる必要がある。CoreWeaveは、こうした準備作業を支援するため、ロボット工学、自動運転車、シミュレーション向けのテスト済みワークロードテンプレートを集めた「Physical AI Launchables」を10月21日に発表した。

このテンプレートは、NVIDIA Isaac Sim、CARLA、MuJoCo、NVIDIA AlpaSim、NVIDIA Cosmos 3という5つのツール向けに環境をパッケージ化したものだ。エンジニアはインフラを一から組み立てる代わりに、コマンドを実行するだけでワークロードを設定して起動できる。今回の発表には、コーディングエージェントが同じワークフローを操作するためのスキルも含まれている。

開発者にとって重要なのは、何を繰り返し実行できるようになるかだ。Launchablesは、実験のたびにチームがシーン、データセット、モデル、結果を左右する設定を変更しながら、動作する環境を維持できるようにすることを目指している。

実験の準備作業を基盤側に移す

Physical AIの実験は、モデルを実行するだけでは完結しない。運転評価にはシミュレーターとシナリオが必要であり、ロボット学習のジョブには環境、ポリシー、結果を収集する手段が必要となる。さらに、これらの構成要素には、適切なストレージ、コンピューティングリソース、実行制限も必要だ。

CoreWeaveによると、同社のエンジニアは各テンプレートの基盤となる構成を構築し、テストしている。チームはそれらの構成を自分たちの作業に合わせて調整でき、継続的なプログラムには予約済みのリソースを、個々の実験には必要に応じて追加するリソースを利用できる。サポート対象の各ツールには、ワークロードを指定せずに環境だけを提供する空のテンプレートも用意されている。

「Physical AI Launchablesは、チームがすでに使っているツール向けに、テスト済みの出発点を提供します。そのため、チームは自分たちにしかできない作業に、より多くの時間を割けるようになります」と、CoreWeaveのPhysical AI担当上級副社長、Richard Ahlfeld氏は発表の中で述べた。

ここには有用な線引きがある。CoreWeaveが提供するのはパッケージングと実行のレイヤーであり、シミュレーションやモデリングのソフトウェアはNVIDIAなどの開発企業が提供する。何をテストし、その結果に意味があるかどうかを判断するのは、引き続き各チームだ。

初期テンプレートで実行できること

CoreWeaveの技術的な発表記事では、カタログの内容がより具体的に紹介されている。例として、ロボット操作、運転シミュレーション、合成データ、強化学習が挙げられている。

• NVIDIA Isaac Sim：ロボットアームによるピック・アンド・プレース、ラベル付きの倉庫シーン、車両ダイナミクスの実験。
• CARLA：検査用の動画を生成する運転シナリオの一括実行。
• MuJoCo：強化学習の並列実験と、キッチンでの操作タスク。
• NVIDIA AlpaSim：クローズドループ方式の運転評価。
• NVIDIA Cosmos 3：収集が難しい、あるいはコストのかかる可能性がある動画シナリオの生成。

これらは固定されたデモ一式ではなく、出発点となる構成だ。エンジニアは、テスト済みの環境を維持したまま、ワークロードのパラメーターを変更したり、アプリケーションコードを編集したりできる。今回の発表には、データの拡張、ラベル付け、キュレーション、検索に使えるNVIDIA Cosmos Data Factoryのスキルも含まれている。CoreWeaveによると、関連するテンプレートも今後追加される予定だ。

コーディングエージェントにもエンジニアと同じ操作手段を提供

Launchablesには、Claude Code、Codexなどのコーディングエージェント向けに、CoreWeave固有のスキルが含まれている。これらのスキルを通じて、エージェントは関連する設定についてのガイダンスを得るとともに、実行の開始、監視、結果の取得に使うコマンドを利用できる。

今回の発表では、ジョブが完了することと実験が成功することの違いが強調されている。プロセスが終了しても、運転ポリシーが各シナリオに適切に対処できたか、あるいはロボットがタスクを達成したかは確認できない場合がある。レポート、指標、メディア、診断情報を一貫したインターフェースで返すことで、エンジニアもエージェントも実行後に評価するための材料を得られる。

これにより、実験を繰り返す際の自動化がより有用になる可能性がある。エージェントはワークフローの操作を支援できるが、適切な評価方法と成功基準は依然としてチームが用意する必要がある。デプロイが正常に機能したからといって、モデルが実機に対応できる状態だと確認できるわけではない。

GPU時間をGPU処理に集中させる

今回の発表では、ジョブによるリソースの消費方法にも触れている。ワークロードが許す場合、テンプレートはCPUでの準備処理や後処理をGPUでの実行から切り分け、GPU処理の段階が終わるとGPUリソースを解放する。テンプレートにはリソース要件と同時実行数の上限も明記され、並列実行の調整に役立つ。

これは、実験のコストに、高価なハードウェアがほかの処理を待つ時間も含まれるため重要だ。処理段階を分ければリソース配分を改善できる可能性があるものの、実際の効果はワークロードや、必要となる準備、シミュレーション、学習、分析の量によって異なる。

CoreWeaveは、今回提供された発表資料の中で、Launchables全般に適用できるベンチマークや、セットアップ時間が一律にどれだけ短縮されるかを示していない。現時点での提案の中心は、あらゆるロボット工学プロジェクトに当てはまる測定済みの性能向上ではなく、テスト済みの構成と、それを操作するための共通の方法だ。

LaunchablesはCoreWeaveのフィジカルAI基盤にどう組み込まれるのか

今回の発表により、CoreWeaveはGPUの生の処理能力の提供にとどまらず、それを活用するソフトウェアのワークフローへと領域を広げます。同社はフィジカルAIプラットフォームのページで、GPUおよびCPUのコンピューティング、ネットワーク、ストレージ、Kubernetesによるオーケストレーション、さらにKubernetes上のSlurmにわたるインフラを紹介しています。これらの構成要素は、データの準備、シミュレーション、モデルのトレーニングにそれぞれ異なる形で求められる要件に対応します。

より広範なクラウドプラットフォームは、こうしたインフラをCoreWeave Forgeと連携させています。CoreWeave Forgeには、モデルやエージェントの監視、評価、改善に使うツールが集約されています。Launchablesは、これらのレイヤーの上に、テスト済みのエンジニアリングワークロードを追加します。この戦略の狙いは、チームがデータ、実験、評価の間を移行する際に、自ら構築しなければならない環境の数を減らすことです。

CoreWeaveはまた、自社のインフラを利用するソフトウェアパートナーとして、Cadence、Convergent Science、Encord、nTop、PhysicsX、Voxel51を挙げています。これらの提携は、データやコンピュータービジョンのツールからエンジニアリングシミュレーションまで幅広い領域に及びます。ただし、すべてのパートナー製品がすでにLaunchablesのテンプレートとして提供されている、という意味ではありません。

迅速に始められても、適切な評価は欠かせない

期待される効果は明快です。ある実験で使った環境を次の実験でも維持できれば、チームはモデルの比較や失敗の原因究明に、より多くの時間を割けます。共通のテンプレートがあれば、変数を変更する前に、同僚が同じ構成を再現することも容易になります。

より難しい課題は、依然として各分野の専門領域にあります。シミュレーションのシーンは有用な条件を再現し、合成データはタスクに適したものでなければなりません。また、評価ではシミュレーターの外でも重要となる失敗を明らかにする必要があります。Launchablesによって、こうしたテストを実行するまでの手順は簡素化できますが、慎重に設計する必要がなくなるわけではありません。

CoreWeaveは、初期カタログや詳細情報について、関心のあるチームにフィジカルAI向けLaunchablesの概要を案内しています。ロボティクスや自動運転車の開発者にとって実用面で魅力となるのは、実験のアイデアから、内容を確認できる結果を得るまでの道のりが短くなることです。