CoreWeave、フィールドエンジニアを顧客チームに配置し、Physical AIを提供

CoreWeaveは2026年9月10日にPhysical AI Field Engineeringの開始を発表しました。この提供は顧客チームとクラウドプロバイダーのドメイン専門家を組み合わせ、研究開発から現場運用までのエンジニアリングライフサイクル全体でAIを構築、検証、展開します。

リビングストン（ニュージャージー州）発のこの発表によると、同サービスはCoreWeaveがMonolith AIから取得したチームと手法に基づき、CoreWeave独自のプラットフォームと統合エンジニアリングAIソリューション上で動作します。この提供の下で、自動車、航空宇宙、機械工学のバックグラウンドを持つCoreWeaveエンジニアが顧客のチームと共に、テストベンチ結果、シミュレーション出力、製造センサー、ライブテレメトリなど、顧客が既に保有するデータからモデルを構築します。各モデルは顧客システムの実際の物理に対して検証され、実運用で耐えるまで調整されます。

CoreWeaveは、physical AIを、ドメイン専門知識と応用AIの間のギャップが最も大きい領域と位置付けています。この領域では、エンジニアリングプロセスにAIを統合することで、説明可能性、精度、再現性、安全性といった要件が追加されます。同社によれば、この環境でのモデルはアーキテクチャや計算リソースよりもデータで失敗することがはるかに多く、ギャップを埋めるには燃焼力学や航空荷重などの専門知識を持ち、かつ機械学習モデルを構築・検証できるエンジニアが必要です。AIネイティブなチームにとっては、ギャップは逆方向にあり、モデリングの専門知識はあるものの、モデルが対象とするシステムの物理が不足しています。

100件以上のプロジェクトでの実績

CoreWeaveは、このアプローチが自動車、航空宇宙、ロボティクス分野で100件以上のエンジニアリングプロジェクトにすでに適用されていると述べました。Aston Martin Aramco Formula One Team向けには、同社のエンジニアがレース週末の現場に常駐し、7時間の手作業で注釈付けされたレース音声を75回のイテレーションで洗練させてトランスクリプションモデルを構築し、実稼働精度に到達させました。このプラットフォームは現在、40本のラジオチャンネルを同時に処理でき、30秒未満で閉じるピットウィンドウ内でタイヤ戦略の質問に答えるのに十分な速度だとCoreWeaveは述べています。

Nissan Technical Centre Europeのエンジニアリング・テストオペレーションディレクター、Emma Deutschは、AIがNissanが日々生成するエンジニアリングおよびテストデータからより大きな価値を引き出すのに役立っていると述べました。彼女によれば、エンジニアはモデルを活用して、Nissanにとって不可欠な品質・安全性・信頼性を維持した車両の提供に注力できるようになっています。

この提供の公式製品ページには、Caterpillar、Nissan、Aramco、JOTA、Jungheinrich、Mercedes、Denso、Honda、Toyota Research Institute、Boston Dynamics、Kautex Textronなどのロゴが掲載されています。また、JOTA Groupのテクニカルディレクター、Tomoki Takahashiからの推薦文も掲載されており、彼は次のように述べています: 「この協業がうまくいく理由は、単にツールを渡されるだけでなく、共に実験しているからです。」

エンゲージメントモデルと4つの重点領域

エンゲージメントは、まず現場でのスコーピングワークショップから始まります。この場でCoreWeaveと顧客チームはエンジニアリングワークフローをマッピングし、最大の課題を検討し、優先順位と現実的なタイムラインをモデル構築前に合意します。製品ページでは、2つのエントリーポイントが説明されています: ユースケース発見ワークショップ、または既に特定のユースケースを持つ顧客向けに、顧客データを評価しアプローチを検証する技術的実現可能性ワークショップです。

そこから、作業は4つの領域にまたがります。Strategyは、AIで解決すべき本当に価値のある課題と、活用すべきデータを特定します。Simulation infrastructureは、特定ユースケースに必要なGPU、ストレージ、シミュレーションスタックを構築し、フィールドエンジニアが顧客をCoreWeaveの包括的なPhysical AIプラットフォームに接続して、インフラ全体の設計とスケールを実現します。Real-world dataは、散在するテスト、センサー、製造データを統合し、結果を予測したり、異常を検出したり、故障を説明したりするモデルに変換します。Agentic learningは、モデルが見つけた情報を物理世界の変化に結び付けます: システムを再校正して性能向上させる、故障になる前に欠陥を捕捉する、またはロボットが学習したスキルを実行する、という形です。

納品物は、既存のワークフローに直接導入される実働アプリケーション、最適化ツール、ダッシュボードです。顧客側エンジニアが課題定義を支援し、モデル構築を見守り、導入後はCoreWeaveに依頼せず自ら運用・変更・再学習を行います。製品ページでは、このモデルをAIコンサルティング会社と比較し、コンサルタントは提言を提供するのに対し、CoreWeaveは顧客ワークフローに埋め込まれたエンジニアが自社のコンピュートで構築した実働アプリケーションを提供すると述べています。

エンジニアリングAIスタックと報告された結果

すべてのエンゲージメントは同一の統合エンジニアリングAIソリューション上で実行されます: 実験追跡とモデル管理のためのWeights & Biases、データ探索のためのmarimo、継続的なモデル・エージェント改善のためのCoreWeave ARIA、そして異常検知、テスト削減、システム最適化向けに構築されたドメインライブラリが組み合わされています。CoreWeaveは、同作業がプラットフォーム全体で走るAIループ内で実行されるが、1点だけ違いがあると述べています: Physical AIでは、ループがユーザートラフィックではなくハードウェアに対して閉じます。

製品ページでは、提供されたエンジニアリングプログラムの成果が報告されており、一部顧客は機密保持契約のため匿名化されています。具体的な数値として、既存データを活用して校正テストを最短で1日まで短縮、ベストテスト候補の検証に必要な特性評価テストを35％削減、目標精度達成に必要なデータ取得量を20倍削減したことが示されています。

「エンジニアリングチームが新しい手法を採用するのは、ベンダーがデモで一度実証したからではありません。自社システムで実際に機能するのを確認してから採用します」とCoreWeaveのPhysical AIシニアバイスプレジデント、Richard Ahlfeldは述べました。彼によれば、同社が顧客と同じ言語を話すエンジニアをテーブル越しに派遣し、顧客自身のデータ上で構築するのはこのためです: インフラ、エンジニアリングAIスタック、エンジニアすべてがCoreWeaveのものです。

また、発表ではCoreWeaveのMLPerfベンチマーク結果も示され、SemiAnalysis ClusterMAX 1.0と2.0の両方でトップのプラチナランクを獲得した唯一のAIクラウドであること、さらにArtificial Analysisが実施した独立ベンチマークでMoonshot AIのKimi K2.6モデルに対する推論速度と価格性能で最高ランクを獲得したことが強調されました。

Futurumの社長兼最高執行責任者であるDan O’Brienは、産業AIで最も難しい点は、ドメインを理解する者とAIモデルを構築できる者がほとんど同一人物でないことだと述べました。既にその言語を話し、顧客側が運用できる成果物を残せるエンジニアは、顧客の時間を使ってドメインを学ぶコンサルタントよりもはるかに優れた結果をもたらす、と彼は語っています。