CoreWeave, 물리적 AI를 위해 현장 엔지니어를 고객 팀에 배치

CoreWeave는 2026년 9월 10일에 Physical AI Field Engineering의 출시를 발표했습니다. 이 서비스는 고객 팀과 클라우드 제공업체의 도메인 전문가를 연결하여 연구 및 개발부터 현장 운영에 이르는 전체 엔지니어링 라이프사이클 전반에 걸쳐 AI를 구축, 검증 및 배포합니다.

리빙스턴, 뉴저지에서 발표된 이 보도자료에 따르면, 이 서비스는 CoreWeave가 Monolith AI와 함께 인수한 팀과 방법을 기반으로 하며 CoreWeave 자체 플랫폼 및 통합 엔지니어링 AI 솔루션 위에서 운영됩니다. 이 서비스 하에서 자동차, 항공우주, 기계공학 배경을 가진 CoreWeave 엔지니어들이 고객 팀과 함께 작업하여 고객이 이미 보유한 데이터(테스트 벤치 결과, 시뮬레이션 출력, 생산 센서, 실시간 텔레메트리 등)로 모델을 구축합니다. 각 모델은 고객 시스템의 실제 물리와 일치할 때까지 검증됩니다.

CoreWeave는 물리적 AI를 도메인 전문 지식과 적용 AI 사이의 격차가 가장 큰 영역으로 설명했습니다. 엔지니어링 프로세스에 AI를 통합하면 설명 가능성, 정확성, 재현성 및 안전성에 대한 요구사항이 추가됩니다. 이 환경의 모델은 아키텍처나 컴퓨팅보다 데이터에서 더 자주 실패한다고 회사는 밝혔으며, 격차를 해소하려면 연소 역학이나 항공우주 하중과 같은 주제를 이해하고 머신러닝 모델을 구축·검증할 수 있는 엔지니어가 필요합니다. AI 기반 팀의 경우 격차는 반대로 존재합니다: 모델링 전문성은 있지만, 모델이 적용될 시스템의 물리학이 부족합니다.

100개가 넘는 프로젝트에서의 실적

CoreWeave는 이 접근 방식이 자동차, 항공우주, 로봇 분야에서 100개가 넘는 엔지니어링 프로젝트에 이미 적용되었다고 밝혔습니다. Aston Martin Aramco Formula One Team의 경우, 회사 엔지니어들이 실시간 레이스 주말에 현장에 배치되어 75회 반복을 거쳐 정제된 7시간 분량의 수동 주석 레이스 오디오를 학습한 전사 모델을 구축했으며, 이 모델은 생산 수준의 정확도에 도달했습니다. 현재 플랫폼은 한 번에 40개의 라디오 채널을 처리할 수 있으며, 이는 30초 미만으로 종료되는 피트 윈도우 내에서 타이어 전략 질문에 답할 만큼 충분히 빠릅니다.

Nissan Technical Centre Europe의 엔지니어링 및 테스트 운영 이사인 Emma Deutsch는 AI가 Nissan이 매일 생성하는 엔지니어링 및 테스트 데이터에서 더 큰 가치를 끌어내는 데 도움을 주고 있다고 말했습니다. 그녀에 따르면, 엔지니어들은 모델을 활용해 Nissan이 기본으로 삼는 품질, 안전성 및 신뢰성을 유지하는 차량을 제공하는 작업에 집중할 수 있게 되었습니다.

공식 제품 페이지에는 Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics, Kautex Textron 등 조직의 로고가 표시됩니다. 또한 JOTA Group의 Technical Director인 Tomoki Takahashi의 다음과 같은 사용 후기도 포함되어 있습니다: “이 협업이 성공하는 이유는 우리가 함께 실험하고 있기 때문이며, 단순히 도구를 전달받는 것이 아니기 때문입니다.”

참여 모델 및 네 가지 핵심 영역

참여는 현장 범위 정의 워크숍으로 시작됩니다. 이 워크숍에서 CoreWeave와 고객 팀은 엔지니어링 워크플로우를 도식화하고, 가장 큰 문제점을 검토하며, 모델을 구축하기 전에 우선순위와 현실적인 일정에 합의합니다. 제품 페이지에서는 두 가지 진입점을 설명합니다: 사용 사례 발굴 워크숍 또는 이미 특정 사용 사례가 있는 고객을 위한 기술 타당성 워크숍으로, 고객 데이터를 평가하고 접근 방식을 검증합니다.

그 다음 작업은 네 가지 영역으로 확장됩니다. 전략 단계에서는 AI로 실제 해결할 가치가 있는 문제와 활용할 데이터가 무엇인지 파악합니다. 시뮬레이션 인프라 단계에서는 특정 사용 사례에 필요한 GPU, 스토리지 및 시뮬레이션 스택을 구축하며, 현장 엔지니어가 고객을 CoreWeave의 보다 넓은 물리적 AI 플랫폼에 연결해 전체 인프라 설계와 확장을 지원합니다. 실제 데이터 단계에서는 분산된 테스트, 센서 및 생산 데이터를 모델로 전환하여 결과를 예측하거나 이상을 포착하거나 실패 원인을 설명합니다. 에이전시 학습 단계에서는 모델이 발견한 내용을 물리적 세계의 변화로 연결합니다: 시스템을 재조정해 성능을 향상시키거나, 고장을 실패로 이어지기 전에 포착하거나, 로봇이 훈련된 기술을 실행하도록 합니다.

제공물은 기존 워크플로우에 직접 배포되는 실용 애플리케이션, 최적화 도구 및 대시보드입니다. 고객의 엔지니어가 문제 정의를 돕고 모델 구축 과정을 지켜보며, 배포 후에는 CoreWeave에 연락하지 않고 직접 운영·변경·재학습을 수행합니다. 제품 페이지에서는 이 모델을 AI 컨설팅 업체와 비교하면서, 컨설턴트는 권고안을 제공하는 반면 CoreWeave는 고객 워크플로우에 내재된 엔지니어가 구축하고 자체 컴퓨팅으로 구동되는 실용 애플리케이션을 제공한다고 설명합니다.

엔지니어링 AI 스택 및 보고된 결과

모든 참여는 동일한 통합 엔지니어링 AI 솔루션 위에서 진행됩니다: 실험 추적 및 모델 관리를 위한 Weights & Biases, 데이터 탐색을 위한 marimo, 지속적인 모델 및 에이전트 개선을 위한 CoreWeave ARIA와, 이상 탐지, 테스트 감소, 시스템 최적화를 위해 구축된 도메인 라이브러리가 결합됩니다. CoreWeave는 이 작업이 플랫폼 전반에 걸쳐 실행되는 AI 루프 내부에서 수행된다고 밝혔으며, 차이점은: 물리적 AI에서는 루프가 사용자 트래픽이 아니라 하드웨어를 대상으로 닫힌다는 점입니다.

제품 페이지는 제공된 엔지니어링 프로그램의 결과를 보고하며, 일부 고객은 비밀 유지 계약에 따라 익명 처리되었다고 명시합니다. 주요 수치는 기존 데이터만 활용해 교정 테스트 기간을 하루로 단축한 사례, 최적 테스트 후보를 검증하기 위해 필요한 특성화 테스트를 35% 감소시킨 사례, 목표 정확도에 도달하기 위해 필요한 데이터 수집량을 20배 감소시킨 사례 등을 포함합니다.

“엔지니어링 팀은 공급업체가 데모에서 한 번 입증했다고 해서 새로운 방법을 채택하지 않습니다. 자체 시스템에서 검증된 것을 확인한 뒤에야 채택합니다,”라고 CoreWeave의 Physical AI 수석 부사장인 Richard Ahlfeld가 말했습니다. 그는 이것이 회사가 고객 팀과 같은 언어를 구사하는 엔지니어를 파견하고 고객 자체 데이터에 기반해 구축하는 이유라고 설명했습니다: 인프라, 엔지니어링 AI 스택, 엔지니어 모두 CoreWeave 소유입니다.

보도자료는 또한 CoreWeave의 MLPerf 벤치마크 결과와 SemiAnalysis ClusterMAX 1.0 및 2.0에서 최고 플래티넘 등급을 획득한 유일한 AI 클라우드라는 위치, 그리고 독립적인 벤치마킹을 수행한 Artificial Analysis에서 Moonshot AI의 Kimi K2.6 모델에 대한 추론 속도와 가격 대비 성능에서 최고 순위를 차지한 사실을 강조했습니다.

Futurum의 사장 겸 최고 운영 책임자 Dan O’Brien은 산업 AI에서 가장 어려운 점은 도메인을 이해하는 사람과 AI 모델을 구축할 수 있는 사람이 거의 동일하지 않다는 것이라고 말했습니다. 그는 이미 해당 분야 언어에 능통하고 고객 직원이 운영할 수 있는 결과물을 남길 수 있는 엔지니어가, 고객의 시간을 들여 도메인을 배우는 컨설턴트보다 훨씬 더 좋은 결과를 제공한다고 강조했습니다.