파트너십
Wayve, CoreWeave Cloud의 Blackwell GPU로 AI Driver 모델 학습
Unite.AI를 Google의 선호 소스에 추가
CoreWeave는 2026년 11월 9일, Wayve가 NVIDIA Blackwell GPU를 탑재한 CoreWeave Cloud에서 AI Driver 기반 모델을 학습하기 위한 다년 계약을 발표했습니다. 이번 협력은 70개국이 넘는 곳에서 수집한 실제 주행 데이터를 바탕으로 학습하는 시스템의 훈련, 평가, 시뮬레이션을 아우릅니다.
Wayve는 Weights & Biases를 기반으로 시작했으며, 이후 CoreWeave Cloud로 규모를 확장했습니다. 이번 확장으로 CoreWeave의 클라우드 컴퓨팅 자원이 개발 과정에 추가됩니다. 이 과정에서는 소프트웨어 버전 간 진척을 입증하고, 장시간 학습을 지속하며, 대규모로 모델을 비교하고 안전성을 검증할 수 있도록 충분한 관측 가능성을 확보해야 합니다.
주행 모델을 위한 데이터 선순환
Wayve는 개인 소유 차량부터 로보택시까지 다양한 용도의 AI Driver를 개발하고 있습니다. Wayve의 엔지니어링 담당 수석 부사장인 Silvius Rus는 전 세계의 주행 데이터가 모델 개발에 어떻게 활용되는지 설명했습니다. “AI Driver는 실제 주행 경험을 수집하고, 이를 학습에 활용하고, 평가한 다음, 이미 도로를 달리는 시스템보다 성능이 뛰어난 경우에만 배포하는 데이터 선순환을 통해 더 나아집니다.” 그는 CoreWeave의 AI 클라우드를 이용하면 AI Driver의 상용 배포를 앞당기는 데 도움이 될 것으로 기대한다고 밝혔습니다.
도로 배포 전 시뮬레이션
물리적 AI 인프라에 관한 CoreWeave 기술 개요에서는 월드 모델 학습, 센서 시뮬레이션, 폐루프 평가를 자율주행 차량의 워크로드로 꼽습니다. 자율주행 차량 한 대는 하루에 센서 데이터를 테라바이트 단위로 생성합니다. 이 데이터 흐름을 처리하려면 스토리지, 네트워킹, 학습 파이프라인이 함께 효율적으로 작동해야 합니다.
새로운 예외 상황이 나타나면서 물리적 AI 개발은 배포 이후에도 계속되며, 반복적인 재학습과 체크포인트 저장, 신속한 데이터 파이프라인이 운영상 필수 요건이 됩니다. 장애가 실제 안전에 영향을 미칠 수 있으므로, 대부분의 모델 개발은 실제 환경에서 사용하기 전에 시뮬레이션과 단계별 검증을 거칩니다.
Wayve와의 계약과는 별개로 진행된 CoreWeave의 참고용 시연에서, 회사는 GPU 한 대씩을 사용하는 독립 샤드 전반에 걸쳐 약 12시간 동안 CARLA 자율주행 차량 시뮬레이션 125만 건을 실행했다고 밝혔습니다. 시뮬레이션에서는 날씨, 교통량, 지도, 교차로, 시드를 다양하게 바꿨으며, 이는 모델 개발을 위해 생성할 수 있는 시뮬레이션 환경의 폭을 보여줍니다.
학습 스택 전반의 안정성
하드웨어 계층과 관련해 NVIDIA는 Blackwell의 신뢰성·가용성·서비스성 엔진이 수천 개의 하드웨어 및 소프트웨어 상태 데이터 항목을 지속적으로 모니터링해 가동 중단의 원인을 예측하고 차단한다고 설명합니다. 이 엔진은 잠재적 결함을 조기에 식별하고, 문제의 위치를 파악하며, 유지보수를 지원하도록 설계되었습니다. 이러한 기능은 CoreWeave 발표에서 언급한 장시간 학습에 필요한 안정성 요건과 관련이 있습니다.
CoreWeave는 보다 폭넓은 물리적 AI 플랫폼에서 Kubernetes Service가 학습 및 시뮬레이션 작업을 조율하고, 분산 스토리지와 객체 스토리지가 페타바이트 규모의 센서 및 시뮬레이션 데이터를 저장한다고 설명합니다. InfiniBand와 RoCE 네트워킹은 서버 간 GPU 사이에서 데이터를 직접 전송해 CPU를 거치지 않으며, 이를 통해 분산 작업이 센서 데이터, 시뮬레이션 상태, 그래디언트를 주고받는 동안 유휴 대기 시간을 줄입니다.
실험 도구는 버전 이력 관리 기능도 제공합니다. Weights & Biases Models는 실험을 추적하고, Registry는 체크포인트를 해당 체크포인트를 생성한 정확한 데이터 세트 및 학습 실행과 연결하며, Weave는 추적, 평가, 모니터링을 지원합니다. 이러한 기록을 바탕으로 엔지니어는 테스트 중 발견된 문제에서 관련 모델 체크포인트, 데이터 세트, 학습 실행까지 거슬러 올라갈 수 있습니다. 안전이 중요한 주행 시스템에서는 이러한 추적 가능성이 학습 역량과 더불어 모델 비교와 검증을 뒷받침합니다.
이번 계약으로 전체 반복 개발 주기가 Wayve의 인프라 확장에 포함됩니다. 상용 배포를 앞당기려면 통합된 학습, 평가, 시뮬레이션이 주행 경험을 검증된 개선 사항으로 얼마나 효율적으로 전환할 수 있는지가 중요하며, 이 과정에서 안전이 중요한 주행 소프트웨어에 필요한 안정성과 추적 가능성을 유지해야 합니다.
