CoreWeave lanceert sjablonen voor fysieke AI voor de ontwikkeling van robotica en autonome voertuigen

Voordat een roboticateam een nieuw beleid kan testen, moet iemand ervoor zorgen dat de simulator, gegevens, opslag en rekenkracht goed samenwerken. CoreWeave richt zich op dit voorbereidende werk met Physical AI Launchables, een catalogus met geteste werklastsjablonen die op 21 oktober is aangekondigd voor robotica, autonome voertuigen en simulatie.

De sjablonen bundelen omgevingen voor vijf tools — NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim en NVIDIA Cosmos 3 — zodat ingenieurs een werklast met één opdracht kunnen configureren en starten, in plaats van de infrastructuur helemaal zelf op te bouwen. De lancering omvat ook vaardigheden waarmee codeeragents dezelfde werkstromen kunnen uitvoeren.

Voor ontwikkelaars is de belangrijkste vraag wat herhaalbaar wordt. Launchables moet ervoor zorgen dat tussen experimenten een werkende omgeving behouden blijft, terwijl teams de scènes, datasets, modellen en instellingen kunnen wijzigen die de uitkomst bepalen.

Voorbereidend werk naar de achtergrond verplaatsen

Bij een experiment met fysieke AI komt meer kijken dan alleen een model uitvoeren. Voor een rijtest zijn een simulator en scenario’s nodig; voor een robotleeropdracht zijn een omgeving, een beleid en een manier om resultaten te verzamelen nodig. Ook hebben deze onderdelen geschikte opslag, rekenkracht en uitvoeringslimieten nodig.

CoreWeave zegt dat zijn ingenieurs de configuraties achter elk sjabloon hebben gebouwd en getest. Teams kunnen die configuraties aanpassen aan hun eigen werk, met gereserveerde capaciteit voor lopende programma’s of extra capaciteit voor afzonderlijke experimenten. Voor elke ondersteunde tool is er ook een leeg sjabloon dat de omgeving biedt zonder de werklast voor te schrijven.

“Physical AI Launchables biedt hun een getest startpunt voor de tools die ze al gebruiken, zodat ze meer tijd kunnen besteden aan het werk dat alleen zij kunnen doen”, zei Richard Ahlfeld, senior vicepresident fysieke AI bij CoreWeave, in de aankondiging.

Dat onderscheid is nuttig: CoreWeave levert de verpakkings- en uitvoeringslaag, terwijl de simulatie- en modelleersoftware afkomstig is van NVIDIA en andere ontwikkelaars. Teams bepalen nog steeds zelf wat ze testen en of de resultaten betekenisvol zijn.

Wat de eerste sjablonen kunnen uitvoeren

De technische blogpost over de lancering van CoreWeave maakt de catalogus concreter. De voorbeelden omvatten robotmanipulatie, gesimuleerd rijden, synthetische gegevens en reinforcement learning:

• NVIDIA Isaac Sim: Pak-en-plaats-taken met robotarmen, gelabelde magazijnscènes en experimenten met voertuigdynamica.
• CARLA: Reeksen rijscenario’s die video’s opleveren voor inspectie.
• MuJoCo: Parallelle reinforcement-learningexperimenten en taken waarbij robots voorwerpen in een keuken manipuleren.
• NVIDIA AlpaSim: Gesloten-lusevaluatie van rijden.
• NVIDIA Cosmos 3: Videogeneratie van scenario’s die moeilijk of kostbaar te verzamelen kunnen zijn.

Dit zijn startconfiguraties, geen vaste reeks demonstraties. Ingenieurs kunnen parameters van de werklast wijzigen of toepassingscode aanpassen, terwijl de geteste omgeving eronder behouden blijft. De lancering omvat ook vaardigheden van NVIDIA Cosmos Data Factory voor data-augmentatie, annotatie, curatie en het opvragen van gegevens; CoreWeave zegt dat er aanvullende gerelateerde sjablonen op de planning staan.

Codeeragents krijgen dezelfde mogelijkheden als ingenieurs

Launchables omvat specifieke vaardigheden van CoreWeave voor Claude Code, Codex en andere codeeragents. Die geven een agent uitleg over relevante instellingen en toegang tot de opdrachten om een uitvoering te starten, te volgen en de resultaten op te halen.

De release benadrukt het verschil tussen een voltooide opdracht en een geslaagd experiment. Een proces kan worden beëindigd zonder dat daarmee is vastgesteld dat een rijbeleid de scenario’s goed heeft doorlopen of dat een robot zijn taak heeft volbracht. Door rapporten, meetgegevens, media en diagnostische gegevens via een consistente interface terug te leveren, krijgen zowel ingenieurs als agents materiaal om na afloop te beoordelen.

Dat kan automatisering bij herhaalde experimenten nuttiger maken. Een agent kan helpen een werkstroom uit te voeren, maar het team moet nog steeds passende evaluaties en succescriteria bepalen. Een werkende implementatie bewijst niet dat een model klaar is voor een fysiek systeem.

GPU-tijd reserveren voor GPU-werk

De aankondiging gaat ook in op het resourcegebruik van opdrachten. Waar de werklast dat toelaat, scheiden de sjablonen de voorbereiding en nabewerking op CPU’s van de uitvoering op GPU’s, zodat GPU-capaciteit vrijkomt zodra die fase is afgerond. De sjablonen vermelden de resourcevereisten en gelijktijdigheidslimieten om parallelle uitvoeringen te helpen coördineren.

Dit is belangrijk omdat de kosten van een experiment ook bestaan uit de tijd dat dure hardware op ander werk moet wachten. Door fasen te scheiden kan de toewijzing worden verbeterd, al hangt het daadwerkelijke voordeel af van de werklast en van de hoeveelheid voorbereiding, simulatie, training en analyse die nodig is.

In de aangeleverde aankondiging heeft CoreWeave geen algemene benchmark voor Launchables of universele verkorting van de installatietijd vermeld. De directe belofte is een geteste configuratie en een gemeenschappelijke manier om die te gebruiken, niet een gemeten prestatieverbetering die voor elk robotica-project geldt.

Hoe Launchables past binnen de fysieke AI-stack van CoreWeave

Deze release breidt CoreWeave uit van alleen GPU-capaciteit naar de softwareworkflows die daarvan gebruikmaken. Op de pagina over het platform voor fysieke AI beschrijft het bedrijf infrastructuur met GPU- en CPU-rekenkracht, netwerken, opslag, Kubernetes-orkestratie en Slurm op Kubernetes. Deze componenten ondersteunen de uiteenlopende behoeften van datavoorbereiding, simulatie en modeltraining.

Het bredere cloudplatform verbindt die infrastructuur met CoreWeave Forge, dat tools samenbrengt voor het observeren, evalueren en verbeteren van modellen en agents. Launchables voegt geteste technische workloads toe boven op die lagen. De strategie is om het aantal omgevingen dat een team zelf moet samenstellen te beperken wanneer het schakelt tussen data, experimenten en evaluatie.

CoreWeave noemde ook Cadence, Convergent Science, Encord, nTop, PhysicsX en Voxel51 als softwarepartners die met zijn infrastructuur samenwerken. Die samenwerkingen bestrijken alles van data- en computer vision-tools tot technische simulatie; daaruit mag niet worden afgeleid dat elk partnerproduct al als Launchables-sjabloon beschikbaar is.

Een snellere start vereist nog steeds een gedegen evaluatie

De kans is duidelijk: wanneer een omgeving behouden blijft van het ene experiment tot het volgende, kunnen teams meer tijd besteden aan het vergelijken van modellen en het onderzoeken van fouten. Gedeelde sjablonen kunnen het collega’s ook gemakkelijker maken een configuratie te reproduceren voordat ze een variabele wijzigen.

De lastigere vragen liggen nog altijd binnen het vakgebied zelf. Gesimuleerde scènes moeten bruikbare omstandigheden weergeven, synthetische data moet geschikt zijn voor de taak en evaluaties moeten fouten aan het licht brengen die ook buiten de simulator van belang zijn. Launchables kan het uitvoeren van die tests vereenvoudigen, maar neemt niet weg dat ze zorgvuldig moeten worden ontworpen.

CoreWeave verwijst geïnteresseerde teams naar het overzicht van Physical AI Launchables voor de eerste catalogus en meer informatie. Voor ontwikkelaars van robotica en autonome voertuigen is vooral de kortere weg van een experimenteel idee naar resultaten die ze kunnen bekijken aantrekkelijk.