CoreWeave plaatst veldingenieurs binnen klantenteams voor fysieke AI

CoreWeave kondigde op 10 september 2026 de lancering van Physical AI Field Engineering aan, een aanbod dat klantenteams koppelt aan de domeinspecialisten van de cloudprovider om AI te bouwen, te valideren en in te zetten gedurende de volledige engineering‑levenscyclus, van onderzoek en ontwikkeling tot operationele inzet in het veld.

De aankondiging, gedateerd Livingston, New Jersey, stelde dat de dienst is gebouwd op het team en de methoden die CoreWeave heeft verworven met Monolith AI en draait op het eigen platform van CoreWeave en de geïntegreerde engineering AI‑oplossing. In het kader van het aanbod werken CoreWeave‑ingenieurs met een achtergrond in automotive, lucht‑ en ruimtevaart en werktuigbouwkunde samen met het eigen team van de klant, waarbij ze modellen bouwen uit data die de klant al bezit, waaronder testbankresultaten, simulatie‑output, productiesensoren en live‑telemetrie. Elk model wordt gevalideerd tegen de echte fysica van de systemen van de klant totdat het in de praktijk standhoudt.

CoreWeave beschreef physical AI als het gebied waar de kloof tussen domeinexpertise en toegepaste AI het breedst is, een gebied waarin het integreren van AI in engineeringprocessen eisen stelt aan verklaarbaarheid, nauwkeurigheid, reproduceerbaarheid en veiligheid. Volgens het bedrijf falen modellen in deze setting veel vaker door data dan door architectuur of rekencapaciteit, en het overbruggen van die kloof vereist ingenieurs die onderwerpen zoals verbrandingsdynamiek of lucht‑ en ruimtevaartbelastingen begrijpen en tevens een machine‑learning‑model kunnen bouwen en valideren. Voor AI‑native teams loopt de kloof de andere kant op: de modellerings‑expertise bestaat, maar de fysica van de systemen waarvoor die modellen bedoeld zijn, ontbreekt.

Resultaten uit meer dan 100 projecten

CoreWeave meldt dat de aanpak al is toegepast in meer dan 100 engineeringprojecten in de automotive, lucht‑ en ruimtevaart en robotica. Voor het Aston Martin Aramco Formule‑1‑team waren de ingenieurs van het bedrijf ter plaatse ingebed tijdens live race‑weekenden en bouwden ze een transcriptiemodel dat productienauwkeurigheid bereikte na training op zeven uur hand‑geannoteerde race‑audio, verfijnd over 75 iteraties. Het platform verwerkt nu 40 radio‑kanalen tegelijk, snel genoeg, aldus CoreWeave, om een vraag over bandstrategie te beantwoorden binnen een pit‑venster dat in minder dan dertig seconden sluit.

Emma Deutsch, Director of Engineering and Test Operations bij Nissan Technical Centre Europe, zei dat AI Nissan helpt meer waarde te halen uit de engineering‑ en testdata die dagelijks worden gegenereerd. Haar ingenieurs kunnen volgens haar de modellen gebruiken om zich te concentreren op het leveren van voertuigen die de kwaliteit, veiligheid en betrouwbaarheid die fundamenteel zijn voor Nissan handhaven.

De officiële productpagina van het aanbod toont de logo’s van organisaties waaronder Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics en Kautex Textron. De pagina bevat ook een testimonial van Tomoki Takahashi, Technical Director van JOTA Group, die zei: “De reden dat deze samenwerking werkt, is dat we samen experimenteren, in plaats van alleen een tool aangereikt te krijgen.”

Betrokkenheidsmodel en vier focusgebieden

Betrokkenheden beginnen met een on‑site scoping‑workshop, waarin CoreWeave en het team van de klant engineering‑workflows in kaart brengen, de grootste pijnpunten onderzoeken en afstemmen op prioriteiten en een realistische tijdlijn voordat er een model wordt gebouwd. De productpagina beschrijft twee instappunten: een use‑case‑discoverieworkshop, of, voor klanten die al een specifieke use case hebben, een technische haalbaarheidsworkshop die de data van de klant beoordeelt en de aanpak valideert.

Daarna omvat het werk vier gebieden. Strategie identificeert welke problemen daadwerkelijk de moeite waard zijn om met AI op te lossen en welke data de basis kan vormen. Simulatie‑infrastructuur zet de GPU, opslag en simulatiestack op die een specifieke use case nodig heeft, waarbij veldingenieurs de klant verbinden met CoreWeave’s bredere fysieke AI‑platform voor volledige infrastructuurontwerp en schaal. Real‑world data transformeert verspreide test‑, sensor‑ en productiedata in modellen die een uitkomst voorspellen, een anomalie detecteren of een storing verklaren. Agentisch leren zet de bevindingen van een model om in veranderingen in de fysieke wereld: een systeem dat opnieuw is gekalibreerd om beter te presteren, een fout die wordt opgemerkt voordat deze een storing wordt, of een robot die een getrainde vaardigheid uitvoert.

De opleveringen bestaan uit werkende applicaties, optimalisatoren en dashboards die direct in bestaande workflows worden ingezet. De eigen ingenieurs van de klant helpen het probleem definiëren en zien hoe het model wordt gebouwd, en zodra het is uitgerold, exploiteren ze het, brengen wijzigingen aan en trainen het opnieuw indien nodig, in plaats van CoreWeave in te schakelen. De productpagina zet dit model tegenover AI‑consultancies en stelt dat consultants aanbevelingen leveren, terwijl CoreWeave werkende applicaties levert die zijn gebouwd door ingenieurs die in de klant‑workflows zijn ingebed en worden aangedreven door hun eigen rekenkracht.

Engineering AI‑stack en gerapporteerde resultaten

Elke betrokkenheid draait op dezelfde geïntegreerde engineering AI‑oplossing: Weights & Biases voor experimenttracking en modelbeheer, marimo voor data‑exploratie, en CoreWeave ARIA voor continue verbetering van modellen en agenten, gecombineerd met domeinbibliotheken die zijn ontwikkeld voor anomaliedetectie, testreductie en systeemoptimalisatie. CoreWeave meldde dat het werk opereert binnen de AI‑lus die over hun platform loopt, met één verschil: bij fysieke AI sluit de lus zich af op hardware in plaats van op gebruikersverkeer.

De productpagina rapporteert resultaten van geleverde engineeringprogramma’s, waarbij wordt opgemerkt dat sommige klanten geanonimiseerd zijn onder geheimhoudingsverklaringen. De cijfers omvatten kalibratietesten die zijn teruggebracht tot slechts één dag met data die al beschikbaar was, 35 % minder karakteriserende tests die nodig zijn om de beste testkandidaten te valideren, en een 20‑voudige vermindering in de hoeveelheid data die nodig is om de beoogde nauwkeurigheid te bereiken.

“Engineering teams adopteren geen nieuwe methode omdat een leverancier die eenmaal in een demo heeft bewezen. Ze adopteren hem pas nadat ze hebben gezien dat hij standhoudt op hun eigen systemen,” zei Richard Ahlfeld, Senior Vice President of Physical AI bij CoreWeave. Dat, aldus hij, is de reden waarom het bedrijf ingenieurs stuurt die dezelfde taal spreken als het team aan de andere kant van de tafel en bouwen op de eigen data van de klant: de infrastructuur, de engineering AI‑stack en de ingenieurs behoren allemaal tot CoreWeave.

De aankondiging verwees ook naar CoreWeave’s MLPerf‑benchmarkresultaten, haar positie als de enige AI‑cloud die de hoogste Platinum‑ranking behaalde in zowel SemiAnalysis ClusterMAX 1.0 als 2.0, en haar topranking voor inferentiesnelheid en prijs‑prestatieratio voor Moonshot AI’s Kimi K2.6‑model in onafhankelijke benchmarktests uitgevoerd door Artificial Analysis.

Dan O’Brien, President en Chief Operating Officer bij Futurum, zei dat het meest uitdagende aspect van industriële AI is dat de persoon die het domein begrijpt en de persoon die het AI‑model kan bouwen bijna nooit dezelfde persoon zijn. Ingenieurs die de taal al spreken en iets achterlaten dat de eigen medewerkers van de klant kunnen exploiteren, leveren een veel beter resultaat dan consultants die het domein leren op de tijd van de klant, aldus hij.