Wayve traint AI Driver-modellen in de CoreWeave Cloud met Blackwell-GPU’s

CoreWeave maakte op 9 november 2026 een meerjarige overeenkomst bekend waarbij Wayve zijn AI Driver-basismodellen gaat trainen in de CoreWeave Cloud met NVIDIA Blackwell-GPU’s. Het werk omvat training, evaluatie en simulatie voor een systeem dat leert van rijgegevens uit de praktijk, verzameld in meer dan 70 landen.

Wayve begon met Weights & Biases en is sindsdien opgeschaald naar de CoreWeave Cloud. De uitbreiding voegt de cloudrekenkracht van CoreWeave toe aan een ontwikkelproces dat vooruitgang tussen softwareversies moet aantonen, lange trainingsruns moet ondersteunen en voldoende inzicht moet bieden om modellen te vergelijken en de veiligheid op grote schaal te valideren.

Een datavliegwiel voor rijmodellen

Wayve ontwikkelt de AI Driver voor toepassingen variërend van privéauto’s tot robotaxi’s. Silvius Rus, senior vicepresident engineering bij het bedrijf, beschreef hoe de wereldwijde rijgegevens de modelontwikkeling voeden: “Onze AI Driver wordt beter dankzij dit datavliegwiel: we verzamelen rijervaring uit de praktijk, trainen ermee, evalueren de resultaten en zetten alleen modellen in die beter presteren dan wat er al op de weg rijdt.” Hij verwacht dat toegang tot de AI-cloud van CoreWeave de commerciële inzet van de AI Driver zal helpen versnellen.

Simulatie voordat voertuigen de weg op gaan

Een technisch overzicht van CoreWeave over infrastructuur voor fysieke AI noemt training van wereldmodellen, sensorsimulatie en evaluatie met gesloten terugkoppeling als workloads voor autonome voertuigen. Autonome voertuigen genereren dagelijks terabytes aan sensorgegevens per voertuig. Om die gegevensstroom te verwerken, moeten opslag, netwerken en trainingspijplijnen efficiënt samenwerken.

De ontwikkeling van fysieke AI gaat na de inzet door, omdat er nieuwe uitzonderingssituaties aan het licht komen. Daardoor zijn herhaalde training, het opslaan van checkpoints en snelle datapijplijnen operationele vereisten. Omdat storingen gevolgen kunnen hebben voor de fysieke veiligheid, verloopt het grootste deel van de modelontwikkeling via simulatie en gefaseerde validatie voordat modellen in de praktijk worden gebruikt.

In een referentiedemonstratie van CoreWeave buiten de overeenkomst met Wayve meldt het bedrijf dat het in ongeveer 12 uur 1,25 miljoen CARLA-simulaties van autonome voertuigen heeft uitgevoerd, verdeeld over onafhankelijke shards met elk één GPU. Bij de simulaties varieerden het weer, de verkeersdichtheid, de kaarten, de kruispunten en de seeds. Daarmee wordt geïllustreerd hoe uiteenlopende omstandigheden kunnen worden gegenereerd voor modelontwikkeling.

Betrouwbaarheid in de volledige trainingsstack

Voor de hardwarelaag zegt NVIDIA dat Blackwells engine voor betrouwbaarheid, beschikbaarheid en onderhoudbaarheid voortdurend duizenden meetpunten over de status van hardware en software bewaakt om bronnen van uitval te voorspellen en te ondervangen. De engine is ontworpen om mogelijke storingen vroegtijdig te herkennen, problemen te lokaliseren en onderhoud te ondersteunen. Die mogelijkheden zijn relevant voor de betrouwbaarheid die nodig is bij de lange trainingsruns die in de aankondiging van CoreWeave worden beschreven.

CoreWeave zegt dat de Kubernetes Service op zijn bredere platform voor fysieke AI trainings- en simulatietaken orkestreert, terwijl gedistribueerde opslag en objectopslag gegevens over sensoren en simulaties op petabyteschaal bewaren. Netwerken op basis van InfiniBand en RoCE verplaatsen gegevens rechtstreeks tussen GPU’s op verschillende servers, buiten de CPU’s om. Zo wordt onnodige wachttijd beperkt terwijl gedistribueerde taken sensorgegevens, de toestand van simulaties en gradiënten uitwisselen.

De experimenttools leggen ook de versieketen vast: Weights & Biases Models houdt experimenten bij, Registry koppelt een checkpoint aan de exacte dataset en trainingsrun waarmee het is gemaakt, en Weave ondersteunt traces, evaluaties en monitoring. Met die gegevens kunnen engineers een probleem dat tijdens het testen is gevonden, terugvoeren naar het betrokken modelcheckpoint, de dataset en de trainingsrun. Voor een rij­systeem waarbij veiligheid cruciaal is, ondersteunt die traceerbaarheid het vergelijken en valideren van modellen, naast de benodigde trainingscapaciteit.

Door de overeenkomst wordt de volledige iteratiecyclus onderdeel van de uitbreiding van Wayves infrastructuur. Een snellere commerciële inzet hangt af van hoe efficiënt geïntegreerde training, evaluatie en simulatie rijervaring kunnen omzetten in gevalideerde verbeteringen, met behoud van de betrouwbaarheid en traceerbaarheid die nodig zijn voor rijsoftware waarbij veiligheid cruciaal is.