CoreWeave plasserer feltingeniører i kundeteam for fysisk AI

CoreWeave kunngjorde 10. september 2026 lanseringen av Physical AI Field Engineering, et tilbud som kobler kundeteam med skyleverandørens domenespesialister for å bygge, validere og distribuere AI gjennom hele ingeniørlivssyklusen, fra forskning og utvikling til drift i felten.

Kunngjøringen, datert i Livingston, New Jersey, opplyser at tjenesten er bygget på teamet og metodene CoreWeave fikk gjennom oppkjøpet av Monolith AI, og kjører på CoreWeave sin egen plattform og integrerte ingeniør‑AI‑løsning. I henhold til tilbudet arbeider CoreWeave‑ingeniører med bakgrunn fra bil, luftfart og maskinteknikk side‑om‑side med kundens eget team, og bygger modeller fra data kunden allerede eier, inkludert testbenksresultater, simuleringsutdata, produksjonssensorer og sanntidstelemetri. Hver modell valideres mot den faktiske fysikken i kundens systemer til den holder i praksis.

CoreWeave beskrev physical AI som området hvor gapet mellom domenekunnskap og anvendt AI er størst, et område hvor integrering av AI i ingeniørprosesser stiller krav til forklarbarhet, nøyaktighet, reproduserbarhet og sikkerhet. Ifølge selskapet feiler modeller i dette miljøet på data langt oftere enn på arkitektur eller beregning, og for å lukke gapet trengs ingeniører som forstår fag som forbrenningsdynamikk eller luftfartsbelastninger og som også kan bygge og validere en maskinlæringsmodell. For AI‑innfødte team går gapet den andre veien: modelleringsekspertisen finnes, men fysikken i systemene modellene skal betjene gjør det ikke.

Resultater fra mer enn 100 prosjekter

CoreWeave opplyser at tilnærmingen allerede er brukt i mer enn 100 ingeniørprosjekter innen bil, luftfart og robotikk. For Aston Martin Aramco Formula One Team var selskapets ingeniører innlemmet på stedet under levende løpshelger og bygde en transkripsjonsmodell som oppnådde produksjonsnøyaktighet etter trening på syv timer med håndannotert løpslyd, raffinert gjennom 75 iterasjoner. Plattformen behandler nå 40 radiokanaler samtidig, raskt nok, sier CoreWeave, til å svare på et dekkstrategispørsmål innen et pit‑vindu som lukkes på under tretti sekunder.

Emma Deutsch, Director of Engineering and Test Operations ved Nissan Technical Centre Europe, sier at AI hjelper Nissan med å hente ut større verdi fra ingeniør‑ og testdataene de genererer hver dag. Ingeniørene, sier hun, kan bruke modellene til å fokusere arbeidet på å levere kjøretøy som opprettholder den kvaliteten, sikkerheten og påliteligheten som er grunnleggende for Nissan.

Det offisielle produktsiden for tilbudet official product page viser logoene til organisasjoner som Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics og Kautex Textron. Siden inneholder også en uttalelse fra Tomoki Takahashi, Technical Director i JOTA Group, som sa: “Grunnen til at dette samarbeidet fungerer er at vi eksperimenterer sammen, i stedet for bare å få et verktøy overlevert.”

Engasjementsmodell og fire fokusområder

Engasjementer starter med en workshop på stedet for å avklare omfang, hvor CoreWeave og kundens team kartlegger ingeniørarbeidsflyter, undersøker de største smertepunktene, og blir enige om prioriteringer og en realistisk tidsplan før noen modell bygges. Produktsiden beskriver to inngangspunkter: en workshop for å oppdage brukstilfeller, eller, for kunder som allerede har et spesifikt brukstilfelle, en teknisk gjennomførbarhetsworkshop som vurderer kundens data og validerer tilnærmingen.

Deretter dekker arbeidet fire områder. Strategi identifiserer hvilke problemer som faktisk er verdt å løse med AI og hvilke data som er verdt å bygge på. Simuleringsinfrastruktur setter opp GPU‑, lagrings‑ og simuleringsstakken som et spesifikt brukstilfelle krever, med feltingeniører som kobler kundene inn i CoreWeave sin bredere fysiske AI‑plattform for full infrastrukturdesign og skalering. Virkelige data omdanner spredte test‑, sensor‑ og produksjonsdata til modeller som forutsier et resultat, oppdager en avvik eller forklarer en feil. Agentisk læring gjør det modellen finner om til endringer i den fysiske verden: et system som blir kalibrert for bedre ytelse, en feil oppdaget før den blir en svikt, eller en robot som utfører en trent ferdighet.

Leveransene er fungerende applikasjoner, optimaliseringsverktøy og dashbord som distribueres direkte inn i eksisterende arbeidsflyter. Kundens egne ingeniører hjelper med å definere problemet og ser modellen bli bygget, og når den er distribuert, drifter de den, gjør endringer og trener den på nytt etter behov i stedet for å kontakte CoreWeave. Produktsiden sammenligner denne modellen med AI‑konsulentselskaper, og påpeker at konsulenter leverer anbefalinger mens CoreWeave leverer fungerende applikasjoner bygget av ingeniører som er innlemmet i kundens arbeidsflyter og drevet av sin egen beregningskapasitet.

Ingeniør‑AI‑stabel og rapporterte resultater

Alle engasjementer kjører på den samme integrerte ingeniør‑AI‑løsningen: Weights & Biases for eksperimentsporing og modelladministrasjon, marimo for datautforskning, og CoreWeave ARIA for kontinuerlig modell‑ og agentforbedring, kombinert med domenebiblioteker utviklet for avviksdeteksjon, testreduksjon og systemoptimalisering. CoreWeave sier at arbeidet opererer innenfor AI‑sløyfen som kjøres på plattformen, med én forskjell: i fysisk AI lukkes sløyfen mot maskinvare i stedet for brukertrafikk.

Produktsiden rapporterer resultater fra leverte ingeniørprogrammer, og bemerker at noen kunder er anonymisert under konfidensialitetsavtaler. Tallene inkluderer kalibreringstesting som er redusert til så kort som én dag ved bruk av allerede tilgjengelige data, 35 % færre karakteriseringstester nødvendig for å validere de beste testkandidatene, og en 20‑ganger reduksjon i datainnsamlingen som kreves for å nå mål‑nøyaktighet.

“Ingeniørteam adopterer ikke en ny metode fordi en leverandør demonstrerte den én gang i en demo. De adopterer den når de har sett at den holder i deres egne systemer,” sa Richard Ahlfeld, Senior Vice President for Physical AI hos CoreWeave. Det, sier han, er grunnen til at selskapet sender ingeniører som snakker samme språk som teamet ved bordet og bygger på kundens egne data: infrastrukturen, ingeniør‑AI‑stabelen og ingeniørene er alle CoreWeave sine.

Kunngjøringen fremhevet også CoreWeave sine MLPerf‑benchmarkresultater, deres posisjon som den eneste AI‑skyen som oppnår den høyeste Platinum‑rangeringen i både SemiAnalysis ClusterMAX 1.0 og 2.0, samt deres topp‑rangering for inferenshastighet og pris‑ytelse for Moonshot AI sin Kimi K2.6‑modell i uavhengig benchmarking utført av Artificial Analysis.

Dan O’Brien, President og Chief Operating Officer i Futurum, sa at den mest utfordrende delen av industri‑AI er at personen som forstår domenet og personen som kan bygge AI‑modellen nesten aldri er den samme. Ingeniører som allerede snakker språket og kan etterlate noe kundens egne folk kan drifte, leverer et langt bedre resultat enn konsulenter som lærer domenet på kundens tid, sier han.