Wayve skal trene AI Driver-modeller i CoreWeave Cloud med Blackwell-GPU-er

CoreWeave kunngjorde 9. november 2026 en flerårig avtale som innebærer at Wayve skal trene grunnmodellene for AI Driver i CoreWeave Cloud med NVIDIA Blackwell-GPU-er. Arbeidet omfatter trening, evaluering og simulering av et system som lærer av reelle kjøredata samlet inn i mer enn 70 land.

Wayve startet med Weights & Biases og har siden skalert opp til CoreWeave Cloud. Utvidelsen tilfører CoreWeaves skybaserte datakraft til en utviklingsprosess som må vise framgang mellom programvareversjoner, støtte lange treningskjøringer og gi tilstrekkelig innsyn til å sammenligne modeller og validere sikkerheten i stor skala.

En datadrevet læringssløyfe for kjøremodeller

Wayve utvikler AI Driver for bruk i alt fra privatbiler til robotdrosjer. Silvius Rus, selskapets senior visepresident for ingeniørvirksomhet, beskrev hvordan globale kjøredata brukes i modellutviklingen: «AI Driver blir bedre ved å kjøre denne datadrevne læringssløyfen: samle inn erfaring fra kjøring i den virkelige verden, trene på den, evaluere den og bare ta i bruk det som presterer bedre enn det som allerede finnes på veiene.» Han forventer at tilgang til CoreWeaves KI-sky vil bidra til å framskynde kommersiell utrulling av AI Driver.

Simulering før bruk på veiene

En teknisk oversikt fra CoreWeave over infrastruktur for fysisk KI identifiserer trening av verdensmodeller, sensorsimulering og evaluering med lukket sløyfe som arbeidsoppgaver for autonome kjøretøy. Autonome kjøretøy genererer terabyte med sensordata per kjøretøy per dag. For å håndtere denne datamengden må lagring, nettverk og treningsrørledninger fungere effektivt sammen.

Utviklingen av fysisk KI fortsetter etter utrulling etter hvert som nye grensetilfeller dukker opp, noe som gjør gjentatt trening, lagring av kontrollpunkter og raske datarørledninger til driftsmessige krav. Siden feil kan få fysiske sikkerhetskonsekvenser, foregår det meste av modellutviklingen gjennom simulering og trinnvis validering før bruk i den virkelige verden.

I en referansedemonstrasjon fra CoreWeave, som er uavhengig av Wayve-avtalen, opplyser selskapet at det kjørte 1,25 millioner simuleringer av autonome kjøretøy i CARLA på omtrent 12 timer, fordelt på uavhengige partisjoner med én GPU hver. Kjøringene varierte vær, trafikktetthet, kart, veikryss og tilfeldige frø, og illustrerer bredden av simulerte forhold som kan genereres for modellutvikling.

Pålitelighet gjennom hele treningsstakken

Når det gjelder maskinvarelaget, opplyser NVIDIA at Blackwells motor for pålitelighet, tilgjengelighet og servicevennlighet kontinuerlig overvåker tusenvis av datapunkter om maskinvare- og programvaretilstand for å forutsi og avverge årsaker til driftsstans. Den er utviklet for å identifisere mulige feil tidlig, lokalisere problemer og støtte vedlikehold – egenskaper som er relevante for kravene til pålitelighet ved lange treningskjøringer, slik de er beskrevet i CoreWeaves kunngjøring.

CoreWeave sier at selskapets bredere plattform for fysisk KI bruker Kubernetes Service til å styre trenings- og simuleringsjobber, mens distribuert lagring og objektlagring håndterer sensordata og simuleringsdata i petabyteskala. Nettverksteknologiene InfiniBand og RoCE overfører data direkte mellom GPU-er på tvers av servere og omgår CPU-ene for å redusere ventetid mens distribuerte jobber utveksler sensordata, simuleringstilstand og gradienter.

Eksperimentverktøyene gir også sporbarhet mellom versjoner: Weights & Biases Models sporer eksperimenter, Registry knytter et kontrollpunkt til det nøyaktige datasettet og den treningskjøringen som produserte det, og Weave støtter spor, evalueringer og overvåking. Disse registreringene gir ingeniørene en vei fra et problem som oppdages under testing, tilbake til det aktuelle modellkontrollpunktet, datasettet og treningskjøringen. For et kjøresystem der sikkerheten er kritisk, gjør denne sporbarheten det mulig å sammenligne og validere modeller, i tillegg til å ha tilstrekkelig treningskapasitet.

Avtalen gjør hele iterasjonssyklusen til en del av Wayves infrastrukturutvidelse. Raskere kommersiell utrulling avhenger av hvor effektivt integrert trening, evaluering og simulering kan omsette kjøreerfaring til validerte forbedringer, samtidig som påliteligheten og sporbarheten som kreves for sikkerhetskritisk kjøretøyprogramvare, ivaretas.