CoreWeave umieszcza inżynierów terenowych w zespołach klientów dla fizycznej AI

CoreWeave ogłosiło 10 września 2026 r. uruchomienie Physical AI Field Engineering, oferty łączącej zespoły klientów ze specjalistami dziedzinowymi dostawcy chmury w celu budowania, weryfikacji i wdrażania AI na całym cyklu życia inżynierii, od badań i rozwoju po operacje w terenie.

W komunikacie, datowanym w Livingston, New Jersey, podano, że usługa opiera się na zespole i metodach, które CoreWeave nabyło wraz z Monolith AI, i działa na własnej platformie CoreWeave oraz zintegrowanym rozwiązaniu AI dla inżynierii. W ramach oferty inżynierowie CoreWeave z doświadczeniem w motoryzacji, lotnictwie i inżynierii mechanicznej współpracują z zespołem klienta, tworząc modele na podstawie danych już posiadanych przez klienta, w tym wyników testów stanowiskowych, wyników symulacji, czujników produkcyjnych oraz bieżącej telemetrii. Każdy model jest weryfikowany względem rzeczywistej fizyki systemów klienta, aż do momentu, gdy sprawdzi się w praktyce.

CoreWeave opisało physical AI jako obszar, w którym luka między wiedzą dziedzinową a zastosowaną sztuczną inteligencją jest największa, gdzie integracja AI z procesami inżynieryjnymi wprowadza wymogi dotyczące wyjaśnialności, dokładności, powtarzalności i bezpieczeństwa. Modele w tym kontekście częściej zawodzą z powodu danych niż z powodu architektury czy mocy obliczeniowej, jak podkreśliła firma, a zamknięcie luki wymaga inżynierów rozumiejących takie zagadnienia jak dynamika spalania czy obciążenia w lotnictwie oraz potrafiących tworzyć i weryfikować modele uczenia maszynowego. W zespołach natywnych dla AI luka przebiega w drugą stronę: istnieje wiedza modelowa, ale brakuje fizyki systemów, które modele mają obsługiwać.

Rekord ponad 100 projektów

CoreWeave poinformowało, że podejście zostało już zastosowane w ponad 100 projektach inżynieryjnych w sektorach motoryzacji, lotnictwa i robotyki. Dla zespołu Aston Martin Aramco Formula One inżynierowie firmy byli osadzeni na miejscu podczas weekendów wyścigowych i stworzyli model transkrypcji, który osiągnął dokładność produkcyjną po treningu na siedmiu godzinach ręcznie anotowanego dźwięku wyścigu, udoskonalanego w 75 iteracjach. Platforma przetwarza teraz jednocześnie 40 kanałów radiowych, co, jak podkreśliło CoreWeave, wystarcza, aby w ciągu mniej niż trzydziestu sekund odpowiedzieć na pytanie o strategię opon w oknie serwisowym.

Emma Deutsch, dyrektor ds. inżynierii i operacji testowych w Nissan Technical Centre Europe, powiedziała, że AI pomaga Nissanowi wydobywać większą wartość z danych inżynieryjnych i testowych generowanych codziennie. Jej inżynierowie, jak podkreśliła, mogą wykorzystać modele, aby skoncentrować swoją pracę na dostarczaniu pojazdów zachowujących jakość, bezpieczeństwo i niezawodność będące podstawą Nissana.

Oficjalna strona produktu oferty wyświetla loga organizacji, takich jak Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics oraz Kautex Textron. Strona zawiera także referencję od Tomokiego Takahashi, dyrektora technicznego grupy JOTA, który powiedział: „Powodem, dla którego ta współpraca działa, jest to, że eksperymentujemy razem, a nie po prostu otrzymujemy narzędzie.”

Model współpracy i cztery obszary fokusowe

Współprace rozpoczynają się od warsztatu określania zakresu na miejscu, w którym CoreWeave i zespół klienta mapują przepływy pracy inżynieryjnej, analizują największe problemy i uzgadniają priorytety oraz realistyczny harmonogram przed rozpoczęciem budowy modelu. Strona produktu opisuje dwa punkty wejścia: warsztat odkrywania przypadków użycia lub, dla klientów posiadających już konkretny przypadek, warsztat oceny technicznej wykonalności, który ocenia dane klienta i weryfikuje podejście.

Stamtąd praca obejmuje cztery obszary. Strategia określa, które problemy naprawdę warto rozwiązywać przy użyciu AI i które dane są warte dalszego rozwoju. Infrastruktura symulacji uruchamia GPU, pamięć i stos symulacyjny potrzebny konkretnemu przypadkowi, przy czym inżynierowie terenowi łączą klientów z szerszą platformą physical AI CoreWeave w celu pełnego projektowania i skalowania infrastruktury. Dane rzeczywiste przekształcają rozproszone dane testowe, czujnikowe i produkcyjne w modele przewidujące wynik, wykrywające anomalię lub wyjaśniające awarię. Uczenie agentowe przekształca odkrycia modelu w zmiany w świecie fizycznym: system skalibrowany, aby działał lepiej, usterka wykryta, zanim stanie się awarią, lub robot wykonujący wytrenowaną umiejętność.

Rezultatem są działające aplikacje, optymalizatory i pulpity nawigacyjne wdrażane bezpośrednio w istniejące przepływy pracy. Inżynierowie klienta pomagają definiować problem i obserwują budowę modelu, a po wdrożeniu sami go obsługują, wprowadzają zmiany i ponownie trenują w razie potrzeby, zamiast kontaktować się z CoreWeave. Strona produktu zestawia ten model z firmami konsultingowymi AI, podkreślając, że konsultanci dostarczają rekomendacji, podczas gdy CoreWeave dostarcza działające aplikacje tworzone przez inżynierów osadzonych w przepływach pracy klienta i zasilane własną mocą obliczeniową.

Stos AI inżynieryjny i zgłoszone wyniki

Każde zaangażowanie odbywa się na tej samej zintegrowanej platformie AI dla inżynierii: Weights & Biases do śledzenia eksperymentów i zarządzania modelami, marimo do eksploracji danych oraz CoreWeave ARIA do ciągłego doskonalenia modeli i agentów, w połączeniu z bibliotekami dziedzinowymi przeznaczonymi do wykrywania anomalii, redukcji testów i optymalizacji systemu. CoreWeave podkreśliło, że praca odbywa się w ramach pętli AI działającej na ich platformie, z jedną różnicą: w physical AI pętla zamyka się na sprzęcie, a nie na ruchu użytkowników.

Strona produktu podaje wyniki zrealizowanych programów inżynieryjnych, zaznaczając, że niektórzy klienci zostali anonimowi ze względu na umowy o poufności. Dane obejmują skrócenie testów kalibracyjnych do jednego dnia przy użyciu już dostępnych danych, 35 % mniej testów charakteryzujących potrzebnych do weryfikacji najlepszych kandydatów oraz 20‑krotne zmniejszenie ilości danych potrzebnych do osiągnięcia docelowej dokładności.

„Zespoły inżynieryjne nie przyjmują nowej metody, ponieważ dostawca pokazał ją raz w demonstracji. Przyjmują ją, gdy zobaczą, że sprawdza się w ich własnych systemach” – powiedział Richard Ahlfeld, starszy wiceprezes ds. Physical AI w CoreWeave. Według niego dlatego firma wysyła inżynierów, którzy mówią tym samym językiem co zespół przy stole, i buduje na własnych danych klienta: infrastruktura, stos AI inżynieryjny i inżynierowie należą do CoreWeave.

Ogłoszenie podkreśliło także wyniki benchmarku MLPerf firmy CoreWeave, jej pozycję jako jedynej chmury AI, która zdobyła najwyższą rangę Platinum w obu wersjach SemiAnalysis ClusterMAX 1.0 i 2.0, oraz czołowe miejsce pod względem szybkości inferencji i stosunku ceny do wydajności dla modelu Kimi K2.6 firmy Moonshot AI w niezależnym benchmarku przeprowadzonym przez Artificial Analysis.

Dan O’Brien, prezes i dyrektor operacyjny w Futurum, stwierdził, że najtrudniejszą częścią przemysłowej AI jest fakt, że osoba rozumiejąca dziedzinę i osoba potrafiąca zbudować model AI prawie nigdy nie są tą samą osobą. Inżynierowie, którzy już znają język i mogą pozostawić coś, co będą obsługiwać własni pracownicy klienta, zapewniają znacznie lepszy rezultat niż konsultanci, którzy uczą się dziedziny w czasie klienta – powiedział.