Wayve będzie trenować modele AI Driver w chmurze CoreWeave z użyciem układów GPU Blackwell

CoreWeave poinformowało 9 listopada 2026 r. o wieloletniej umowie, na mocy której Wayve będzie trenować swoje modele bazowe AI Driver w chmurze CoreWeave z użyciem układów GPU NVIDIA Blackwell. Prace obejmą trenowanie, ewaluację i symulacje na potrzeby systemu, który uczy się na podstawie rzeczywistych danych z jazdy zebranych w ponad 70 krajach.

Wayve rozpoczęło współpracę z Weights & Biases, a następnie przeniosło działalność na większą skalę do chmury CoreWeave. Rozszerzenie współpracy zapewnia dostęp do mocy obliczeniowej chmury CoreWeave i wspiera proces rozwoju, który wymaga wykazywania postępów między kolejnymi wersjami oprogramowania, prowadzenia długotrwałych treningów oraz zapewnienia odpowiedniej obserwowalności, by porównywać modele i weryfikować bezpieczeństwo na dużą skalę.

Koło zamachowe danych dla modeli jazdy

Wayve rozwija system AI Driver do zastosowań obejmujących zarówno samochody prywatne, jak i robotaksówki. Silvius Rus, starszy wiceprezes ds. inżynierii w firmie, opisał, jak globalne dane z jazdy wspierają rozwój modeli: „Nasz AI Driver doskonali się dzięki temu kołu zamachowemu danych: gromadzimy doświadczenia z rzeczywistej jazdy, trenujemy na ich podstawie, oceniamy wyniki i wdrażamy wyłącznie rozwiązania, które przewyższają to, co już jeździ po drogach”. Rus spodziewa się, że dostęp do chmury AI CoreWeave pomoże przyspieszyć komercyjne wdrożenie systemu AI Driver.

Symulacje przed wyjazdem na drogę

Przegląd techniczny infrastruktury CoreWeave dla fizycznej AI wskazuje trenowanie modeli świata, symulację działania czujników i ewaluację w pętli zamkniętej jako obciążenia związane z pojazdami autonomicznymi. Pojazdy autonomiczne generują terabajty danych z czujników na pojazd każdego dnia. Obsługa takiego strumienia wymaga wydajnej współpracy systemów pamięci masowej, sieci i potoków treningowych.

Rozwój fizycznej AI trwa także po wdrożeniu, ponieważ pojawiają się nowe sytuacje brzegowe, przez co ponowne trenowanie, tworzenie punktów kontrolnych i szybkie potoki danych stają się wymogami operacyjnymi. Ponieważ awarie mogą zagrażać bezpieczeństwu fizycznemu, większość prac nad modelami odbywa się w symulacjach i w ramach etapowej walidacji, zanim zostaną one wykorzystane w rzeczywistych warunkach.

W demonstracji referencyjnej CoreWeave, niezwiązanej z umową z Wayve, firma informuje o przeprowadzeniu 1,25 miliona symulacji pojazdów autonomicznych CARLA w około 12 godzin, na niezależnych fragmentach zadań, z których każdy wykorzystywał jeden układ GPU. W symulacjach zmieniano pogodę, natężenie ruchu, mapy, skrzyżowania i wartości początkowe, pokazując zakres warunków, które można wygenerować na potrzeby rozwoju modeli.

Niezawodność całego stosu treningowego

W odniesieniu do warstwy sprzętowej NVIDIA informuje, że silnik niezawodności, dostępności i serwisowalności układów Blackwell nieustannie monitoruje tysiące wskaźników kondycji sprzętu i oprogramowania, aby przewidywać źródła przestojów i zapobiegać im. Został zaprojektowany tak, by wcześnie wykrywać potencjalne usterki, lokalizować problemy i ułatwiać konserwację. Funkcje te odpowiadają wymaganiom niezawodnościowym stawianym długotrwałym treningom, opisanym w komunikacie CoreWeave.

Jak podaje CoreWeave, w ramach szerszej platformy fizycznej AI usługa Kubernetes koordynuje zadania związane z trenowaniem i symulacjami, a rozproszona pamięć masowa i pamięć obiektowa przechowują petabajtowe zbiory danych z czujników i symulacji. Sieci InfiniBand i RoCE przesyłają dane bezpośrednio między układami GPU w różnych serwerach, z pominięciem procesorów CPU, co ogranicza bezczynne oczekiwanie podczas wymiany danych z czujników, stanu symulacji i gradientów między rozproszonymi zadaniami.

Narzędzia do eksperymentów pozwalają śledzić historię wersji: Weights & Biases Models rejestruje eksperymenty, Registry łączy punkt kontrolny z dokładnym zbiorem danych i przebiegiem treningowym, które go wygenerowały, a Weave obsługuje ślady, ewaluacje i monitorowanie. Zapisy te umożliwiają inżynierom prześledzenie problemu wykrytego podczas testów aż do powiązanego z nim punktu kontrolnego modelu, zbioru danych i przebiegu treningowego. W przypadku systemu jazdy o krytycznym znaczeniu dla bezpieczeństwa taka identyfikowalność wspiera porównywanie i walidację, uzupełniając możliwości treningowe.

Umowa sprawia, że cały cykl iteracji staje się częścią rozbudowy infrastruktury Wayve. Przyspieszenie komercyjnego wdrożenia zależy od tego, jak skutecznie zintegrowane trenowanie, ewaluacja i symulacje potrafią przekształcać doświadczenia z jazdy w zwalidowane ulepszenia, przy jednoczesnym zachowaniu niezawodności i identyfikowalności wymaganych w oprogramowaniu do jazdy o krytycznym znaczeniu dla bezpieczeństwa.