CoreWeave coloca engenheiros de campo nas equipes dos clientes para IA física

CoreWeave anunciou em 10 de setembro de 2026 o lançamento de Physical AI Field Engineering, uma oferta que combina equipes de clientes com especialistas de domínio do provedor de nuvem para construir, validar e implantar IA ao longo de todo o ciclo de vida de engenharia, desde pesquisa e desenvolvimento até operações em campo.

O anúncio, datado em Livingston, Nova Jérsia, informou que o serviço foi desenvolvido com base na equipe e nos métodos que a CoreWeave adquiriu com a Monolith AI e funciona na própria plataforma da CoreWeave e na solução integrada de IA de engenharia. Dentro da oferta, engenheiros da CoreWeave com experiência em automotivo, aeroespacial e engenharia mecânica trabalham lado a lado com a equipe do cliente, criando modelos a partir dos dados que o cliente já possui, incluindo resultados de bancadas de teste, saídas de simulação, sensores de produção e telemetria em tempo real. Cada modelo é validado contra a física real dos sistemas do cliente até que se comprove em prática.

A CoreWeave descreveu IA física como a área onde a lacuna entre expertise de domínio e IA aplicada é maior, um contexto em que integrar IA aos processos de engenharia impõe requisitos de explicabilidade, precisão, repetibilidade e segurança. Segundo a empresa, os modelos nesse cenário falham mais frequentemente por causa dos dados do que por limitações de arquitetura ou computação, e fechar essa lacuna exige engenheiros que compreendam assuntos como dinâmica de combustão ou cargas aeroespaciais e que também possam construir e validar um modelo de aprendizado de máquina. Para equipes nativas em IA, a lacuna funciona ao contrário: a expertise em modelagem existe, mas a física dos sistemas que esses modelos devem atender não.

Histórico em Mais de 100 Projetos

A CoreWeave afirmou que a abordagem já foi aplicada em mais de 100 projetos de engenharia nos setores automotivo, aeroespacial e de robótica. Para a Aston Martin Aramco Formula One Team, os engenheiros da empresa foram incorporados ao local durante fins de semana de corrida ao vivo e construíram um modelo de transcrição que atingiu precisão de produção após treinamento com sete horas de áudio de corrida anotado manualmente, refinado em 75 iterações. A plataforma agora processa 40 canais de rádio simultaneamente, rapidez suficiente, segundo a CoreWeave, para responder a uma questão de estratégia de pneus dentro de uma janela de pit que se encerra em menos de trinta segundos.

Emma Deutsch, Diretora de Engenharia e Operações de Teste no Nissan Technical Centre Europe, disse que a IA está ajudando a Nissan a extrair mais valor dos dados de engenharia e teste que gera diariamente. Segundo ela, seus engenheiros conseguem usar os modelos para concentrar seu trabalho na entrega de veículos que mantêm a qualidade, segurança e confiabilidade fundamentais à Nissan.

A página oficial do produto exibe os logotipos de organizações como Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics e Kautex Textron. A página também traz um depoimento de Tomoki Takahashi, Diretor Técnico do JOTA Group, que afirmou: “A razão de essa colaboração funcionar é que estamos experimentando juntos, não apenas recebendo uma ferramenta.”

Modelo de Engajamento e Quatro Áreas de Foco

Os engajamentos começam com um workshop de escopo presencial, onde a CoreWeave e a equipe do cliente mapeiam fluxos de trabalho de engenharia, analisam os maiores pontos críticos e alinham prioridades e um cronograma realista antes que qualquer modelo seja construído. A página do produto descreve dois pontos de entrada: um workshop de descoberta de caso de uso ou, para clientes que já possuem um caso de uso específico, um workshop de viabilidade técnica que avalia os dados do cliente e valida a abordagem.

A partir daí, o trabalho abrange quatro áreas. Estratégia identifica quais problemas realmente valem ser resolvidos com IA e quais dados são úteis para isso. Infraestrutura de simulação provisiona a GPU, armazenamento e pilha de simulação que um caso de uso específico necessita, com engenheiros de campo conectando os clientes à plataforma mais ampla de IA física da CoreWeave para design completo de infraestrutura e escalabilidade. Dados do mundo real transformam dados dispersos de teste, sensores e produção em modelos que prevêem um resultado, detectam uma anomalia ou explicam uma falha. Aprendizado agente converte o que o modelo encontra em mudanças no mundo físico: um sistema recalibrado para operar melhor, uma falha detectada antes de se tornar um problema, ou um robô executando uma habilidade treinada.

Os entregáveis são aplicações funcionais, otimizadores e painéis de controle implantados diretamente nos fluxos de trabalho existentes. Os próprios engenheiros do cliente ajudam a definir o problema e acompanham a construção do modelo e, uma vez implantado, operam-no, fazem alterações e re-treinam-no conforme necessário, sem precisar acionar a CoreWeave. A página do produto contrapõe esse modelo às consultorias de IA, afirmando que consultores entregam recomendações enquanto a CoreWeave entrega aplicações funcionais construídas por engenheiros incorporados aos fluxos de trabalho do cliente e alimentadas por sua própria infraestrutura de computação.

Pilha de IA de Engenharia e Resultados Reportados

Todo engajamento roda na mesma solução integrada de IA de engenharia: Weights & Biases para rastreamento de experimentos e gerenciamento de modelos, marimo para exploração de dados e CoreWeave ARIA para aprimoramento contínuo de modelos e agentes, combinados com bibliotecas de domínio desenvolvidas para detecção de anomalias, redução de testes e otimização de sistemas. A CoreWeave informou que o trabalho opera dentro do loop de IA que percorre sua plataforma, com uma diferença: na IA física, o loop se fecha contra o hardware em vez de contra o tráfego de usuários.

A página do produto relata resultados de programas de engenharia entregues, observando que alguns clientes foram anonimados por acordos de confidencialidade. Os números incluem testes de calibração reduzidos a apenas um dia usando dados já disponíveis, 35% menos testes de caracterização necessários para validar os melhores candidatos de teste e uma redução de 20 vezes na captura de dados necessária para alcançar a precisão alvo.

“Equipes de engenharia não adotam um novo método porque um fornecedor o demonstrou uma vez em um demo. Elas o adotam depois de vê-lo se sustentar em seus próprios sistemas,” disse Richard Ahlfeld, Vice‑Presidente Sênior de IA Física na CoreWeave. Isso, segundo ele, explica por que a empresa envia engenheiros que falam a mesma linguagem da equipe do cliente e constroem sobre os próprios dados do cliente: a infraestrutura, a pilha de IA de engenharia e os engenheiros são todos da CoreWeave.

O anúncio também destacou os resultados da CoreWeave no benchmark MLPerf, sua posição como a única nuvem de IA a conquistar a classificação Platinum máxima tanto no SemiAnalysis ClusterMAX 1.0 quanto no 2.0, e sua classificação de destaque em velocidade de inferência e relação preço‑desempenho para o modelo Kimi K2.6 da Moonshot AI em avaliações independentes conduzidas pela Artificial Analysis.

Dan O’Brien, Presidente e Diretor de Operações da Futurum, afirmou que a parte mais desafiadora da IA industrial é que a pessoa que entende o domínio e a pessoa que pode construir o modelo de IA quase nunca são a mesma pessoa. Engenheiros que já falam a linguagem do domínio e podem deixar algo que as próprias equipes do cliente operem entregam um resultado muito melhor do que consultores que aprendem o domínio no tempo do cliente, disse.