Wayve treinará modelos de condução por IA na nuvem da CoreWeave com GPUs Blackwell

A CoreWeave anunciou, em 9 de novembro de 2026, um acordo plurianual para que a Wayve treine seus modelos fundacionais AI Driver na nuvem da CoreWeave, com GPUs NVIDIA Blackwell. O trabalho abrange treinamento, avaliação e simulação de um sistema que aprende com dados de condução do mundo real coletados em mais de 70 países.

A Wayve começou usando Weights & Biases e, desde então, ampliou suas operações na nuvem da CoreWeave. Essa expansão acrescenta a capacidade computacional em nuvem da CoreWeave a um processo de desenvolvimento que precisa demonstrar avanços entre versões de software, sustentar longos períodos de treinamento e oferecer observabilidade suficiente para comparar modelos e validar a segurança em grande escala.

Um ciclo de dados para modelos de condução

A Wayve está desenvolvendo o AI Driver para usos que vão de carros particulares a robotáxis. Silvius Rus, vice-presidente sênior de engenharia da empresa, descreveu como os dados globais de condução alimentam o desenvolvimento dos modelos: “Nosso AI Driver melhora com este ciclo de dados: coletamos experiências de condução no mundo real, treinamos com elas, fazemos avaliações e implantamos apenas o que supera o que já está nas ruas.” Ele espera que o acesso à nuvem de IA da CoreWeave ajude a acelerar a implantação comercial do AI Driver.

Simulação antes da implantação nas ruas

Uma visão técnica da CoreWeave sobre infraestrutura de IA física identifica o treinamento de modelos de mundo, a simulação de sensores e a avaliação em ciclo fechado como cargas de trabalho de veículos autônomos. Os veículos autônomos geram terabytes de dados de sensores por veículo, por dia. Para lidar com esse fluxo, é necessário que o armazenamento, as redes e os pipelines de treinamento operem juntos com eficiência.

O desenvolvimento de IA física continua depois da implantação, à medida que surgem novos casos extremos, o que torna o retreinamento repetido, a criação de pontos de verificação e os pipelines rápidos de dados requisitos operacionais. Como as falhas podem ter consequências para a segurança física, a maior parte do desenvolvimento de modelos passa por simulações e validações em etapas antes do uso no mundo real.

Em uma demonstração de referência da CoreWeave, independente do acordo com a Wayve, a empresa relata ter executado 1,25 milhão de simulações de veículos autônomos no CARLA em aproximadamente 12 horas, distribuídas por fragmentos independentes que usaram uma GPU cada. As execuções variaram o clima, a densidade do tráfego, os mapas, os cruzamentos e as sementes, ilustrando a variedade de condições simuladas que podem ser geradas para o desenvolvimento de modelos.

Confiabilidade em toda a pilha de treinamento

Na camada de hardware, a NVIDIA afirma que o mecanismo de confiabilidade, disponibilidade e facilidade de manutenção do Blackwell monitora continuamente milhares de pontos de dados sobre a integridade do hardware e do software para prever e evitar fontes de indisponibilidade. Ele foi projetado para identificar falhas potenciais precocemente, localizar problemas e facilitar a manutenção — recursos relevantes para os requisitos de confiabilidade de longos períodos de treinamento descritos no anúncio da CoreWeave.

Em sua plataforma mais ampla de IA física, a CoreWeave afirma que seu serviço Kubernetes orquestra tarefas de treinamento e simulação, enquanto o armazenamento distribuído e o armazenamento de objetos guardam dados de sensores e simulações em escala de petabytes. As redes InfiniBand e RoCE transferem dados diretamente entre GPUs instaladas em diferentes servidores, contornando as CPUs para reduzir o tempo ocioso de espera enquanto as tarefas distribuídas trocam dados de sensores, estados de simulação e gradientes.

As ferramentas de experimentação acrescentam o histórico de versões: Weights & Biases Models acompanha os experimentos, Registry associa um ponto de verificação ao conjunto de dados exato e à execução de treinamento que o gerou, e Weave oferece suporte a rastreamentos, avaliações e monitoramento. Esses registros permitem que os engenheiros partam de um problema identificado nos testes e localizem o ponto de verificação do modelo, o conjunto de dados e a execução de treinamento envolvidos. Em um sistema de condução crítico para a segurança, essa rastreabilidade facilita a comparação e a validação, além de garantir capacidade de treinamento.

O acordo incorpora todo o ciclo de iteração à expansão da infraestrutura da Wayve. A aceleração da implantação comercial depende da eficiência com que o treinamento, a avaliação e a simulação integrados transformam a experiência de condução em melhorias validadas, mantendo a confiabilidade e a rastreabilidade necessárias para softwares de condução críticos para a segurança.