CoreWeave помещает полевых инженеров в команды клиентов для физического ИИ

CoreWeave объявила 10 сентября 2026 года о запуске Physical AI Field Engineering, предложения, которое соединяет команды заказчиков со специалистами облачного провайдера по предметной области для создания, валидации и развертывания ИИ на протяжении полного инженерного жизненного цикла, от исследований и разработок до эксплуатации в полевых условиях.

В объявлении, датированном Ливингстоном, Нью-Джерси, говорится, что сервис построен на команде и методах, которые CoreWeave приобрела у Monolith AI, и работает на собственной платформе CoreWeave и интегрированном решении инженерного ИИ. В рамках предложения инженеры CoreWeave с опытом в автомобильной, аэрокосмической и механической инженерии работают бок о бок с командой заказчика, создавая модели из уже имеющихся у клиента данных, включая результаты испытательных стендов, результаты симуляций, данные производственных датчиков и живую телеметрию. Каждая модель проверяется на соответствие реальной физике систем заказчика, пока не подтвердит свою практическую применимость.

CoreWeave охарактеризовала physical AI как область, где разрыв между предметной экспертизой и прикладным ИИ наиболее велик, и где интеграция ИИ в инженерные процессы накладывает требования к объяснимости, точности, повторяемости и безопасности. По словам компании, модели в такой среде чаще всего «проваливаются» из‑за проблем с данными, а не из‑за архитектуры или вычислительных ресурсов, и преодоление разрыва требует инженеров, понимающих такие темы, как динамика сгорания или аэрокосмические нагрузки, и способных одновременно создавать и валидировать модели машинного обучения. Для команд, ориентированных на ИИ, разрыв имеет обратную направленность: экспертиза моделирования присутствует, но физика систем, для которых предназначены модели, отсутствует.

Опыт более 100 проектов

CoreWeave заявила, что подход уже применялся более чем в 100 инженерных проектах в автомобильной, аэрокосмической и робототехнической сферах. Для команды Aston Martin Aramco Formula One инженеры компании были внедрены на месте во время живых гоночных уикендов и создали модель транскрипции, достигшую производственной точности после обучения на семи часах вручную аннотированных аудио гонок, отточенной за 75 итераций. Платформа теперь обрабатывает 40 радиоканалов одновременно, достаточно быстро, чтобы ответить на вопрос о стратегии шин в окне пит‑стопа, которое закрывается менее чем за тридцать секунд, сообщает CoreWeave.

Эмма Дойч, директор по инженерии и тестовым операциям в Nissan Technical Centre Europe, отметила, что ИИ помогает Nissan извлекать большую ценность из инженерных и тестовых данных, которые генерируются каждый день. По её словам, инженеры могут использовать модели, чтобы сосредоточить свою работу на поставке автомобилей, сохраняющих качество, безопасность и надёжность, характерные для Nissan.

Официальная страница продукта демонстрирует логотипы таких организаций, как Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics и Kautex Textron. На странице также размещён отзыв Томоки Такахаши, технического директора группы JOTA, который сказал: «Причина, по которой это сотрудничество работает, заключается в том, что мы экспериментируем вместе, а не просто получаем готовый инструмент».

Модель взаимодействия и четыре ключевых направления

Взаимодействие начинается с очного воркшопа по определению объёма, где CoreWeave и команда заказчика совместно картируют инженерные рабочие процессы, выявляют основные болевые точки и согласовывают приоритеты и реалистичный график до начала создания модели. На странице продукта описаны два входных пути: воркшоп по выявлению сценариев использования или, для клиентов, уже имеющих конкретный сценарий, технический воркшоп по оценке данных заказчика и проверке жизнеспособности подхода.

Далее работа охватывает четыре области. Стратегия определяет, какие задачи действительно стоит решать с помощью ИИ и какие данные пригодны для построения моделей. Инфраструктура симуляции разворачивает GPU, хранилище и стек симуляций, необходимые конкретному сценарию, при этом полевые инженеры подключают заказчиков к более широкой платформе физического ИИ CoreWeave для полного проектирования и масштабирования инфраструктуры. Реальные данные превращают разрозненные тестовые, сенсорные и производственные данные в модели, предсказывающие результат, выявляющие аномалии или объясняющие отказы. Агентное обучение преобразует выводы модели в изменения в физическом мире: система перенастраивается для лучшей работы, дефект фиксируется до того, как превратится в отказ, или робот исполняет обученный навык.

Результатом являются работающие приложения, оптимизаторы и панели управления, внедрённые непосредственно в существующие рабочие процессы. Инженеры заказчика помогают формулировать задачу и наблюдают за построением модели, а после её развертывания управляют ею, вносят изменения и переобучают её по мере необходимости, без обращения к CoreWeave. На странице продукта сравнивается эта модель с моделью ИИ‑консалтингов, где консультанты предоставляют рекомендации, тогда как CoreWeave поставляет готовые рабочие приложения, созданные инженерами, встроенными в процессы заказчика и работающими на собственных вычислительных ресурсах компании.

Стек инженерного ИИ и заявленные результаты

Каждое взаимодействие использует одну и ту же интегрированную систему инженерного ИИ: Weights & Biases для отслеживания экспериментов и управления моделями, marimo для исследования данных и CoreWeave ARIA для непрерывного улучшения моделей и агентов, в паре с библиотеками предметных областей, созданными для обнаружения аномалий, сокращения тестов и оптимизации систем. CoreWeave отметила, что работа происходит внутри ИИ‑цикла, который охватывает всю платформу, с одной разницей: в физическом ИИ цикл замыкается на аппаратуре, а не на пользовательском трафике.

Страница продукта приводит результаты доставленных инженерных программ, отмечая, что некоторые заказчики анонимизированы в соответствии с соглашениями о неразглашении. Показатели включают сокращение калибровочных испытаний до одного дня благодаря использованию уже имеющихся данных, снижение количества характеризационных тестов на 35 % при валидации лучших кандидатов, а также 20‑кратное уменьшение объёма собираемых данных, необходимого для достижения целевой точности.

«Инженерные команды не принимают новый метод только потому, что поставщик один раз продемонстрировал его в демо. Они принимают его, когда видят, что он работает в их собственных системах», — сказал Ричард Альфельд, старший вице‑президент по физическому ИИ в CoreWeave. По его словам, поэтому компания отправляет инженеров, говорящих тем же языком, что и команда заказчика, и строит решения на собственных данных заказчика: инфраструктура, стек инженерного ИИ и инженеры — всё это принадлежит CoreWeave.

В объявлении также упомянуты результаты бенчмарка MLPerf, позиция CoreWeave как единственного облака ИИ, получившего высший платиновый рейтинг в SemiAnalysis ClusterMAX 1.0 и 2.0, а также лидерство по скорости вывода и соотношению цена‑производительность для модели Kimi K2.6 от Moonshot AI в независимом тестировании, проведённом Artificial Analysis.

Дэн О’Брайен, президент и главный операционный директор Futurum, отметил, что самая сложная часть промышленного ИИ заключается в том, что человек, понимающий предметную область, и человек, способный построить модель ИИ, почти никогда не являются одним и тем же человеком. Инженеры, уже говорящие «языком» заказчика и способные оставить после себя решение, которым смогут пользоваться собственные сотрудники клиента, дают гораздо лучший результат, чем консультанты, изучающие область за счёт времени заказчика, сказал он.