Wayve ska träna AI-förarmodeller i CoreWeave Cloud med Blackwell-GPU:er

CoreWeave meddelade den 9 november 2026 att företaget ingått ett flerårigt avtal som innebär att Wayve ska träna sina grundmodeller för AI Driver i CoreWeave Cloud med NVIDIA Blackwell-GPU:er. Arbetet omfattar träning, utvärdering och simulering för ett system som lär sig av verkliga kördata som samlats in i fler än 70 länder.

Wayve började med Weights & Biases och har sedan dess skalat upp verksamheten i CoreWeave Cloud. Utökningen tillför CoreWeaves molnbaserade beräkningskapacitet till en utvecklingsprocess som måste visa framsteg mellan programvaruversioner, klara långa träningskörningar och erbjuda tillräcklig insyn för att jämföra modeller och validera säkerheten i stor skala.

En återkopplingsloop för körmodeller

Wayve utvecklar AI Driver för användning i allt från privatägda bilar till robottaxibilar. Silvius Rus, företagets tekniska chef, beskrev hur kördata från hela världen bidrar till modellutvecklingen: ”Vår AI Driver blir bättre genom att köra den här återkopplingsloopen: samla in erfarenheter från verklig körning, träna på dem, utvärdera dem och bara driftsätta sådant som presterar bättre än det som redan finns på vägarna.” Han räknar med att tillgången till CoreWeaves AI-moln ska bidra till att påskynda den kommersiella driftsättningen av AI Driver.

Simulering före driftsättning på vägarna

En teknisk översikt från CoreWeave över infrastruktur för fysisk AI pekar ut träning av världsmodeller, sensorsimulering och utvärdering i en sluten slinga som arbetsbelastningar för autonoma fordon. Autonoma fordon genererar terabyte med sensordata per fordon och dag. För att hantera den datamängden måste lagring, nätverk och träningspipelines fungera effektivt tillsammans.

Utvecklingen av fysisk AI fortsätter efter driftsättningen när nya specialfall uppstår, vilket gör upprepad omträning, kontrollpunkter och snabba datapipelines till operativa krav. Eftersom fel kan få fysiska säkerhetskonsekvenser sker större delen av modellutvecklingen genom simulering och stegvis validering innan systemen används i verkligheten.

I en referensdemonstration från CoreWeave som inte ingår i Wayve-avtalet uppger företaget att det körde 1,25 miljoner simuleringar av autonoma fordon i CARLA på cirka 12 timmar, fördelade över oberoende partitioner med en GPU vardera. Körningarna varierade väder, trafiktäthet, kartor, korsningar och slumptalsfrön och visade därmed bredden av simulerade förhållanden som kan skapas för modellutveckling.

Tillförlitlighet genom hela träningsstacken

När det gäller hårdvarulagret uppger NVIDIA att Blackwells motor för tillförlitlighet, tillgänglighet och servicebarhet kontinuerligt övervakar tusentals datapunkter om hårdvarans och programvarans status för att förutsäga och förebygga driftavbrott. Den är utformad för att upptäcka potentiella fel tidigt, lokalisera problem och underlätta underhåll – egenskaper som är relevanta för de tillförlitlighetskrav vid långa träningskörningar som beskrivs i CoreWeaves tillkännagivande.

För sin bredare plattform för fysisk AI uppger CoreWeave att Kubernetes Service samordnar tränings- och simuleringsjobb, medan distribuerad lagring och objektlagring hanterar sensordata och simuleringsdata i petabyteskala. Nätverken InfiniBand och RoCE överför data direkt mellan GPU:er på olika servrar, förbi processorerna, för att minska väntetiden när distribuerade jobb utbyter sensordata, simuleringstillstånd och gradienter.

Experimentverktygen ger också versionsspårning: Weights & Biases Models håller reda på experiment, Registry kopplar en kontrollpunkt till den exakta datamängd och träningskörning som skapade den, och Weave stöder spårning, utvärderingar och övervakning. Dessa uppgifter ger ingenjörerna en väg från ett problem som upptäckts vid testning tillbaka till den berörda modellens kontrollpunkt, datamängd och träningskörning. För ett körsystem där säkerheten är kritisk möjliggör sådan spårbarhet jämförelser och validering, vid sidan av träningskapaciteten.

Avtalet innebär att hela iterationscykeln blir en del av Wayves infrastruktursatsning. En snabbare kommersiell driftsättning hänger samman med hur effektivt integrerad träning, utvärdering och simulering kan omvandla körerfarenheter till validerade förbättringar, samtidigt som den tillförlitlighet och spårbarhet som krävs för säkerhetskritisk körprogramvara upprätthålls.