CoreWeave นำวิศวกรภาคสนามเข้าร่วมทีมลูกค้าเพื่อ AI ทางกายภาพ

CoreWeave ประกาศเมื่อวันที่ 10 กันยายน 2026 การเปิดตัว Physical AI Field Engineering, ซึ่งเป็นบริการที่จับคู่ทีมลูกค้ากับผู้เชี่ยวชาญด้านโดเมนของผู้ให้บริการคลาวด์เพื่อสร้าง ตรวจสอบความถูกต้อง และปรับใช้ AI ตลอดวงจรชีวิตการวิศวกรรม ตั้งแต่การวิจัยและพัฒนาไปจนถึงการดำเนินงานในสนาม

ประกาศซึ่งระบุสถานที่เป็น Livingston, New Jersey ระบุว่าบริการนี้สร้างขึ้นบนทีมและวิธีการที่ CoreWeave ได้รับมาจาก Monolith AI และทำงานบนแพลตฟอร์มของ CoreWeave เองพร้อมโซลูชัน AI วิศวกรรมแบบบูรณาการ ภายใต้บริการนี้ วิศวกรของ CoreWeave ที่มีพื้นฐานจากอุตสาหกรรมยานยนต์, อากาศยาน, และวิศวกรรมเครื่องกล ทำงานร่วมกับทีมของลูกค้าโดยสร้างโมเดลจากข้อมูลที่ลูกค้ามีอยู่แล้ว รวมถึงผลการทดสอบบนเบนช์, ผลลัพธ์การจำลอง, เซ็นเซอร์การผลิต, และข้อมูลเทเลเมตรีแบบเรียลไทม์ แต่ละโมเดลจะได้รับการตรวจสอบความถูกต้องกับฟิสิกส์จริงของระบบของลูกค้าจนกว่าจะพิสูจน์ได้ในเชิงปฏิบัติ

CoreWeave อธิบายว่า physical AI เป็นพื้นที่ที่ช่องว่างระหว่างความเชี่ยวชาญด้านโดเมนและ AI ที่ประยุกต์ใช้กว้างที่สุด ซึ่งการบูรณาการ AI เข้ากับกระบวนการวิศวกรรมจะเพิ่มความต้องการด้านการอธิบายผล, ความแม่นยำ, ความสามารถทำซ้ำ, และความปลอดภัย โมเดลในบริบทนี้มักล้มเหลวจากข้อมูลบ่อยกว่าจากสถาปัตยกรรมหรือการคำนวณ บริษัทกล่าวว่าการปิดช่องว่างนี้ต้องอาศัยวิศวกรที่เข้าใจหัวข้อเช่นพลศาสตร์การเผาไหม้หรือภาระงานอากาศยานและสามารถสร้างและตรวจสอบโมเดลการเรียนรู้ของเครื่องได้ สำหรับทีมที่เป็น AI‑native ช่องว่างกลับด้าน: มีความเชี่ยวชาญด้านการสร้างโมเดลอยู่แล้ว แต่ฟิสิกส์ของระบบที่โมเดลเหล่านั้นต้องให้บริการกลับขาดหาย

บันทึกผลงานกว่า 100 โครงการ

CoreWeave กล่าวว่าแนวทางนี้ได้ถูกนำไปใช้ในกว่า 100 โครงการวิศวกรรมในอุตสาหกรรมยานยนต์, อากาศยาน, และหุ่นยนต์แล้ว สำหรับทีม Aston Martin Aramco Formula One, วิศวกรของบริษัทได้ทำงานร่วมกับทีมที่ไซต์ในช่วงวันแข่งขันจริงและสร้างโมเดลการถอดเสียงที่ได้ความแม่นยำระดับการผลิตหลังจากฝึกด้วยเสียงการแข่งขันที่ทำเครื่องหมายด้วยมือเป็นเวลาเจ็ดชั่วโมงและผ่านการปรับปรุง 75 ครั้ง แพลตฟอร์มตอนนี้สามารถประมวลผลช่องวิทยุ 40 ช่องพร้อมกัน อย่างรวดเร็วพอที่ CoreWeave กล่าวว่าจะตอบคำถามเชิงกลยุทธ์ของยางภายในหน้าต่างการเปลี่ยนยางที่ปิดภายในน้อยกว่า 30 วินาที

Emma Deutsch, ผู้อำนวยการฝ่ายวิศวกรรมและการทดสอบที่ Nissan Technical Centre Europe, กล่าวว่า AI ช่วย Nissan เปิดเผยคุณค่าที่มากขึ้นจากข้อมูลวิศวกรรมและการทดสอบที่สร้างขึ้นทุกวัน วิศวกรของ Nissan ตามที่เธอกล่าวสามารถใช้โมเดลเหล่านี้เพื่อมุ่งเน้นงานในการผลิตยานยนต์ที่รักษาคุณภาพ, ความปลอดภัย, และความน่าเชื่อถือที่เป็นพื้นฐานของ Nissan

หน้าเพจผลิตภัณฑ์อย่างเป็นทางการของบริการนี้แสดงโลโก้ขององค์กรต่าง ๆ รวมถึง Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics, และ Kautex Textron หน้าเพจยังมีคำรับรองจาก Tomoki Takahashi, Technical Director ของ JOTA Group, ผู้กล่าวว่า: “เหตุผลที่ความร่วมมือนี้ได้ผลคือเราทดลองร่วมกัน ไม่ใช่แค่ได้รับเครื่องมือมามอบให้”

โมเดลการทำงานและสี่พื้นที่โฟกัส

การทำงานเริ่มต้นด้วยการจัดเวิร์กชอปกำหนดขอบเขตบนไซต์ ซึ่ง CoreWeave และทีมของลูกค้าจะทำแผนผังกระบวนการวิศวกรรม, ตรวจสอบจุดเจ็บปวดที่ใหญ่ที่สุด, และสอดคล้องกันในเรื่องลำดับความสำคัญและไทม์ไลน์ที่เป็นจริงก่อนที่จะสร้างโมเดลใด ๆ หน้าเพจผลิตภัณฑ์อธิบายจุดเริ่มต้นสองแบบ: เวิร์กชอปค้นหาใช้กรณี, หรือสำหรับลูกค้าที่มีกรณีการใช้งานเฉพาะแล้ว, เวิร์กชอปประเมินความเป็นไปได้ทางเทคนิคที่ประเมินข้อมูลของลูกค้าและตรวจสอบวิธีการ

จากนั้น งานจะครอบคลุมสี่พื้นที่ โครงกลยุทธ์ระบุว่าปัญหาใดที่คุ้มค่าที่จะแก้ด้วย AI และข้อมูลใดที่ควรนำมาพัฒนา โครงสร้างพื้นฐานการจำลองจะจัดเตรียม GPU, ที่เก็บข้อมูล, และสแตกการจำลองที่กรณีการใช้งานเฉพาะต้องการ โดยวิศวกรภาคสนามเชื่อมต่อลูกค้าเข้าสู่แพลตฟอร์ม physical AI ของ CoreWeave เพื่อการออกแบบและขยายโครงสร้างพื้นฐานอย่างเต็มรูปแบบ ข้อมูลในโลกจริงจะเปลี่ยนข้อมูลการทดสอบ, เซ็นเซอร์, และการผลิตที่กระจัดกระจายให้เป็นโมเดลที่ทำนายผลลัพธ์, ตรวจจับความผิดปกติ, หรืออธิบายความล้มเหลว การเรียนรู้แบบ Agentic จะเปลี่ยนสิ่งที่โมเดลค้นพบให้กลายเป็นการเปลี่ยนแปลงในโลกกายภาพ: ระบบที่ปรับเทียบใหม่ให้ทำงานได้ดียิ่งขึ้น, ความบกพร่องที่ถูกจับก่อนจะกลายเป็นความล้มเหลว, หรือหุ่นยนต์ที่ดำเนินการตามทักษะที่ฝึกฝนไว้

ผลลัพธ์ที่ส่งมอบได้แก่แอปพลิเคชันที่ทำงานได้, ตัวปรับประสิทธิภาพ, และแดชบอร์ดที่ถูกติดตั้งโดยตรงในกระบวนการทำงานที่มีอยู่ วิศวกรของลูกค้าเองช่วยกำหนดปัญหาและเฝ้าดูการสร้างโมเดล และเมื่อโมเดลถูกนำไปใช้แล้ว พวกเขาจะดำเนินการ, ปรับเปลี่ยน, และฝึกซ้ำตามความจำเป็นโดยไม่ต้องเรียก CoreWeave หน้าเพจผลิตภัณฑ์เปรียบเทียบโมเดลนี้กับที่ปรึกษา AI โดยระบุว่าที่ปรึกษาจะให้คำแนะนำในขณะที่ CoreWeave จะส่งมอบแอปพลิเคชันที่ทำงานได้ซึ่งสร้างโดยวิศวกรที่ฝังตัวอยู่ในกระบวนการทำงานของลูกค้าและใช้คอมพิวเตอร์ของตนเอง

สแตก AI วิศวกรรมและผลลัพธ์ที่รายงาน

ทุกการทำงานใช้โซลูชัน AI วิศวกรรมแบบบูรณาการเดียวกัน: Weights & Biases สำหรับการติดตามการทดลองและการจัดการโมเดล, marimo สำหรับการสำรวจข้อมูล, และ CoreWeave ARIA สำหรับการปรับปรุงโมเดลและเอเจนต์อย่างต่อเนื่อง, ร่วมกับไลบรารีโดเมนที่สร้างขึ้นเพื่อการตรวจจับความผิดปกติ, การลดการทดสอบ, และการเพิ่มประสิทธิภาพของระบบ CoreWeave กล่าวว่าการทำงานดำเนินอยู่ภายในลูป AI ที่ทำงานบนแพลตฟอร์มของตนเอง โดยมีความแตกต่างหนึ่ง: ใน physical AI ลูปจะปิดกับฮาร์ดแวร์แทนการจราจรของผู้ใช้

หน้าเพจผลิตภัณฑ์รายงานผลลัพธ์จากโครงการวิศวกรรมที่ส่งมอบ โดยระบุว่าลูกค้าบางรายถูกทำให้เป็นนามธรรมภายใต้ข้อตกลงไม่เปิดเผยข้อมูล ตัวเลขรวมถึงการทดสอบการสอบเทียบที่ลดเหลือเพียงวันเดียวโดยใช้ข้อมูลที่มีอยู่แล้ว, การทดสอบการจำแนกที่ต้องการน้อยลง 35% เพื่อยืนยันตัวเลือกการทดสอบที่ดีที่สุด, และการลดลง 20 เท่าในการจับข้อมูลที่จำเป็นเพื่อให้ได้ความแม่นยำตามเป้าหมาย

“ทีมวิศวกรรมไม่ได้นำวิธีการใหม่มาใช้เพราะผู้จำหน่ายพิสูจน์ได้ครั้งเดียวในสาธิต พวกเขานำไปใช้เมื่อเห็นว่ามันทนทานบนระบบของตนเอง” กล่าวโดย Richard Ahlfeld, Senior Vice President of Physical AI ที่ CoreWeave. เขากล่าวว่าเหตุผลนี้ทำให้บริษัทส่งวิศวกรที่พูดภาษาตรงกับทีมที่โต๊ะและสร้างบนข้อมูลของลูกค้าเอง: โครงสร้างพื้นฐาน, สแตก AI วิศวกรรม, และวิศวกรทั้งหมดเป็นของ CoreWeave

ประกาศยังอ้างอิงผลการทดสอบ MLPerf ของ CoreWeave, ตำแหน่งที่เป็นคลาวด์ AI เพียงแห่งเดียวที่ได้รับอันดับ Platinum สูงสุดในทั้ง SemiAnalysis ClusterMAX 1.0 และ 2.0, รวมถึงอันดับสูงสุดด้านความเร็วการสรุปผลและประสิทธิภาพด้านราคา-ประสิทธิภาพสำหรับโมเดล Kimi K2.6 ของ Moonshot AI ในการทดสอบอิสระที่ดำเนินโดย Artificial Analysis

Dan O’Brien, President และ Chief Operating Officer ของ Futurum, กล่าวว่าอุปสรรคที่ท้าทายที่สุดของ AI ในอุตสาหกรรมคือผู้ที่เข้าใจโดเมนและผู้ที่สามารถสร้างโมเดล AI มักไม่ใช่คนเดียวกัน วิศวกรที่พูดภาษานั้นอยู่แล้วและสามารถทิ้งสิ่งที่ทีมของลูกค้าจะดำเนินการต่อได้ให้ผลลัพธ์ที่ดีกว่ามากกว่าที่ปรึกษาที่ต้องเรียนรู้โดเมนในเวลาของลูกค้า, เขากล่าว