Wayve ฝึกโมเดลผู้ขับขี่ AI บนคลาวด์ CoreWeave ด้วย GPU Blackwell

CoreWeave ประกาศเมื่อวันที่ 9 พฤศจิกายน 2026 ว่าได้ทำข้อตกลงระยะเวลาหลายปีให้ Wayve ฝึกโมเดลพื้นฐาน AI Driver บน CoreWeave Cloud ด้วย GPU NVIDIA Blackwell งานนี้ครอบคลุมการฝึก การประเมินผล และการจำลองระบบที่เรียนรู้จากข้อมูลการขับขี่จริงซึ่งรวบรวมจากกว่า 70 ประเทศ

Wayve เริ่มต้นใช้งาน Weights & Biases ก่อนขยายการทำงานมาสู่ CoreWeave Cloud ในเวลาต่อมา การขยายครั้งนี้เพิ่มทรัพยากรประมวลผลบนคลาวด์ของ CoreWeave ให้กับกระบวนการพัฒนาที่ต้องแสดงความคืบหน้าระหว่างซอฟต์แวร์แต่ละเวอร์ชัน รองรับการฝึกที่ดำเนินต่อเนื่องเป็นเวลานาน และมีความสามารถในการสังเกตการณ์ระบบมากพอสำหรับเปรียบเทียบโมเดลและตรวจสอบความปลอดภัยในวงกว้าง

วงจรข้อมูลขับเคลื่อนการพัฒนาโมเดลการขับขี่

Wayve กำลังพัฒนา AI Driver สำหรับการใช้งานตั้งแต่รถยนต์ส่วนบุคคลไปจนถึงแท็กซี่ไร้คนขับ Silvius Rus รองประธานอาวุโสฝ่ายวิศวกรรมของบริษัท อธิบายว่าข้อมูลการขับขี่จากทั่วโลกช่วยพัฒนาโมเดลอย่างไรว่า “AI Driver ของเราพัฒนาขึ้นด้วยวงจรข้อมูลนี้ เรารวบรวมประสบการณ์การขับขี่จริง นำข้อมูลมาฝึก ประเมินผล และนำไปใช้งานเฉพาะสิ่งที่ทำได้ดีกว่าสิ่งที่ใช้อยู่บนท้องถนนแล้วเท่านั้น” เขาคาดว่าการเข้าถึงคลาวด์ AI ของ CoreWeave จะช่วยเร่งการนำ AI Driver ไปใช้งานเชิงพาณิชย์

จำลองสถานการณ์ก่อนนำไปใช้งานบนท้องถนน

ภาพรวมทางเทคนิคของ CoreWeave เกี่ยวกับโครงสร้างพื้นฐานสำหรับปัญญาประดิษฐ์เชิงกายภาพ ระบุว่าการฝึกโมเดลโลก การจำลองเซนเซอร์ และการประเมินผลแบบวงปิดเป็นงานสำหรับยานยนต์ไร้คนขับ ยานยนต์ไร้คนขับแต่ละคันสร้างข้อมูลจากเซนเซอร์ได้หลายเทราไบต์ต่อวัน การจัดการข้อมูลปริมาณดังกล่าวต้องอาศัยระบบจัดเก็บข้อมูล เครือข่าย และกระบวนการฝึกที่ทำงานร่วมกันอย่างมีประสิทธิภาพ

การพัฒนาปัญญาประดิษฐ์เชิงกายภาพยังคงดำเนินต่อไปหลังนำระบบไปใช้งาน เมื่อพบกรณีที่ไม่เคยพบมาก่อน จึงจำเป็นต้องฝึกโมเดลซ้ำ บันทึกจุดตรวจสอบ และใช้กระบวนการส่งผ่านข้อมูลที่รวดเร็วในงานปฏิบัติการ เนื่องจากความล้มเหลวอาจส่งผลต่อความปลอดภัยทางกายภาพ การพัฒนาโมเดลส่วนใหญ่จึงต้องผ่านการจำลองและการตรวจสอบเป็นขั้นตอนก่อนนำไปใช้ในโลกจริง

ในการสาธิตอ้างอิงของ CoreWeave ซึ่งไม่เกี่ยวข้องกับข้อตกลงของ Wayve บริษัทระบุว่าได้จำลองสถานการณ์ยานยนต์ไร้คนขับ 1.25 ล้านครั้งด้วย CARLA ภายในเวลาประมาณ 12 ชั่วโมง โดยกระจายงานไปยังชาร์ดที่แยกจากกันและใช้ GPU ชาร์ดละหนึ่งตัว การจำลองครอบคลุมสภาพอากาศ ความหนาแน่นของการจราจร แผนที่ ทางแยก และค่าเริ่มต้นที่แตกต่างกัน ซึ่งแสดงให้เห็นถึงความหลากหลายของสภาวะจำลองที่สามารถสร้างขึ้นเพื่อพัฒนาโมเดล

ความเสถียรตลอดทั้งระบบการฝึก

ในส่วนฮาร์ดแวร์ NVIDIA ระบุว่า กลไกด้านความน่าเชื่อถือ ความพร้อมใช้งาน และความสามารถในการซ่อมบำรุงของ Blackwell จะตรวจสอบข้อมูลสถานะของฮาร์ดแวร์และซอฟต์แวร์หลายพันรายการอย่างต่อเนื่อง เพื่อคาดการณ์และสกัดกั้นสาเหตุที่ทำให้ระบบหยุดทำงาน กลไกนี้ออกแบบมาเพื่อระบุความขัดข้องที่อาจเกิดขึ้นตั้งแต่เนิ่น ๆ ระบุตำแหน่งของปัญหา และช่วยในการบำรุงรักษา ซึ่งเป็นความสามารถที่เกี่ยวข้องกับข้อกำหนดด้านความเสถียรสำหรับการฝึกที่ดำเนินต่อเนื่องเป็นเวลานานตามที่ประกาศของ CoreWeave กล่าวถึง

CoreWeave ระบุว่า ในแพลตฟอร์มปัญญาประดิษฐ์เชิงกายภาพที่ครอบคลุมยิ่งขึ้นของบริษัท Kubernetes Service ทำหน้าที่จัดการงานฝึกและงานจำลอง ขณะที่ระบบจัดเก็บข้อมูลแบบกระจายและแบบออบเจ็กต์เก็บข้อมูลจากเซนเซอร์และการจำลองในระดับเพตะไบต์ เครือข่าย InfiniBand และ RoCE ส่งข้อมูลโดยตรงระหว่าง GPU ข้ามเซิร์ฟเวอร์ โดยไม่ผ่าน CPU เพื่อลดเวลารอขณะงานแบบกระจายแลกเปลี่ยนข้อมูลจากเซนเซอร์ สถานะการจำลอง และค่าความชัน

เครื่องมือสำหรับการทดลองช่วยบันทึกที่มาของแต่ละเวอร์ชันด้วย โดย Weights & Biases Models ติดตามการทดลอง ส่วน Registry เชื่อมจุดตรวจสอบเข้ากับชุดข้อมูลและรอบการฝึกที่ใช้สร้างจุดตรวจสอบนั้นอย่างตรงกันทุกประการ และ Weave รองรับการติดตามร่องรอย การประเมินผล และการตรวจสอบข้อมูล บันทึกเหล่านี้ช่วยให้วิศวกรย้อนจากปัญหาที่พบในการทดสอบกลับไปยังจุดตรวจสอบของโมเดล ชุดข้อมูล และรอบการฝึกที่เกี่ยวข้องได้ สำหรับระบบขับขี่ที่ความปลอดภัยมีความสำคัญอย่างยิ่ง การติดตามย้อนกลับเช่นนี้ช่วยสนับสนุนการเปรียบเทียบและการตรวจสอบควบคู่ไปกับขีดความสามารถในการฝึก

ข้อตกลงนี้ทำให้วงจรการปรับปรุงทั้งหมดเป็นส่วนหนึ่งของการขยายโครงสร้างพื้นฐานของ Wayve การนำระบบไปใช้งานเชิงพาณิชย์ได้เร็วขึ้นนั้นขึ้นอยู่กับประสิทธิภาพที่การฝึก การประเมินผล และการจำลองซึ่งผสานรวมกันสามารถเปลี่ยนประสบการณ์การขับขี่ให้เป็นการปรับปรุงที่ผ่านการตรวจสอบแล้วได้มากเพียงใด โดยยังคงรักษาความเสถียรและความสามารถในการติดตามย้อนกลับที่จำเป็นต่อซอฟต์แวร์ขับขี่ซึ่งความปลอดภัยมีความสำคัญอย่างยิ่ง