CoreWeave, Robotik ve Otonom Araç Geliştirme için Fiziksel Yapay Zekâ Şablonlarını Kullanıma Sunuyor

Bir robotik ekibinin yeni bir politikayı test edebilmesi için önce simülatörün, verilerin, depolamanın ve işlem kaynaklarının birlikte çalışır hâle getirilmesi gerekir. CoreWeave, 21 Ekim’de duyurduğu; robotik, otonom araçlar ve simülasyon için test edilmiş iş yükü şablonlarından oluşan Physical AI Launchables kataloğuyla bu hazırlık çalışmalarını hedefliyor.

Şablonlar, mühendislerin altyapıyı sıfırdan kurmak yerine tek bir komutla iş yükünü yapılandırıp başlatabilmesi için beş araca (NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim ve NVIDIA Cosmos 3) yönelik ortamları paketliyor. Duyuruyla birlikte, kodlama ajanlarının aynı iş akışlarını yürütebilmesini sağlayan beceriler de sunuluyor.

Geliştiriciler açısından önemli soru, hangi işlerin tekrarlanabilir hâle geleceği. Launchables, ekiplerin sonucu belirleyen sahneleri, veri kümelerini, modelleri ve ayarları değiştirmesine olanak tanırken deneyler arasında çalışan bir ortamı korumayı amaçlıyor.

Kurulum İşlerini Deneyin Arka Planına Taşımak

Fiziksel yapay zekâ deneyi, yalnızca bir model çalıştırmaktan ibaret değildir. Bir sürüş değerlendirmesi için simülatör ve senaryolar gerekir; robot öğrenimi işi ise bir ortama, politikaya ve sonuçları toplama yöntemine ihtiyaç duyar. Bu bileşenler için uygun depolama, işlem kaynakları ve yürütme sınırları da gerekir.

CoreWeave, mühendislerinin her şablonun temelindeki yapılandırmaları oluşturup test ettiğini belirtiyor. Ekipler, devam eden programlar için ayrılmış kapasiteden veya tekil deneyler için ani iş yüklerini karşılayacak kapasiteden yararlanarak bu yapılandırmaları kendi çalışmalarına uyarlayabiliyor. Desteklenen her aracın ayrıca, iş yükünü önceden belirlemeden ortamı sağlayan boş bir şablonu da bulunuyor.

CoreWeave’in fiziksel yapay zekâdan sorumlu kıdemli başkan yardımcısı Richard Ahlfeld, duyuruda şöyle dedi: “Physical AI Launchables, hâlihazırda kullandıkları araçlar için test edilmiş bir başlangıç noktası sunuyor; böylece ekipler zamanlarının daha büyük bölümünü yalnızca kendilerinin yapabileceği işlere ayırabiliyor.”

Bu ayrım önemli: CoreWeave paketleme ve yürütme katmanını sağlarken simülasyon ve modelleme yazılımları NVIDIA ve diğer geliştiricilerden geliyor. Ne test edileceğine ve sonuçların anlamlı olup olmadığına yine ekipler karar veriyor.

İlk Şablonlar Neler Çalıştırabiliyor?

CoreWeave’in teknik lansman yazısı, kataloğun kapsamını daha somut hâle getiriyor. Örnekler; robotlarla nesne manipülasyonunu, simüle edilmiş sürüşü, sentetik verileri ve pekiştirmeli öğrenmeyi kapsıyor:

• NVIDIA Isaac Sim: Robot koluyla alıp yerleştirme, etiketlenmiş depo sahneleri ve araç dinamiği deneyleri.
• CARLA: İncelenmek üzere video üreten sürüş senaryosu grupları.
• MuJoCo: Paralel pekiştirmeli öğrenme deneyleri ve mutfakta nesne manipülasyonu görevleri.
• NVIDIA AlpaSim: Kapalı döngü sürüş değerlendirmesi.
• NVIDIA Cosmos 3: Toplanması zor veya maliyetli olabilecek video senaryoları oluşturma.

Bunlar, sabit bir gösterim kümesinden ziyade başlangıç yapılandırmalarıdır. Mühendisler, test edilmiş ortamı korurken iş yükü parametrelerini değiştirebilir veya uygulama kodunu düzenleyebilir. Lansman kapsamında ayrıca veri artırma, etiketleme, düzenleme ve veri alma için NVIDIA Cosmos Data Factory becerileri de sunuluyor; CoreWeave, ilgili başka şablonların da planlandığını belirtiyor.

Kodlama Ajanları da Mühendislerle Aynı Denetim Araçlarına Erişiyor

Launchables; Claude Code, Codex ve diğer kodlama ajanları için CoreWeave’e özgü beceriler içeriyor. Bu beceriler, ajana ilgili ayarlar hakkında rehberlik sağlıyor ve bir çalıştırmayı başlatmak, izlemek ve sonuçlarını almak için kullanılan komutlara erişim sunuyor.

Duyuru, bir işin tamamlanmasıyla bir deneyin başarılı olması arasındaki ayrıma vurgu yapıyor. Bir süreç, sürüş politikasının senaryoları iyi yönetip yönetmediği veya robotun görevini başarıp başarmadığı belirlenmeden sonlanabilir. Raporların, ölçümlerin, medyanın ve tanılama bilgilerinin tutarlı bir arayüz üzerinden sunulması, yürütme sonrasında hem mühendislere hem de ajanlara değerlendirme yapabilecekleri veriler sağlıyor.

Bu, tekrarlanan deneylerde otomasyonu daha yararlı hâle getirebilir. Bir ajan iş akışını yürütmeye yardımcı olabilir, ancak ekibin yine de uygun değerlendirmelere ve başarı ölçütlerine ihtiyacı vardır. Bir dağıtımın çalışıyor olması, modelin fiziksel bir sistemde kullanıma hazır olduğunu göstermez.

GPU Süresini GPU İşlerine Ayırmak

Duyuru, işlerin kaynakları nasıl kullandığı konusuna da değiniyor. İş yükünün elverdiği durumlarda şablonlar, CPU’da yapılan hazırlık ve son işlem aşamalarını GPU yürütmesinden ayırıyor; böylece bu aşama tamamlandıktan sonra GPU kapasitesi serbest bırakılıyor. Şablonlar, paralel çalıştırmaları koordine etmeye yardımcı olmak için kaynak gereksinimlerini ve eşzamanlılık sınırlarını bildiriyor.

Bu önemlidir; çünkü deneyin maliyetine, pahalı donanımın diğer işleri beklerken harcadığı süre de dahildir. Aşamaları birbirinden ayırmak kaynak tahsisini iyileştirebilir; ancak elde edilecek gerçek fayda iş yüküne ve gerektirdiği hazırlık, simülasyon, eğitim ve analiz miktarına bağlıdır.

CoreWeave, sağlanan duyuruda genel bir Launchables kıyaslama sonucu veya kurulum süresinde herkes için geçerli bir azalma oranı sunmadı. Şirketin şu anki vaadi, her robotik projesi için geçerli ölçülmüş bir performans artışından ziyade, test edilmiş bir yapılandırma ve bunu işletmek için ortak bir yöntem sunmak.

Launchables, CoreWeave’in Fiziksel Yapay Zeka Yığınında Nasıl Bir Yere Sahip?

Bu duyuruyla CoreWeave, yalnızca ham GPU kapasitesi sunmanın ötesine geçerek bu kapasiteyi kullanan yazılım iş akışlarına da uzanıyor. Şirket, fiziksel yapay zeka platformu sayfasında GPU ve CPU hesaplama kaynaklarını, ağ iletişimini, depolamayı, Kubernetes orkestrasyonunu ve Kubernetes üzerinde Slurm’u kapsayan bir altyapı tanımlıyor. Bu bileşenler; veri hazırlama, simülasyon ve model eğitiminin farklı gereksinimlerini karşılıyor.

Daha geniş kapsamlı bulut platformu, bu altyapıyı; modelleri ve ajanları izlemeye, değerlendirmeye ve iyileştirmeye yönelik araçları bir araya getiren CoreWeave Forge ile buluşturuyor. Launchables, bu katmanların üzerine test edilmiş mühendislik iş yükleri ekliyor. Amaç, ekiplerin veriler, deneyler ve değerlendirme arasında ilerlerken kurmaları gereken ortamların sayısını azaltmak.

CoreWeave ayrıca altyapısıyla çalışan yazılım ortakları olarak Cadence, Convergent Science, Encord, nTop, PhysicsX ve Voxel51’i sıraladı. Bu iş birlikleri, veri ve bilgisayarlı görü araçlarından mühendislik simülasyonuna kadar uzanıyor; ancak bu, her ortağın ürününün hâlihazırda bir başlatma şablonu olduğu anlamına gelmiyor.

Daha Hızlı Başlangıç İçin Yine de Sağlam Bir Değerlendirme Gerekir

Fırsat açık: Bir ortam bir deneyden diğerine kullanılabilir durumda kaldığında ekipler modelleri karşılaştırmaya ve hataları araştırmaya daha fazla zaman ayırabilir. Paylaşılan şablonlar, bir değişkeni değiştirmeden önce çalışma arkadaşlarının bir yapılandırmayı yeniden oluşturmasını da kolaylaştırabilir.

Daha zor sorular, alanın kendi içinde kalıyor. Simüle edilen sahneler yararlı koşulları yansıtmalı, sentetik veriler göreve uygun olmalı ve değerlendirmeler simülatör dışında önem taşıyan hataları ortaya çıkarmalı. Launchables bu testleri çalıştırma sürecini kolaylaştırabilir; ancak testlerin dikkatle tasarlanması gereğini ortadan kaldırmaz.

CoreWeave, ilgilenen ekipleri ilk kataloğu ve daha fazla bilgiyi incelemek için Fiziksel Yapay Zeka Launchables genel bakışına yönlendiriyor. Robotik ve otonom araç geliştiricileri için pratik avantajı, bir deney fikrinden inceleyebilecekleri sonuçlara daha kısa sürede ulaşmak.