CoreWeave, Fiziksel AI İçin Saha Mühendislerini Müşteri Takımlarına Yerleştiriyor

CoreWeave, 10 Eylül 2026 tarihinde Physical AI Field Engineering hizmetinin lansmanını duyurdu; bu hizmet, müşteri ekiplerini bulut sağlayıcısının alan uzmanlarıyla eşleştirerek araştırma ve geliştirmeden saha operasyonlarına kadar tüm mühendislik yaşam döngüsü boyunca AI’yi inşa etmeyi, doğrulamayı ve dağıtmayı sağlıyor.

Livingston, New Jersey’de yayımlanan duyuru, hizmetin CoreWeave’in Monolith AI’dan edindiği ekip ve yöntemler üzerine inşa edildiğini ve CoreWeave’in kendi platformu ve bütünleşik mühendislik AI çözümü üzerinde çalıştığını belirtti. Bu kapsamda, otomotiv, havacılık ve makine mühendisliği geçmişine sahip CoreWeave mühendisleri, müşterinin kendi ekibiyle birlikte, müşterinin zaten sahip olduğu verilerden—test tezgahı sonuçları, simülasyon çıktıları, üretim sensörleri ve canlı telemetri dahil—modeller oluşturuyor. Her model, müşterinin sistemlerinin gerçek fiziğine karşı doğrulanarak pratikte dayanıklı olana kadar test ediliyor.

CoreWeave, physical AI‘yi, alan uzmanlığı ile uygulamalı AI arasındaki boşluğun en geniş olduğu, AI’nın mühendislik süreçlerine entegrasyonunun açıklanabilirlik, doğruluk, tekrarlanabilirlik ve güvenlik gibi gereksinimler eklediği alan olarak tanımladı. Şirket, bu ortamda modellerin mimari ya da hesaplama hatalarından çok veri hatalarına daha sık takıldığını belirtti ve bu boşluğu kapatmanın, yanma dinamikleri ya da havacılık yükleri gibi konuları anlayan ve aynı zamanda bir makine öğrenimi modeli inşa edip doğrulayabilen mühendisler gerektirdiğini söyledi. AI‑yerli ekipler için ise boşluk ters yönde ilerliyor: modelleme uzmanlığı mevcut, ancak bu modellerin hizmet vermesi gereken sistemlerin fiziği yok.

100’ün Üzerinde Projede Kayıtlı Başarı Geçmişi

CoreWeave, yaklaşımın otomotiv, havacılık ve robotik alanlarında 100’ün üzerinde mühendislik projesinde zaten uygulandığını söyledi. Aston Martin Aramco Formula One Takımı için şirketin mühendisleri, canlı yarış hafta sonları sırasında sahada yer alarak, 75 yineleme boyunca iyileştirilen yedi saatlik elle etiketlenmiş yarış sesleri üzerinde eğitilen ve üretim doğruluğuna ulaşan bir transkripsiyon modeli geliştirdi. Platform artık aynı anda 40 radyo kanalını işliyor; CoreWeave’in belirttiğine göre bu, otuz saniyenin altında kapanan bir pit penceresinde lastik stratejisi sorusuna yanıt verecek kadar hızlı.

Emma Deutsch, Nissan Technical Centre Europe’da Mühendislik ve Test Operasyonları Direktörü, AI’nın Nissan’ın her gün ürettiği mühendislik ve test verilerinden daha fazla değer elde etmesine yardımcı olduğunu söyledi. Mühendislerinin, modelleri kullanarak Nissan için temel olan kalite, güvenlik ve güvenilirliği koruyan araçlar sunmaya odaklanabildiklerini belirtti.

Teklifin resmi ürün sayfası, Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics ve Kautex Textron gibi kuruluşların logolarını gösteriyor. Sayfada ayrıca JOTA Group Teknik Direktörü Tomoki Takahashi’nin şu sözleriyle bir referans yer alıyor: “Bu iş birliğinin işe yaramasının nedeni, sadece bir araç verilmesi değil, birlikte deneme yapmamızdır.”

Katılım Modeli ve Dört Odak Alanı

Katılımlar, CoreWeave ve müşterinin ekibinin mühendislik iş akışlarını haritaladığı, en büyük sorun noktalarını incelediği ve herhangi bir model inşa edilmeden önce öncelikler ve gerçekçi bir zaman çizelgesi üzerinde mutabakata vardığı yerinde bir kapsam çalışmasıyla başlar. Ürün sayfası iki giriş noktasını tanımlar: bir kullanım senaryosu keşif atölyesi ya da hâlihazırda belirli bir kullanım senaryosu olan müşteriler için, müşterinin verilerini değerlendiren ve yaklaşımı doğrulayan teknik uygulanabilirlik atölyesi.

Buradan itibaren çalışma dört alana yayılır. Strateji, hangi problemlerinin AI ile çözülmeye değer olduğunu ve hangi verilerin üzerine inşa edilmesi gerektiğini belirler. Simülasyon altyapısı, belirli bir kullanım senaryosunun ihtiyaç duyduğu GPU, depolama ve simülasyon yığınıını kurar; saha mühendisleri, müşterileri CoreWeave’in daha geniş fiziksel AI platformuna bağlayarak tam altyapı tasarımı ve ölçeklendirmesini sağlar. Gerçek dünya verileri, dağınık test, sensör ve üretim verilerini bir sonuca tahmin yapan, bir anomali yakalayan ya da bir arızayı açıklayan modellere dönüştürür. Agentic learning, bir modelin bulgularını fiziksel dünyada değişikliklere dönüştürür: daha iyi çalışacak şekilde yeniden kalibre edilen bir sistem, bir arıza meydana gelmeden önce yakalanan bir kusur veya eğitilmiş bir yeteneği uygulayan bir robot.

Teslim edilen ürünler, mevcut iş akışlarına doğrudan yerleştirilen çalışan uygulamalar, optimizasyon araçları ve panolardır. Müşterinin kendi mühendisleri problemi tanımlamaya yardımcı olur ve modelin inşa edildiğini izler; model dağıtıldıktan sonra ise CoreWeave’i aramadan onu işletir, değişiklik yapar ve gerektiğinde yeniden eğitir. Ürün sayfası, bu modeli AI danışmanlıklarıyla karşılaştırarak, danışmanların öneriler sunduğunu, CoreWeave’in ise kendi bilgi işlem gücüyle desteklenen ve müşteri iş akışlarına gömülmüş mühendisler tarafından inşa edilen çalışan uygulamalar sunduğunu belirtir.

Mühendislik AI Yığını ve Bildirilen Sonuçlar

Her katılım, aynı bütünleşik mühendislik AI çözümü üzerinde çalışır: deney takibi ve model yönetimi için Weights & Biases, veri keşfi için marimo ve sürekli model ve ajan iyileştirmesi için CoreWeave ARIA, ayrıca anomali tespiti, test azaltma ve sistem optimizasyonu için oluşturulmuş alan kütüphaneleriyle birlikte. CoreWeave, çalışmanın platformu genelinde çalışan AI döngüsü içinde gerçekleştiğini, ancak bir farkla: fiziksel AI’da döngünün kullanıcı trafiği yerine donanım üzerine kapanacağını belirtti.

Ürün sayfası, teslim edilen mühendislik programlarından elde edilen sonuçları rapor ediyor; bazı müşterilerin gizlilik anlaşmaları kapsamında anonimleştirildiğini belirtiyor. Sayılara, eldeki verilerle bir gün kadar kısa sürede tamamlanan kalibrasyon testleri, en iyi test adaylarını doğrulamak için gereken karakterizasyon testlerinde %35 azalma ve hedef doğruluğa ulaşmak için gerekli veri toplama miktarında 20 kat azalma dahil.

“Mühendislik ekipleri yeni bir yöntemi, bir satıcının bir demoda bir kez kanıtlaması nedeniyle benimsemez. Kendi sistemlerinde dayanıklı olduğunu gördüklerinde benimserler,” dedi CoreWeave’de Fiziksel AI Kıdemli Başkan Yardımcısı Richard Ahlfeld. Bunun, şirketin masanın diğer tarafındaki ekiple aynı dili konuşan mühendisleri gönderip müşterinin kendi verileri üzerine inşa etmesinin nedeni olduğunu, altyapının, mühendislik AI yığınının ve mühendislerin tamamının CoreWeave’e ait olduğunu belirtti.

Duyuru ayrıca CoreWeave’in MLPerf benchmark sonuçlarına, SemiAnalysis ClusterMAX 1.0 ve 2.0’de en üst Platinum sıralamasını elde eden tek AI bulutu konumuna ve Artificial Analysis tarafından gerçekleştirilen bağımsız benchmarklarda Moonshot AI’ın Kimi K2.6 modeli için çıkarım hızı ve fiyat-performans açısından en üst sıralamaya işaret etti.

Futurum’un Başkanı ve Operasyon Direktörü Dan O’Brien, endüstriyel AI’ın en zorlu yönünün, alanı anlayan kişi ile AI modelini inşa edebilen kişinin neredeyse hiç aynı kişi olmaması olduğunu söyledi. Zaten dili konuşan ve müşterinin kendi çalışanlarının kullanabileceği bir şey bırakabilen mühendislerin, alanı müşterinin zamanında öğrenen danışmanlardan çok daha iyi bir sonuç sağladığını belirtti.