Wayve, Blackwell GPU’larıyla CoreWeave Cloud’da AI Driver modellerini eğitecek

CoreWeave, 9 Kasım 2026’da Wayve’in AI Driver temel modellerini NVIDIA Blackwell GPU’larıyla CoreWeave Cloud’da eğitmesi için çok yıllı bir anlaşma yaptığını duyurdu. Çalışmalar, 70’ten fazla ülkede toplanan gerçek dünya sürüş verilerinden öğrenen bir sistem için eğitim, değerlendirme ve simülasyonu kapsıyor.

Wayve, işe Weights & Biases ile başladı ve o zamandan bu yana çalışmalarını CoreWeave Cloud’a taşıdı. Bu genişleme, yazılım sürümleri arasında ilerleme göstermesi, uzun eğitim süreçlerini kesintisiz sürdürebilmesi ve modelleri karşılaştırıp güvenliği geniş ölçekte doğrulamaya yetecek gözlemlenebilirlik sağlaması gereken bir geliştirme sürecine CoreWeave’in bulut bilişim kapasitesini ekliyor.

Sürüş Modelleri İçin Bir Veri Döngüsü

Wayve, bireysel kullanıma ait otomobillerden robot taksilere kadar farklı alanlarda kullanılmak üzere AI Driver’ı geliştiriyor. Şirketin mühendislikten sorumlu kıdemli başkan yardımcısı Silvius Rus, küresel sürüş verilerinin model geliştirmeyi nasıl beslediğini şöyle anlattı: “AI Driver’ımız bu veri döngüsü sayesinde gelişiyor: gerçek dünyadaki sürüş deneyimini topluyor, bu verilerle eğitim yapıyor, modeli değerlendiriyor ve yalnızca yollarda hâlihazırda kullanılan sistemlerden daha iyi performans gösterenleri kullanıma sunuyoruz.” Rus, CoreWeave’in yapay zekâ bulutuna erişimin AI Driver’ın ticari kullanıma sunulmasını hızlandırmaya yardımcı olmasını bekliyor.

Yollara Çıkmadan Önce Simülasyon

CoreWeave’in fiziksel yapay zekâ altyapısına ilişkin teknik incelemesi, dünya modeli eğitimi, sensör simülasyonu ve kapalı döngü değerlendirmesini otonom araç iş yükleri arasında sayıyor. Otonom araçlar, araç başına günde terabaytlarca sensör verisi üretiyor. Bu veri akışını yönetmek için depolama, ağ ve eğitim hatlarının birlikte verimli çalışması gerekiyor.

Yeni uç durumlar ortaya çıktıkça fiziksel yapay zekâ geliştirme çalışmaları kullanıma alımdan sonra da devam ediyor; bu nedenle modelin tekrar tekrar eğitilmesi, kontrol noktalarının oluşturulması ve hızlı veri hatları operasyonel gereklilikler hâline geliyor. Hataların fiziksel güvenlik açısından sonuçları olabileceğinden, gerçek dünyada kullanımdan önce model geliştirme çalışmalarının çoğu simülasyon ve aşamalı doğrulama süreçlerinden geçiyor.

Wayve anlaşmasından bağımsız bir CoreWeave referans gösteriminde şirket, her biri tek bir GPU kullanan bağımsız parçalara dağıtarak yaklaşık 12 saatte 1,25 milyon CARLA otonom araç simülasyonu çalıştırdığını bildiriyor. Çalışmalarda hava durumu, trafik yoğunluğu, haritalar, kavşaklar ve rastgele başlangıç değerleri değiştirildi; bu da model geliştirme için üretilebilecek simüle edilmiş koşulların çeşitliliğini gösteriyor.

Eğitim Teknolojileri Yığınının Her Katmanında Güvenilirlik

Donanım katmanıyla ilgili olarak NVIDIA, Blackwell’in Güvenilirlik, Kullanılabilirlik ve Servis Verilebilirlik Motoru’nun binlerce donanım ve yazılım sağlık verisi noktasını sürekli izleyerek kesinti kaynaklarını öngördüğünü ve önlediğini belirtiyor. Uzun eğitim süreçleri için gereken güvenilirlik şartlarıyla ilgili bu özellik, potansiyel arızaları erkenden belirlemek, sorunların kaynağını saptamak ve bakıma yardımcı olmak üzere tasarlandı. Bu gereklilikler CoreWeave’in duyurusunda açıklanmıştı.

CoreWeave, daha geniş fiziksel yapay zekâ platformunda Kubernetes Service’in eğitim ve simülasyon işlerini düzenlediğini; dağıtık depolama ve nesne depolama sistemlerinin ise petabayt ölçeğindeki sensör ve simülasyon verilerini tuttuğunu söylüyor. InfiniBand ve RoCE ağları, sunucular arasında verileri doğrudan GPU’lara aktararak CPU’ları devre dışı bırakıyor. Böylece dağıtık işler sensör verilerini, simülasyon durumunu ve gradyanları paylaşırken boşta bekleme süresi azalıyor.

Deney araçları sürüm geçmişini de kayda alıyor: Weights & Biases Models deneyleri izliyor, Registry bir kontrol noktasını onu oluşturan belirli veri kümesi ve eğitim süreciyle ilişkilendiriyor, Weave ise izleme kayıtlarını, değerlendirmeleri ve gözlemi destekliyor. Bu kayıtlar, mühendislerin test sırasında saptanan bir sorundan ilgili model kontrol noktasına, veri kümesine ve eğitim sürecine geri dönmesini sağlıyor. Güvenliğin kritik önem taşıdığı bir sürüş sisteminde bu izlenebilirlik, eğitim kapasitesinin yanı sıra karşılaştırma ve doğrulamayı da destekliyor.

Anlaşma, yineleme döngüsünün tamamını Wayve’in altyapı genişlemesinin bir parçası hâline getiriyor. Ticari kullanıma daha hızlı geçiş; entegre eğitim, değerlendirme ve simülasyon süreçlerinin sürüş deneyimini ne kadar verimli biçimde doğrulanmış iyileştirmelere dönüştürebildiğine ve güvenlik açısından kritik sürüş yazılımları için gereken güvenilirlik ile izlenebilirliği koruyup koruyamadığına bağlı.