CoreWeave розміщує польових інженерів у командах клієнтів для Physical AI

CoreWeave оголосила 10 вересня 2026 року про запуск Physical AI Field Engineering, пропозиції, яка поєднує команди клієнтів зі спеціалістами провайдера хмари у відповідних галузях для створення, валідації та розгортання ШІ протягом усього інженерного життєвого циклу — від досліджень і розробки до польових операцій.

Оголошення, датоване Лівінгстоном, Нью-Джерсі, зазначає, що сервіс побудований на команді та методах, які CoreWeave отримала після придбання Monolith AI, і працює на власній платформі CoreWeave та інтегрованому інженерному рішенням AI. За цією пропозицією інженери CoreWeave з досвідом у автомобільній, аерокосмічній та механічній інженерії працюють пліч-о-пліч з командою замовника, створюючи моделі з даних, якими вже володіє клієнт, включаючи результати випробувальних стендів, вихідні дані симуляцій, датчики виробництва та живу телеметрію. Кожна модель валідується проти реальної фізики систем замовника, доки не доведе свою практичну працездатність.

CoreWeave описала physical AI як сферу, у якій розрив між галузевою експертизою та прикладним ШІ найширший, і де інтеграція ШІ в інженерні процеси створює вимоги щодо пояснюваності, точності, повторюваності та безпеки. За словами компанії, у цьому контексті моделі частіше провалюються через дані, ніж через архітектуру чи обчислювальні ресурси, і подолати розрив можуть лише інженери, які розуміють, наприклад, динаміку згоряння або аерокосмічні навантаження, і одночасно вміють будувати та валідувати модель машинного навчання. Для команд, орієнтованих на ШІ, розрив йде в інший бік: експертиза моделювання присутня, а фізика систем, для яких ці моделі призначені, — відсутня.

Track Record Across More Than 100 Projects

CoreWeave повідомляє, що підхід уже застосовано у понад 100 інженерних проектах у автомобільній, аерокосмічній та робототехнічній галузях. Для команди Aston Martin Aramco Formula One інженери компанії були інтегровані на місці під час живих гоночних вихідних і створили модель транскрипції, яка досягла виробничої точності після навчання на семи годинах вручну анотованого аудіо гонки, вдосконаленого протягом 75 ітерацій. Платформа тепер обробляє 40 радіоканалів одночасно, достатньо швидко, за словами CoreWeave, щоб відповісти на питання про стратегію шин у вікні пит-стопу, що триває менше тридцяти секунд.

Емма Дойч, директор інженерії та тестових операцій у Nissan Technical Centre Europe, зазначила, що ШІ допомагає Nissan отримати більшу цінність з інженерних та тестових даних, які генеруються щодня. За її словами, інженери можуть використовувати моделі, щоб зосередитися на створенні транспортних засобів, які зберігають якість, безпеку та надійність, характерні для Nissan.

Офіційна сторінка продукту демонструє логотипи таких організацій, як Caterpillar, Nissan, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics та Kautex Textron. На сторінці також розміщено відгук Томокі Такахаші, технічного директора JOTA Group, який сказав: «Причина, чому ця співпраця працює, полягає в тому, що ми експериментуємо разом, а не просто отримуємо готовий інструмент».

Engagement Model and Four Focus Areas

Залучення починається з воркшопу на місці, під час якого CoreWeave та команда замовника картографують інженерні робочі процеси, виявляють найбільші болючі точки та узгоджують пріоритети й реалістичний графік до створення будь‑якої моделі. Сторінка продукту описує два варіанти входу: воркшоп з виявлення випадків використання або, для клієнтів, які вже мають конкретний випадок, технічний воркшоп з оцінки даних замовника та валідації підходу.

Далі робота охоплює чотири напрямки. Стратегія визначає, які проблеми дійсно варто вирішувати за допомогою ШІ і які дані варто використати. Інфраструктура симуляції піднімає GPU, сховища та стек симуляції, необхідні конкретному випадку, а польові інженери підключають клієнтів до ширшої платформи Physical AI CoreWeave для повного проектування та масштабування інфраструктури. Реальні дані перетворюють розкидані тестові, сенсорні та виробничі дані у моделі, які передбачають результат, виявляють аномалії або пояснюють відмову. Агентне навчання перетворює те, що знайшла модель, у зміни у фізичному світі: система, переналаштована для кращої роботи, дефект, виявлений до того, як стався збій, або робот, що виконує навчену навичку.

Результатом є працюючі додатки, оптимізатори та панелі управління, розгорнуті безпосередньо в існуючих робочих процесах. Інженери замовника допомагають визначити проблему і спостерігають за створенням моделі, а після розгортання керують нею, вносять зміни та перенавчують за потреби, без необхідності викликати CoreWeave. Сторінка продукту контрастує цей підхід з AI‑консалтингом, зазначаючи, що консультанти лише дають рекомендації, тоді як CoreWeave постачає працюючі додатки, створені інженерами, вбудованими в робочі процеси клієнта і підтримувані власними обчислювальними ресурсами.

Engineering AI Stack and Reported Results

Кожне залучення працює на одній інтегрованій інженерній AI‑платформі: Weights & Biases для відстеження експериментів і управління моделями, marimo для дослідження даних та CoreWeave ARIA для безперервного вдосконалення моделей і агентів, у поєднанні з галузевими бібліотеками для виявлення аномалій, скорочення тестів та оптимізації систем. CoreWeave зазначає, що робота функціонує всередині AI‑циклу, який працює на їхній платформі, з однією різницею: у physical AI цикл замикання відбувається проти апаратного забезпечення, а не проти користувацького трафіку.

Сторінка продукту повідомляє результати реалізованих інженерних програм, зазначаючи, що деякі клієнти анонімізовані за угодами про нерозголошення. Показники включають скорочення часу калібрувального тесту до одного дня завдяки вже наявним даним, 35 % менше тестів характеризації, необхідних для валідації кращих кандидатів, та 20‑разове зменшення обсягу даних, потрібних для досягнення цільової точності.

«Інженерні команди не впроваджують новий метод лише тому, що постачальник продемонстрував його в демо. Вони впроваджують його, коли побачать, що він працює у їхніх власних системах», — сказав Річард Альфельд, старший віце‑президент Physical AI у CoreWeave. За його словами, саме тому компанія надсилає інженерів, які говорять тією ж мовою, що й команда замовника, і працює з їхніми власними даними: інфраструктура, інженерний AI‑стек і інженери – усе це CoreWeave.

Оголошення також посилається на результати бенчмарку MLPerf, позицію CoreWeave як єдиного AI‑хмари, що отримала найвищий Platinum‑рейтинг у SemiAnalysis ClusterMAX 1.0 та 2.0, а також провідне місце за швидкістю інференсу та співвідношенням ціна‑продуктивність для моделі Kimi K2.6 від Moonshot AI у незалежному тестуванні, проведеному Artificial Analysis.

Ден О’Брайєн, президент і головний операційний директор Futurum, зазначив, що найскладнішою частиною промислового ШІ є те, що особа, яка розуміє галузь, і особа, яка може створити модель ШІ, майже ніколи не є однією і тією ж особою. Інженери, які вже володіють цією мовою і можуть залишити щось, чим користуються власні співробітники замовника, забезпечують значно кращий результат, ніж консультанти, які вивчають галузь за рахунок часу замовника, — сказав він.