Wayve навчатиме моделі AI Driver у хмарі CoreWeave на графічних процесорах Blackwell

CoreWeave оголосила 9 листопада 2026 року про багаторічну угоду, за якою Wayve навчатиме базові моделі AI Driver у хмарі CoreWeave на графічних процесорах NVIDIA Blackwell. Робота охоплює навчання, оцінювання та моделювання системи, яка вчиться на даних про водіння в реальних умовах, зібраних у понад 70 країнах.

Wayve розпочала роботу з Weights & Biases, а згодом масштабувала її в хмарі CoreWeave. Розширення додає до процесу розробки хмарні обчислювальні ресурси CoreWeave. Цей процес має демонструвати прогрес між версіями програмного забезпечення, забезпечувати тривалі цикли навчання й надавати достатню спостережуваність, щоб порівнювати моделі та перевіряти безпеку в масштабі.

Маховик даних для моделей керування автомобілем

Wayve розробляє AI Driver для застосування в найрізноманітніших транспортних засобах — від приватних автомобілів до роботаксі. Сілвіус Рус, старший віцепрезидент компанії з інженерних питань, описав, як дані про водіння з усього світу сприяють розробці моделей: «Наш AI Driver стає кращим завдяки цьому циклу накопичення даних: ми збираємо досвід водіння в реальних умовах, навчаємо на ньому модель, оцінюємо її та впроваджуємо лише те, що перевершує вже наявні на дорогах рішення». Він сподівається, що доступ до хмари CoreWeave для ШІ допоможе пришвидшити комерційне впровадження AI Driver.

Моделювання до виїзду на дороги

У технічному огляді CoreWeave інфраструктури для фізичного ШІ навчання моделей світу, моделювання роботи сенсорів і оцінювання із замкненим циклом визначено як типові обчислювальні завдання для автономних транспортних засобів. Щодня кожен автономний транспортний засіб генерує терабайти даних із сенсорів. Щоб опрацьовувати цей потік, системи зберігання даних, мережі та конвеєри навчання мають ефективно працювати разом.

Розробка фізичного ШІ триває й після впровадження: з’являються нові граничні випадки, тому повторне навчання, збереження контрольних точок і швидкі конвеєри даних стають обов’язковими умовами роботи. Оскільки збої можуть мати фізичні наслідки для безпеки, більшість циклів розробки моделей проходить моделювання та поетапну перевірку, перш ніж їх застосовують у реальних умовах.

У демонстраційному прикладі CoreWeave, не пов’язаному з угодою з Wayve, компанія повідомляє, що виконала 1,25 мільйона симуляцій автономних транспортних засобів у CARLA приблизно за 12 годин, розподіливши їх між незалежними сегментами й використовуючи по одному графічному процесору на сегмент. У симуляціях змінювали погоду, інтенсивність руху, карти, перехрестя та початкові значення, демонструючи широкий спектр умов, які можна змоделювати для розробки моделей.

Надійність на всіх рівнях стека навчання

Щодо апаратного рівня, NVIDIA повідомляє, що механізм надійності, доступності й обслуговування Blackwell постійно відстежує тисячі показників стану обладнання та програмного забезпечення, щоб прогнозувати й запобігати причинам простою. Його розроблено для раннього виявлення потенційних несправностей, локалізації проблем і допомоги в технічному обслуговуванні. Ці можливості важливі для забезпечення надійності під час тривалих циклів навчання, про які йдеться в оголошенні CoreWeave.

За словами CoreWeave, у межах ширшої платформи для фізичного ШІ її сервіс Kubernetes координує завдання навчання та моделювання, а розподілені сховища й об’єктне сховище зберігають петабайти даних із сенсорів і симуляцій. Мережі InfiniBand і RoCE передають дані безпосередньо між графічними процесорами на різних серверах, оминаючи центральні процесори, щоб скоротити час простою в очікуванні, поки розподілені завдання обмінюються даними сенсорів, станом симуляції та градієнтами.

Інструменти для експериментів також забезпечують відстеження історії версій: Weights & Biases Models відстежує експерименти, Registry пов’язує контрольну точку з точним набором даних і циклом навчання, у межах якого її створено, а Weave підтримує трасування, оцінювання та моніторинг. Ці записи дають інженерам змогу від проблеми, виявленої під час тестування, перейти до відповідної контрольної точки моделі, набору даних і циклу навчання. Для системи керування автомобілем, критично важливої для безпеки, така простежуваність доповнює обчислювальні ресурси для навчання, підтримуючи порівняння та перевірку.

Угода робить увесь цикл ітерацій частиною розширення інфраструктури Wayve. Швидше комерційне впровадження залежить від того, наскільки ефективно інтегровані процеси навчання, оцінювання та моделювання можуть перетворювати досвід водіння на перевірені вдосконалення, водночас забезпечуючи надійність і простежуваність, необхідні для програмного забезпечення керування автомобілем, критично важливого для безпеки.