CoreWeave推出面向机器人与自动驾驶汽车开发的物理 AI 模板

机器人团队要测试新策略之前，必须先让仿真器、数据、存储和算力协同运作。CoreWeave正通过 Physical AI Launchables 聚焦这项准备工作。这是一套经过测试的工作负载模板目录，已于 10 月 21 日发布，面向机器人、自动驾驶汽车和仿真。

这些模板为五种工具打包了运行环境——NVIDIA Isaac Sim、CARLA、MuJoCo、NVIDIA AlpaSim 和 NVIDIA Cosmos 3——让工程师只需一条命令即可配置并启动工作负载，无须从头搭建基础设施。此次发布还包含技能，使编程智能体能够执行相同的工作流程。

对开发者而言，关键问题在于哪些工作能够变得可重复。Launchables 旨在让不同实验沿用可正常运行的环境，同时允许团队调整决定实验结果的场景、数据集、模型和设置。

将准备工作移至实验流程之下

物理 AI 实验涉及的远不只是运行模型。驾驶评估需要仿真器和场景；机器人学习任务则需要运行环境、策略以及收集结果的方法。这些组件还需要适当的存储、算力资源和执行限制。

CoreWeave 表示，其工程师已经构建并测试了每个模板所采用的配置。团队可以根据自身工作调整这些配置：持续开展的项目可以使用预留容量，单项实验则可以使用突发任务。每种受支持的工具还配有一个空白模板，只提供运行环境，不预设工作负载。

CoreWeave 物理 AI 高级副总裁 Richard Ahlfeld 在公告中表示：“Physical AI Launchables 为他们日常使用的工具提供了经过测试的起点，让他们能把更多时间投入到只有自己才能完成的工作中。”

这一区分很有意义：CoreWeave 提供打包和执行层，而仿真与建模软件则来自 NVIDIA 和其他开发者。团队仍需自行决定要测试什么，以及结果是否有意义。

首批模板可以运行什么任务

CoreWeave 的技术发布博文让这套模板目录的用途更加具体。其中的示例涵盖机器人操作、模拟驾驶、合成数据和强化学习：

• NVIDIA Isaac Sim：机械臂抓取与放置、带标签的仓库场景，以及车辆动力学实验。
• CARLA：生成供检查的视频的驾驶场景批次。
• MuJoCo：并行强化学习实验和厨房操作任务。
• NVIDIA AlpaSim：闭环驾驶评估。
• NVIDIA Cosmos 3：生成可能难以收集或收集成本高昂的视频场景。

这些配置是起点，并非一套固定的演示方案。工程师可以更改工作负载参数或编辑应用程序代码，同时保留其底层经过测试的运行环境。此次发布还包含 NVIDIA Cosmos Data Factory 技能，用于数据增强、标注、整理和检索；CoreWeave 表示，计划推出更多相关模板。

编程智能体与工程师拥有相同的控制能力

Launchables 包含专为 CoreWeave 打造的技能，适用于 Claude Code、Codex 和其他编程智能体。这些技能会向智能体提供相关设置的指引，并使其能够使用启动、监控和获取运行结果所需的命令。

此次发布强调，任务完成与实验成功并不是一回事。进程可以正常退出，却并不能证明驾驶策略妥善应对了各个场景，也不能证明机器人完成了任务。通过统一接口返回报告、指标、媒体文件和诊断信息，可以为工程师和智能体提供运行结束后评估实验的材料。

这有助于提升自动化在重复实验中的实用性。智能体可以协助执行工作流程，但团队仍需制定适当的评估方法和成功标准。部署能够正常运行，并不能证明模型已可用于物理系统。

让 GPU 时间专注于 GPU 任务

公告还谈到了任务如何消耗资源。在工作负载允许的情况下，模板会将 CPU 预处理和后处理与 GPU 执行分开，并在 GPU 阶段完成后释放 GPU 容量。模板还会声明资源需求和并发限制，以便协调并行运行的任务。

这一点很重要，因为实验成本也包括昂贵硬件等待其他工作的时间。分离各个阶段有助于改善资源分配，但实际收益取决于工作负载，以及其所需的预处理、仿真、训练和分析工作量。

在所提供的公告中，CoreWeave 并未提供适用于所有 Launchables 的基准测试，也没有公布普遍适用的设置时间缩短幅度。其当前主打的是经过测试的配置和统一的操作方式，而非声称所有机器人项目都能获得经过量化的性能提升。

Launchables 如何融入 CoreWeave 的物理人工智能技术栈

此次发布将 CoreWeave 的业务范围从原始 GPU 算力扩展到使用这些算力的软件工作流程。在其物理人工智能平台页面上，该公司介绍了涵盖 GPU 和 CPU 计算、网络、存储、Kubernetes 编排以及运行在 Kubernetes 上的 Slurm 的基础设施。这些组件可满足数据准备、仿真和模型训练各自不同的需求。

其更广泛的云平台将这套基础设施与 CoreWeave Forge 连接起来；后者整合了用于观察、评估和改进模型与智能体的工具。Launchables 则在这些层之上增加了经过测试的工程工作负载。这一策略旨在减少团队在数据、实验和评估之间切换时需要搭建的环境数量。

CoreWeave 还将 Cadence、Convergent Science、Encord、nTop、PhysicsX 和 Voxel51 列为与其基础设施合作的软件伙伴。这些合作涵盖从数据和计算机视觉工具到工程仿真的多个领域；但不应据此认为每家合作伙伴的产品都已成为启动模板。

更快起步仍需可靠的评估

机遇显而易见：如果一个环境能在不同实验之间保持稳定，团队就能花更多时间比较模型、调查故障。共享模板还有助于同事在更改变量之前复现某项配置。

更棘手的问题仍在于具体领域本身。仿真场景必须体现有用的条件，合成数据必须适合任务需求，评估则必须揭示那些在模拟器之外也会造成影响的故障。Launchables 可以简化运行这些测试的流程，但不能免去精心设计测试的必要。

CoreWeave 建议感兴趣的团队查阅其物理人工智能 Launchables 概览，了解初始目录和更多信息。对于机器人和自动驾驶汽车开发者而言，它的实际吸引力在于缩短从构思实验到获得可供检查的结果之间的流程。