CoreWeave 将现场工程师嵌入客户团队以实现 Physical AI

CoreWeave 于 2026 年 9 月 10 日宣布推出 Physical AI Field Engineering，该服务将客户团队与云供应商的领域专家配对，帮助在整个工程生命周期中构建、验证并部署 AI，从研发到现场运营。

该公告以新泽西州利文斯顿为发稿地点，称该服务基于 CoreWeave 收购 Monolith AI 后形成的团队和方法，并运行在 CoreWeave 自有平台及一体化工程 AI 解决方案上。根据该服务，来自汽车、航空航天和机械工程背景的 CoreWeave 工程师将与客户内部团队并肩工作，利用客户已有的数据（包括测试台结果、仿真输出、生产传感器数据以及实时遥测）构建模型。每个模型都会针对客户系统的真实物理进行验证，直至在实际中表现可靠。

CoreWeave 将 physical AI 描述为领域专长与应用 AI 之间差距最大的领域，在该领域将 AI 融入工程流程需要满足可解释性、准确性、可重复性和安全性等要求。公司表示，这类模型更常因数据问题而失败，而非架构或计算资源不足，弥合这一差距需要既懂燃烧动力学或航空载荷等专业知识，又能构建和验证机器学习模型的工程师。对于 AI 原生团队而言，差距恰恰相反：他们拥有建模专长，却缺乏模型所服务系统的物理知识。

超过100个项目的业绩记录

CoreWeave 表示，该方法已在汽车、航空航天和机器人领域的超过 100 个工程项目中得到应用。针对阿斯顿·马丁 Aramco 一级方程式车队，公司工程师在现场比赛周末期间嵌入团队，构建了一个转录模型，该模型在对七小时手工标注的赛道音频进行 75 次迭代训练后达到了生产级准确率。平台如今能够一次处理 40 条无线电频道，CoreWeave 称，这足以在不到三十秒的进站窗口内回答轮胎策略问题。

日产欧洲技术中心的工程与测试运营总监 Emma Deutsch 表示，AI 正帮助日产从每日产生的工程和测试数据中释放更大价值。她说，日产的工程师能够利用这些模型，将工作重点放在交付保持日产质量、安全性和可靠性基准的车辆上。

该服务的 官方产品页面 展示了包括 Caterpillar、Nissan、Aramco、JOTA、Jungheinrich、Mercedes、Denso、Honda、Toyota Research Institute、Boston Dynamics 与 Kautex Textron 在内的众多组织标志。页面还收录了 JOTA 集团技术总监 Tomoki Takahashi 的推荐语：“之所以合作成功，是因为我们在一起实验，而不是单纯交付一个工具。”

合作模式与四大关注领域

合作首先从现场范围研讨会开始，CoreWeave 与客户团队共同绘制工程工作流，梳理最大痛点，并在构建任何模型之前就优先级和可行时间表达成一致。产品页面列出了两种入口：用例发现研讨会，或针对已有特定用例的技术可行性研讨会，后者评估客户数据并验证方案可行性。

随后，工作覆盖四个领域。战略阶段确定哪些问题值得用 AI 解决、哪些数据值得构建。仿真基础设施为特定用例搭建所需的 GPU、存储和仿真堆栈，现场工程师将客户接入 CoreWeave 更广阔的物理 AI 平台，实现完整的基础设施设计与规模化。真实世界数据将分散的测试、传感器和生产数据转化为能够预测结果、捕捉异常或解释失效的模型。主体学习则将模型发现转化为物理世界的改变：系统重新校准以提升运行效率、在故障演变为失效前即被捕获，或机器人执行已训练的技能。

交付物包括可直接嵌入现有工作流的工作应用、优化器和仪表盘。客户自己的工程师帮助定义问题并观察模型构建过程，模型部署后由他们自行运行、修改和重新训练，而无需再联系 CoreWeave。产品页面将此模式与 AI 咨询公司进行对比，指出咨询公司提供建议，而 CoreWeave 提供由嵌入客户工作流、使用自有算力构建的可直接使用的应用。

工程 AI 技术栈与报告的成果

每一次合作均基于同一套一体化工程 AI 解决方案：Weights & Biases 用于实验追踪和模型管理，marimo 用于数据探索，CoreWeave ARIA 用于持续的模型与主体改进，并配套用于异常检测、测试削减和系统优化的领域库。CoreWeave 表示，工作在其平台运行的 AI 循环中进行，唯一的区别在于：在 physical AI 场景下，循环闭环针对的是硬件而非用户流量。

产品页面公布了已交付工程项目的成果数据，部分客户因保密协议被匿名处理。数据显示，校准测试可缩短至仅一天（利用已有数据），特征化测试数量减少 35% 以验证最佳测试候选，数据采集量降低 20 倍即可达到目标准确率。

“工程团队不会因为供应商在演示中一次性证明了新方法就采纳它。只有当他们看到该方法在自身系统上经受住考验后才会采用，”CoreWeave Physical AI 高级副总裁 Richard Ahlfeld 说。他补充道，这正是公司派遣能够与客户团队语言相通的工程师、并基于客户自有数据进行构建的原因：基础设施、工程 AI 技术栈以及工程师全部归 CoreWeave 所有。

公告还提及 CoreWeave 的 MLPerf 基准测试成绩，强调其是唯一在 SemiAnalysis ClusterMAX 1.0 与 2.0 两个版本中均获得最高白金等级的 AI 云，并在独立机构 Artificial Analysis 对 Moonshot AI 的 Kimi K2.6 模型进行的推理速度与性价比评测中名列前茅。

Futurum 总裁兼首席运营官 Dan O’Brien 表示，工业 AI 最具挑战性的地方在于，了解领域的人员与能够构建 AI 模型的人员几乎从未是同一个人。他指出，已经熟悉业务语言并能留下可供客户自行运营成果的工程师，远比在客户时间上学习领域的咨询顾问能交付更佳的结果。