Wayve 将在 CoreWeave 云上使用 Blackwell GPU 训练 AI Driver 模型

CoreWeave 于2026 年 11 月 9 日宣布了一项多年期协议，Wayve 将在 CoreWeave 云上使用 NVIDIA Blackwell GPU训练其 AI Driver 基础模型。相关工作涵盖训练、评估和仿真，面向一套从 70 多个国家收集的真实道路驾驶数据中学习的系统。

Wayve最初使用 Weights & Biases，之后逐步扩展至 CoreWeave 云。此次扩展将 CoreWeave 的云计算能力纳入开发流程；这一流程必须展现不同软件版本之间的进展，支持长时间训练，并提供足够的可观测性，以便大规模比较模型和验证安全性。

为驾驶模型构建数据飞轮

Wayve 正在开发 AI Driver，其应用范围从个人拥有的汽车到自动驾驶出租车不等。Wayve 工程高级副总裁 Silvius Rus 介绍了全球驾驶数据如何推动模型开发：“我们的 AI Driver 通过运行这一数据飞轮不断改进：收集真实道路驾驶经验，用这些数据进行训练和评估，并且只部署表现优于当前道路上已有系统的版本。”他预计，使用 CoreWeave 的人工智能云将有助于加快 AI Driver 的商业化部署。

上路部署前先进行仿真

CoreWeave 关于物理人工智能基础设施的技术概述将世界模型训练、传感器仿真和闭环评估列为自动驾驶汽车的工作负载。自动驾驶汽车每天每辆车会生成数 TB 的传感器数据。要处理这些数据流，存储、网络和训练流水线必须高效协同运行。

随着新的边缘案例不断出现，物理人工智能的开发在部署后仍会继续，因此反复再训练、保存检查点以及快速数据流水线都是运营所必需的。由于故障可能造成现实世界中的安全后果，大多数模型开发都要经过仿真和分阶段验证，之后才会投入实际使用。

在一项与 Wayve 协议无关的 CoreWeave参考演示中，该公司表示，使用各自配备一块 GPU 的独立分片，在约 12 小时内运行了 125 万次 CARLA 自动驾驶汽车仿真。仿真中改变了天气、交通密度、地图、交叉路口和随机种子，展示了模型开发可生成的模拟条件范围。

确保训练技术栈各环节可靠

在硬件层面，NVIDIA 表示，Blackwell 的可靠性、可用性与可维护性引擎会持续监测数千项硬件和软件运行状况数据，以预测并拦截可能导致停机的因素。该引擎旨在及早发现潜在故障、定位问题并协助维护；这些能力与 CoreWeave 公告中所述长时间训练对可靠性的要求相关。

CoreWeave 表示，在其更广泛的物理人工智能平台中，Kubernetes Service 负责编排训练和仿真任务，分布式存储和对象存储则用于保存 PB 级的传感器与仿真数据。InfiniBand 和 RoCE 网络可在服务器之间直接传输 GPU 间的数据，绕过 CPU，以减少等待闲置时间；分布式任务交换传感器数据、仿真状态和梯度时，这一设计尤其有用。

实验工具还提供版本溯源能力：Weights & Biases Models 跟踪实验，Registry 将检查点与生成它的确切数据集和训练运行关联起来，而 Weave 则支持跟踪记录、评估和监控。这些记录让工程师能够从测试中发现的问题追溯到相关的模型检查点、数据集和训练运行。对于安全关键型驾驶系统，这种可追溯性有助于开展比较和验证，并与训练能力相辅相成。

这项协议将整个迭代周期纳入 Wayve 的基础设施扩展之中。加快商业化部署，取决于集成式训练、评估和仿真能否高效地将驾驶经验转化为经过验证的改进，同时维持安全关键型驾驶软件所需的可靠性和可追溯性。