CoreWeave ha presentato Physical AI Launchables, un catalogo di ambienti di lavoro preconfigurati e verificati per accelerare la preparazione e l’esecuzione di esperimenti nel settore della robotica, della guida autonoma e della simulazione fisica. La piattaforma, annunciata il 21 ottobre 2026, consente agli sviluppatori di utilizzare configurazioni già predisposte per strumenti complessi, evitando di dover costruire ogni volta l’infrastruttura necessaria a collegare simulatori, modelli, dataset, sistemi di archiviazione e risorse di calcolo. I primi ambienti disponibili supportano NVIDIA Isaac Sim, CARLA, MuJoCo, NVIDIA AlpaSim e NVIDIA Cosmos 3, offrendo configurazioni operative che possono essere avviate mediante comandi standardizzati e successivamente adattate alle necessità dei singoli progetti. L’iniziativa comprende anche competenze dedicate agli agenti di programmazione, affinché strumenti come Claude Code, Codex e altri assistenti software possano utilizzare le stesse procedure disponibili agli ingegneri per avviare esperimenti, controllarne l’esecuzione e recuperare i risultati.
La preparazione di un esperimento di physical AI richiede normalmente la configurazione di numerosi componenti interdipendenti. Nel caso della guida autonoma occorre predisporre un simulatore, definire gli scenari stradali, caricare i modelli di percezione e controllo e raccogliere i risultati delle prove. Nel caso della robotica è necessario costruire un ambiente fisico simulato, configurare una politica di movimento o manipolazione e stabilire come registrare le osservazioni e misurare il completamento dei compiti. A questi elementi si aggiungono la disponibilità di CPU e GPU, la gestione dei dati, la rete, l’archiviazione e i limiti di esecuzione delle attività. Physical AI Launchables riunisce tali configurazioni in modelli operativi verificati dagli ingegneri CoreWeave, mantenendo la possibilità di modificare scene, dataset, parametri e codice applicativo senza ricostruire completamente l’ambiente. I gruppi di sviluppo possono utilizzare capacità di calcolo riservata per programmi continuativi oppure attivare risorse temporanee per singoli esperimenti. Per ciascuno degli strumenti supportati sono previsti anche template vuoti, che forniscono l’ambiente di base senza imporre un’attività sperimentale prestabilita.
Il catalogo iniziale comprende configurazioni dedicate a differenti tipologie di simulazione e apprendimento. NVIDIA Isaac Sim viene utilizzato per operazioni di manipolazione robotica, come il prelievo e il posizionamento di oggetti mediante bracci meccanici, per la creazione di scene di magazzino corredate da annotazioni e per esperimenti relativi alla dinamica dei veicoli. CARLA permette di eseguire serie di scenari di guida simulata e produrre registrazioni video da esaminare successivamente. MuJoCo viene impiegato per l’apprendimento per rinforzo attraverso esperimenti paralleli e per compiti di manipolazione in ambienti domestici simulati, comprese attività ambientate in una cucina. NVIDIA AlpaSim supporta valutazioni della guida autonoma a ciclo chiuso, nelle quali il comportamento del sistema modifica l’evoluzione dello scenario simulato. NVIDIA Cosmos 3 viene invece utilizzato per generare scenari video, compresi quelli difficili, costosi o poco pratici da raccogliere direttamente in condizioni reali. Le configurazioni non costituiscono dimostrazioni rigide: gli sviluppatori possono modificarne i parametri e intervenire sul codice mantenendo l’infrastruttura di esecuzione già predisposta.
Physical AI Launchables comprende anche competenze associate a NVIDIA Cosmos Data Factory, utilizzabili per l’aumento artificiale dei dati, l’etichettatura, la selezione e organizzazione dei dataset e il recupero delle informazioni necessarie agli esperimenti. CoreWeave prevede di estendere successivamente il catalogo con ulteriori template collegati a queste attività. Le competenze per gli agenti di programmazione espongono indicazioni operative e comandi che permettono di configurare gli ambienti, lanciare i processi, monitorare lo stato delle esecuzioni e acquisire i risultati. Questa integrazione è stata progettata per rendere automatizzabili anche alcune attività infrastrutturali che normalmente richiedono interventi manuali. Un agente può quindi assistere un gruppo di ricerca nella preparazione di un esperimento, nell’esecuzione di più configurazioni e nella raccolta delle misurazioni, senza che il semplice completamento del processo venga confuso con il successo scientifico o tecnico del test. La valutazione continua a dipendere dalle metriche definite dagli sviluppatori, dai risultati ottenuti nei differenti scenari e dall’analisi dei comportamenti del modello.
La gestione delle risorse hardware costituisce un altro elemento dell’architettura. Quando il carico di lavoro lo consente, i template separano le fasi preliminari e successive, eseguibili mediante CPU, dalle operazioni che richiedono accelerazione GPU. In questo modo le risorse grafiche possono essere rilasciate quando termina la fase che ne richiede effettivamente l’utilizzo, evitando che rimangano occupate durante elaborazioni non accelerate. Le configurazioni specificano inoltre i requisiti delle risorse e i limiti di concorrenza per coordinare più esecuzioni contemporanee. Questo approccio permette di strutturare in modo riproducibile la distribuzione del calcolo fra preparazione dei dati, simulazione, addestramento e analisi dei risultati. CoreWeave non ha tuttavia comunicato un benchmark generale né una riduzione universale dei tempi di preparazione ottenibile con Launchables, poiché il beneficio effettivo dipende dalla struttura e dalle caratteristiche di ciascun esperimento.
Physical AI Launchables si integra nell’infrastruttura cloud di CoreWeave, che comprende capacità di calcolo CPU e GPU, networking, sistemi di archiviazione e orchestrazione mediante Kubernetes e Slurm on Kubernetes. La piattaforma CoreWeave Forge affianca questa infrastruttura con strumenti destinati all’osservazione, alla valutazione e al miglioramento di modelli e agenti, mentre Launchables aggiunge un livello operativo dedicato ai carichi di lavoro di simulazione e physical AI. CoreWeave ha inoltre indicato Cadence, Convergent Science, Encord, nTop, PhysicsX e Voxel51 fra i partner software che collaborano con la propria infrastruttura in ambiti comprendenti simulazione ingegneristica, visione artificiale e gestione dei dati. Le collaborazioni non implicano che tutti i prodotti dei partner siano già disponibili come template. L’architettura proposta consente quindi di conservare configurazioni sperimentali funzionanti, riprodurle e modificarle in modo controllato, lasciando ai gruppi di ricerca il compito di definire scenari rappresentativi, dati adeguati e criteri di valutazione necessari per stabilire se un modello sviluppato in simulazione sia effettivamente idoneo all’impiego in un sistema fisico.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)