CoreWeave ha lanciato Physical AI Field Engineering, un servizio che inserisce specialisti dell’azienda direttamente nei team di ingegneria dei clienti per sviluppare, validare e distribuire sistemi di intelligenza artificiale lungo l’intero ciclo di progettazione, dalla ricerca e sviluppo fino alle operazioni sul campo. L’offerta utilizza il team e le metodologie acquisiti da CoreWeave con Monolith AI e si basa sulla piattaforma cloud della società e sulla relativa soluzione integrata per l’engineering AI. Gli ingegneri coinvolti provengono da settori come automotive, aerospazio e ingegneria meccanica e lavorano insieme ai tecnici del cliente costruendo modelli a partire dai dati già disponibili nell’organizzazione, come risultati dei banchi prova, simulazioni, sensori di produzione e telemetria proveniente dai sistemi in funzione. Ogni modello viene quindi validato rispetto al comportamento fisico reale del sistema per verificarne l’affidabilità nelle condizioni operative previste.
CoreWeave concentra il servizio sulla cosiddetta physical AI, ambito nel quale l’impiego dell’intelligenza artificiale deve confrontarsi con requisiti particolarmente stringenti in termini di spiegabilità, accuratezza, ripetibilità e sicurezza. Secondo l’azienda, nei progetti di questo tipo gli insuccessi dipendono spesso più dalla qualità e dalla comprensione dei dati che dall’architettura dei modelli o dalla disponibilità di capacità di calcolo. Per questo servono figure in grado di combinare competenze di machine learning con una conoscenza approfondita dei fenomeni fisici coinvolti, come la dinamica della combustione o i carichi aerospaziali. Il problema può presentarsi anche nella direzione opposta nelle organizzazioni fortemente orientate all’AI, dove le competenze di modellazione sono già presenti ma manca una conoscenza altrettanto approfondita dei sistemi fisici ai quali i modelli devono essere applicati.
L’approccio è già stato utilizzato in oltre 100 progetti di ingegneria nei settori automobilistico, aerospaziale e robotico. Nel caso dell’Aston Martin Aramco Formula One Team, gli ingegneri sono stati integrati nelle attività della squadra durante i weekend di gara e hanno sviluppato un modello di trascrizione partendo da sette ore di audio delle comunicazioni radio annotate manualmente. Il sistema ha raggiunto il livello di accuratezza necessario per l’utilizzo in produzione dopo 75 iterazioni e oggi può elaborare contemporaneamente 40 canali radio. La velocità di elaborazione permette, secondo CoreWeave, di ottenere informazioni utilizzabili per decisioni sulla strategia degli pneumatici all’interno di finestre operative inferiori ai trenta secondi.
Anche Nissan Technical Centre Europe utilizza l’AI per ricavare maggiore valore dai dati prodotti quotidianamente dalle attività di progettazione e test. Emma Deutsch, Director of Engineering and Test Operations della struttura europea di Nissan, ha spiegato che questi modelli consentono agli ingegneri di concentrare maggiormente il proprio lavoro sullo sviluppo di veicoli che mantengano gli standard di qualità, sicurezza e affidabilità richiesti dall’azienda. Tra le organizzazioni indicate nell’ambito delle attività di Physical AI Field Engineering figurano inoltre Caterpillar, Aramco, JOTA, Jungheinrich, Mercedes, Denso, Honda, Toyota Research Institute, Boston Dynamics e Kautex Textron. Tomoki Takahashi, Technical Director di JOTA Group, ha sottolineato come la collaborazione sia basata sulla sperimentazione congiunta piuttosto che sulla semplice consegna di uno strumento già definito.
Ogni progetto comincia con un workshop svolto presso il cliente, durante il quale CoreWeave e il team di ingegneria analizzano i flussi di lavoro esistenti, individuano i problemi principali e definiscono priorità e tempistiche realistiche prima di iniziare lo sviluppo dei modelli. Sono previsti due possibili punti di ingresso: un use case discovery workshop, rivolto alle aziende che devono ancora individuare le applicazioni più adatte, oppure un technical feasibility workshop per chi dispone già di un caso d’uso specifico e vuole verificarne la fattibilità analizzando i dati disponibili e validando l’approccio tecnico.
Il lavoro successivo si sviluppa in quattro aree principali. La componente strategica serve a individuare i problemi che possono effettivamente trarre beneficio dall’AI e i dati sui quali conviene costruire i modelli. La parte dedicata all’infrastruttura di simulazione comprende la configurazione delle GPU, dello storage e dello stack di simulazione richiesti dal singolo caso d’uso, collegando il cliente alla più ampia piattaforma di physical AI di CoreWeave per progettare l’infrastruttura e dimensionarla in funzione delle esigenze operative. L’elaborazione dei dati reali consente invece di trasformare informazioni provenienti da test, sensori e produzione in modelli capaci di prevedere risultati, identificare anomalie o spiegare le cause di un guasto. La componente di agentic learning utilizza infine quanto individuato dal modello per produrre modifiche nel mondo fisico, per esempio ricalibrando un sistema per migliorarne il funzionamento, individuando un’anomalia prima che determini un guasto oppure consentendo a un robot di eseguire una capacità appresa.
I risultati dei progetti non consistono quindi soltanto in modelli sperimentali, ma in applicazioni funzionanti, sistemi di ottimizzazione e dashboard integrati direttamente nei flussi di lavoro già utilizzati dall’organizzazione. Gli ingegneri del cliente partecipano alla definizione del problema e seguono lo sviluppo del modello; dopo il deployment possono gestirlo autonomamente, modificarlo e riaddestrarlo quando necessario. CoreWeave distingue questo modello operativo da quello delle società di consulenza tradizionali: l’obiettivo non è consegnare raccomandazioni, ma lasciare applicazioni operative sviluppate da ingegneri inseriti nei processi del cliente e basate sull’infrastruttura di calcolo della stessa CoreWeave.
Tutti i progetti utilizzano una soluzione integrata di engineering AI che comprende Weights & Biases per il monitoraggio degli esperimenti e la gestione dei modelli, marimo per l’esplorazione dei dati e CoreWeave ARIA per il miglioramento continuo di modelli e agenti. A questi strumenti si aggiungono librerie specifiche per attività come rilevamento delle anomalie, riduzione dei test e ottimizzazione dei sistemi. Il processo rientra nel ciclo di AI utilizzato dalla società sulla propria piattaforma, con la differenza che nelle applicazioni di physical AI il ciclo di feedback viene chiuso rispetto all’hardware e ai sistemi fisici anziché rispetto al traffico o alle interazioni degli utenti.
CoreWeave indica inoltre alcuni risultati ottenuti nei programmi di ingegneria già completati, mantenendo anonimi alcuni clienti soggetti ad accordi di riservatezza. In determinate applicazioni, i test di calibrazione sono stati ridotti fino a una sola giornata utilizzando dati già disponibili; in altri progetti è stato possibile diminuire del 35% il numero di test di caratterizzazione necessari per identificare e validare i candidati migliori. Un ulteriore caso ha individuato la possibilità di ridurre di 20 volte la quantità di dati da acquisire per raggiungere il livello di accuratezza desiderato.
Richard Ahlfeld, Senior Vice President of Physical AI di CoreWeave, ha spiegato che i team di ingegneria difficilmente adottano un nuovo metodo soltanto perché è stato dimostrato con successo in una demo: la validazione deve avvenire sui propri sistemi e sui propri dati. Da qui deriva la scelta di affiancare ai clienti ingegneri con competenze nello stesso dominio applicativo e di mantenere all’interno dell’offerta sia l’infrastruttura sia lo stack di engineering AI e le risorse tecniche specializzate.
A supporto dell’infrastruttura utilizzata per questi progetti, CoreWeave richiama anche i propri risultati nei benchmark MLPerf e il posizionamento ottenuto nelle valutazioni indipendenti delle infrastrutture AI. La società è risultata l’unico cloud AI ad aver ricevuto la classificazione Platinum, il livello più alto, sia in SemiAnalysis ClusterMAX 1.0 sia in ClusterMAX 2.0. Nei benchmark condotti da Artificial Analysis sul modello Kimi K2.6 di Moonshot AI, CoreWeave ha inoltre ottenuto il primo posto per velocità di inferenza e rapporto tra prestazioni e prezzo. Secondo Dan O’Brien, President e Chief Operating Officer di Futurum, una delle principali difficoltà dell’AI industriale consiste proprio nel fatto che chi conosce approfonditamente il dominio applicativo e chi possiede le competenze necessarie per costruire un modello AI raramente coincidono nella stessa persona; l’inserimento di ingegneri già competenti nel settore e capaci di lasciare al cliente sistemi che i suoi tecnici possono successivamente utilizzare e gestire autonomamente punta a colmare direttamente questa distanza.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)