تصور کنید یک مدل هوش مصنوعی پیشرفته طراحی کرده‌اید، اما در لحظه اجرا، موتور جت به دلیل نادیده گرفتن دینامیک احتراق منفجر می‌شود. فلسفه CoreWeave بر این است که امروزه یک مهندس متخصص که دینامیک احتراق را می‌فهمد، به اندازه دانشمند داده‌ای که مدل را می‌سازد، حیاتی است. برای جلوگیری از چنین فجایعی، CoreWeave در ۱۰ سپتامبر ۲۰۲۶ سرویس «مهندسی میدانی هوش مصنوعی فیزیکی» (Physical AI Field Engineering) را معرفی کرد تا متخصصان حوزه‌های سخت‌افزاری را مستقیماً در قلب تیم‌های مشتریان جای دهد. این سرویس اجازه می‌دهد هوش مصنوعی در تمام چرخه مهندسی، از تحقیق و توسعه (R&D) تا عملیات میدانی، مستقر شود.
این استراتژی بر یک نقطه شکست همیشگی در هوش مصنوعی صنعتی دست می‌گذارد: مدل‌ها اغلب نه به دلیل کمبود پردازش یا معماری، بلکه به دلیل کیفیت پایین داده‌ها و عدم درک قوانین فیزیکی شکست می‌خورند. در حالی که تیم‌های بومی هوش مصنوعی (AI-native) با مفاهیم سیستم‌های فیزیکی بیگانه‌اند، مهندسان سنتی اغلب ابزارهای لازم برای ساخت مدل‌های یادگیری ماشین (ML) مقیاس‌پذیر را ندارند. همان‌طور که در تحلیل قبلی ما درباره‌ی برتری سگ‌های رباتیک کوچک در یادگیری فیزیکی اشاره کردیم، CoreWeave اکنون روی این فرضیه شرط بسته است که تنها راه بستن این شکاف، حضور انسان‌های متخصص در چرخه یادگیری (Human-in-the-loop) است.
به نقل از مستندات این شرکت، هوش مصنوعی فیزیکی حوزه‌ای است که بیشترین فاصله را میان تخصص دامنه و هوش مصنوعی کاربردی دارد. ادغام هوش مصنوعی در این فرآیندهای مهندسی، الزامات سخت‌گیرانه‌ای در زمینه تفسیرپذیری (Explainability)، دقت، تکرارپذیری و ایمنی ایجاد می‌کند. به همین دلیل، CoreWeave مهندسانی با پیشینه تخصصی در زمینه‌های خودرو، هوافضا و مهندسی مکانیک را استخدام کرده است.
این متخصصان در کنار تیم‌های مشتریان کار می‌کنند تا مدل‌هایی را با استفاده از داده‌هایی بسازند که مشتری از قبل در اختیار دارد. این داده‌ها شامل خروجی‌های شبیه‌سازی، نتایج میز تست (Test bench)، تله‌متری زنده و سنسورهای خط تولید است. هر مدل سپس در برابر فیزیک واقعی سیستم‌های مشتری اعتبارسنجی می‌شود تا زمانی که در عمل پایداری خود را ثابت کند.
طبق اعلام شرکت، این سرویس از متدهای خریداری‌شده از Monolith AI بهره می‌برد و روی زیرساخت مهندسی یکپارچه CoreWeave اجرا می‌شود. مدل تعاملی این سرویس با کارگاه‌های شناسایی (Scoping workshops) در محل آغاز می‌شود تا پیش از نوشتن حتی یک خط کد، جریان‌های کاری نقشه‌برداری و نقاط درد شناسایی شوند. مشتریان می‌توانند از طریق یک کارگاه «کشف مورد کاربرد» (Use case discovery) یا یک کارگاه «امکان‌سنجی فنی» وارد این مسیر شوند تا داده‌های خود را ارزیابی کرده و رویکرد پیشنهادی را اعتبارسنجی کنند.
CoreWeave استقرار این سیستم‌ها را در چهار محور اصلی سازماندهی کرده است:
- استراتژی: تعیین اینکه کدام مسائل واقعاً ارزش حل با هوش مصنوعی را دارند و کدام داده‌ها ارزش ساخت مدل بر روی آن‌ها را دارند.
- زیرساخت شبیه‌سازی: استقرار واحد پردازش گرافیکی (GPU)، فضای ذخیره‌سازی و پشته شبیه‌سازی مورد نیاز برای موارد کاربردی خاص. مهندسان میدانی، مشتریان را به پلتفرم گسترده‌تر هوش مصنوعی فیزیکی CoreWeave متصل می‌کنند تا طراحی زیرساخت و مقیاس‌پذیری کامل را فراهم کنند.
- داده‌های دنیای واقعی: تبدیل داده‌های پراکنده سنسورها، تست‌ها و تولید به مدل‌هایی که می‌توانند یک نتیجه را پیش‌بینی کنند، یک ناهنجاری (Anomaly) را شکار کنند یا یک شکست سیستمی را توضیح دهند.
- یادگیری عامل‌محور: تبدیل بینش‌های مدل به تغییرات فیزیکی؛ مثلاً کالیبره کردن یک سیستم برای عملکرد بهتر، شناسایی یک نقص پیش از تبدیل شدن به شکست کامل، یا اجرای یک مهارت رباتیک آموزش‌دیده توسط یک عامل (Agent) — شبیه به دستیاری که نه تنها می‌داند چه اتفاقی افتاده، بلکه خودش ابزار را برمی‌دارد و تعمیر می‌کند.
نتایج صنعتی این رویکرد در بیش از ۱۰۰ پروژه در بخش‌های رباتیک، هوافضا و خودرو مشاهده شده است. برای مثال، در تیم فرمول یک Aston Martin Aramco، مهندسان در طول آخر هفته‌های مسابقه به‌صورت میدانی روی یک مدل تبدیل گفتار (Transcription model) کار کردند. پس از ۷۵ تکرار و آموزش روی ۷ ساعت داده صوتی که به‌صورت دستی برچسب‌گذاری شده بود، سیستم اکنون می‌تواند ۴۰ کانال رادیویی را به‌طور هم‌زمان پردازش کند. این یعنی تیم می‌تواند در کمتر از ۳۰ ثانیه (در بازه زمانی توقف در پیت استاپ) به سؤالات استراتژی لاستیک‌ها پاسخ دهد.
شرکای دیگری مانند Nissan، Caterpillar، Boston Dynamics، Toyota Research Institute، Aramco، JOTA، Jungheinrich، Mercedes، Denso و Kautex Textron نیز در این فهرست هستند. توموکی تاکاهاشی، مدیر فنی گروه JOTA، معتقد است موفقیت این همکاری به این دلیل است که تیم‌ها «با هم آزمایش می‌کنند، نه اینکه فقط یک ابزار تحویل بگیرند».
اما اِما دویچ از مرکز فنی نیسان در اروپا (Nissan Technical Centre Europe) اشاره کرد که این مدل‌ها به مهندسان آن‌ها کمک می‌کند تا با استخراج ارزش از داده‌های تست روزانه، بر حفظ کیفیت و ایمنی خودرو تمرکز کنند. نتایج فنی گزارش شده توسط CoreWeave شامل موارد زیر است:
- کاهش ۲۰ برابری در حجم داده‌های مورد نیاز برای رسیدن به دقت هدف.
- کاهش ۳۵ درصدی در تست‌های مشخصه‌یابی (Characterization tests) مورد نیاز برای اعتبارسنجی بهترین کاندیداهای تست.
- کاهش زمان تست‌های کالیبراسیون به تنها یک روز با استفاده از داده‌های موجود.
از نظر فنی، هر پروژه از یک حلقه استاندارد هوش مصنوعی استفاده می‌کند که به‌جای ترافیک کاربران، با سخت‌افزار بسته می‌شود. این پشته فنی شامل موارد زیر است:
- Weights & Biases برای ردیابی آزمایش‌ها و مدیریت مدل.
- marimo برای اکتشاف داده‌ها.
- CoreWeave ARIA برای بهبود مستمر مدل‌ها و عامل‌ها.
- کتابخانه‌های تخصصی دامنه (Domain libraries) که به‌طور خاص برای بهینه‌سازی سیستم، کاهش تست‌ها و تشخیص ناهنجاری ساخته شده‌اند.
این مدل با مشاوره سنتی متفاوت است؛ مشاوران معمولاً توصیه‌هایی ارائه می‌دهند، اما CoreWeave اپلیکیشن‌های کاربردی — مانند بهینه‌سازها و داشبوردها — را مستقیماً در جریان کار مشتری مستقر می‌کند. پس از استقرار، مهندسان خودِ مشتری به‌طور مستقل مدل‌ها را مدیریت، تغییر و بازآموزی می‌کنند.
برای پشتیبانی از این حجم از محاسبات، CoreWeave به بنچمارک‌های خود اشاره می‌کند. این شرکت تنها ابر هوش مصنوعی است که رتبه پلاتینیوم را در هر دو نسخه SemiAnalysis ClusterMAX 1.0 و 2.0 کسب کرده است. همچنین در تحلیل‌های مستقل Artificial Analysis، این شرکت از نظر قیمت-عملکرد و سرعت استنتاج (Inference) — لحظه‌ای که مدل واقعاً جواب تولید می‌کند، شبیه به خودِ آشپزی و نه دوره آموزش آشپز — برای مدل Kimi 2.6 شرکت Moonshot AI رتبه اول را دارد. این تمرکز بر بهینه‌سازی استنتاج در محیط‌های عملیاتی، یادآور دستاوردهای شرکت‌هایی مانند VIDRAFT است که توانستند سربار استنتاج مدل‌های درون‌سازمانی را به شکل چشم‌گیری کاهش دهند.
ریچارد آلفلد، نایب‌رئیس ارشد هوش مصنوعی فیزیکی در CoreWeave، تأکید می‌کند که تیم‌های مهندسی تنها زمانی متدهای جدید را می‌پذیرند که آن‌ها را روی سیستم‌های خودشان ببینند. به همین دلیل است که CoreWeave زیرساخت، پشته فنی و مهندسانی را فراهم می‌کند که «به زبان مشتری صحبت می‌کنند».
دن اوبراین، رئیس و مدیر عملیاتی Futurum، اشاره می‌کند که سخت‌ترین بخش هوش مصنوعی صنعتی این است که متخصص دامنه و سازنده هوش مصنوعی به‌ندرت یک نفر هستند. او استدلال می‌کند مهندسانی که سیستمی را به جا می‌گذارند که مشتری بتواند آن را اداره کند، نتیجه‌ای بسیار بهتر از مشاورانی تحویل می‌دهند که دامنه تخصصی را در زمان (و هزینه) مشتری یاد می‌گیرند.
این استراتژی نشان‌دهنده گذار از رویکرد «جعبه سیاه» است. با تمرکز بر تفسیرپذیری، تکرارپذیری و ایمنی، CoreWeave با هوش مصنوعی مانند یک ابزار مهندسی دقیق برخورد می‌کند، نه یک ویژگی نرم‌افزاری. برای مدیران کسب‌وکار، این یعنی ریسک توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در یک سیستم فیزیکی که می‌تواند منجر به فاجعه سخت‌افزاری شود، از طریق گره زدن هوش مصنوعی به فیزیک دنیای واقعی، کاهش می‌یابد.
با بلوغ هوش مصنوعی صنعتی، مزیت رقابتی از این تغییر می‌کند که «چه کسی بیشترین GPU را دارد» به این که «چه کسی می‌تواند دقیق‌ترین نقشه‌برداری از این GPUها به دنیای فیزیکی را انجام دهد». معیار حیاتی بعدی برای رصد این خواهد بود که آیا این مدل تعبیه شده (Embedded) می‌تواند بدون نیاز به افزایش شدید نیروی انسانی، در بخش‌های متنوع تولید مقیاس‌پذیر شود یا خیر.
گام بعدی شما
- اگر در صنعت تولید یا سخت‌افزار هستید، بررسی کنید که آیا داده‌های سنسورهای شما برای آموزش مدل‌های پیش‌بینانه ساختاریافته هستند یا خیر.
- مدل‌های «جعبه سیاه» را در سیستم‌های حساس حذف کرده و به دنبال راهکارهای مبتنی بر فیزیک (Physics-informed AI) باشید.
- زیرساخت‌های محاسباتی خود را بر اساس سرعت استنتاج در دنیای واقعی بسنجید، نه فقط روی داده‌های تست.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو