据SiliconANGLE报道，卡特彼勒与AI云服务商CoreWeave正合作缩短建筑机械物理AI的学习周期。双方在Fully Connected活动期间接受theCUBE采访时披露，训练反馈周期已从数月、数周压缩至数小时，并可在同一工作日内进入仿真或训练环境。

建筑行业正面临数据中心、电厂和高速公路建设带来的施工需求，同时受到生产率下降和熟练机械操作员短缺的困扰。物理AI让机器感知周围环境并据此行动，被视为应对这些问题的路径之一。卡特彼勒在矿业自动驾驶设备上已有多年经验，但将同类技术扩展到施工场景，需要系统适应更易变的条件。

卡特彼勒物理AI平台与建筑自主化副总裁布兰登·胡特曼表示，矿山场地一旦建成，虽然会发生变化，但变化并不频繁；建筑行业则完全相反。他说，把结构化系统匹配到非结构化环境，要处理现场发生的各种动态，非常困难。

CoreWeave物理AI高级副总裁理查德·阿尔菲尔德表示，物理AI已是完全不同的形态，首先需要大量存储，也需要不同的基础设施。按照SiliconANGLE的描述，AI云最初为训练基础模型而建，随后针对规模化智能体推理进行调优。训练一台自动挖掘机，意味着摄取遥测和视觉数据，模拟挖掘场景上百万次，并在其上叠加强化学习。CoreWeave近期推出Physical AI Field Engineering服务，将自身工程师嵌入客户的领域专家团队。

胡特曼说，卡特彼勒的数字生态已持有约18PB来自机器、经销商和客户的联邦数据。训练自主设备还需要与机器控制同步的感知数据以及性能数据。他说，迄今收集的18PB数据，对于训练物理AI在建筑工地这样的世界中运行所需的数据量而言只是沧海一粟；把激光雷达数据、摄像头数据、多秒控制数据和回传的性能数据加在一起，仅一台机器一天就会产生数TB数据。

CoreWeave在第二季度业绩公告中将卡特彼勒列为其中一家企业客户。胡特曼说，卡特彼勒今年开始与CoreWeave合作，原因既包括图形处理器算力，也包括应用专业知识。双方与英伟达合作，使用AI模型对传入的现场数据进行标注和标记。胡特曼说，过去需要数月、或许数周的事情，现在缩短到数小时，从数据产生到可用于仿真或训练环境的反馈循环，可以在同一工作日内完成。