Practical AI: The Future of AI Infrastructure with CoreWeave¶

Dátum: 2026-07-17 (feldolgozás) Eredeti közzététel: 2026. július (Transistor.fm) Vendég: Corey Sanders (Senior Vice President of Product, CoreWeave) Házigazda: Chris Benson (Practical AI podcast) Epizód: "The Future of AI Infrastructure with CoreWeave" Forrás: https://share.transistor.fm/s/01c30767 Formátum: Vendor epizód, ~50 perc, single-speaker intro/outro Vendor: CoreWeave (GPU cloud, AI training és inference specialista) Pipeline: podcast_from_audio — Whisper transcript (9504 szó, 0 hallucináció) → 3 rész subagent → magyar összefoglaló

Whisper ASR javítások: A transcriptben "Coreleaf"/"Coreleave" → CoreWeave; "Kristin" → Chris; "Rocky" → RoCE (RDMA over Converged Ethernet); "Cori" registry-termék (nem ASR-hiba). A magyar összefoglalóban mindenhol a javított neveket használjuk.

Epizód áttekintés¶

A Practical AI podcast 2026. júliusi epizódjában Chris Benson a CoreWeave-et, az AI-ra specializálódott GPU cloud providert hívta vendégül. A beszélgetőpartner Corey Sanders, a CoreWeave Senior Vice President of Productja, aki 20 évet töltött a Microsoftnál (Azure korai évek), és most az AI-infrastruktúra sajátos igényeit szolgáló platform vízióját építi.

Az epizód öt fő szálat jár körül:

Miért más az AI-infrastruktúra a hagyományos cloudnál — a GPU-k ára, az összekapcsolás sűrűsége, a straggler detection, és a "hundreds or even thousands or sometimes tens of thousands of GPUs" skálán való gondolkodás.
Training vs. inference workload-ok szétválasztása — a két nagy AI-felhasználási mód eltérő infrastruktúra-optimalizálást igényel (mission-critical inference vs. business-critical inference; multi-model alkalmazások).
A CoreWeave szoftverrétege: Sunlight, Mission Control, Weights & Biases, ARIA, Sunk (Slurm on Kubernetes) — az NVIDIA-val való szoros partnerség és a vertical integration.
Embodied intelligence és robotika — a Weights & Biases vizuális robotika-tréningkövetése, a Monolith akvizíció ipari know-how-ja.
A jövőkép: AI engineering team minden vállalatnál 5-7 éven belül — a cloud-forradalom analógiájára, az AI-first élmények leváltják a kattintgatós webes UI-t.

Az epizód végén Corey egy hosszú távú víziót vázol fel, amelyben a CoreWeave és az iparág felelőssége a demokratizálás — a frontier-lab szintű AI-eszközök elérhetővé tétele a hagyományos enterprise-ok számára is.

Bevezető, AI-native infrastructure, Training vs. inference¶

Bevezető és CoreWeave pozicionálás¶

A műsor standard intro szövege elhangzik (LinkedIn / X / Blue Sky elérhetőségek, practicalai.fm), majd Chris köszönti Corey Sanders-t, akit a CoreWeave „Senior Vice President of Product” pozíciójából mutat be — utalva rá, hogy a vállalat neve „az elmúlt időszakban sokat szerepelt a hírekben”.
Corey saját bemutatkozásában elmondja: 20 évet töltött a Microsoftnál, és „az Azure korai napjaiban” dolgozott — ez a tapasztalat azóta is meghatározza a gondolkodását.
Az Azure-nál töltött utolsó éveiben Corey „AI infrastruktúra aspektusokkal” foglalkozott a platformon, bár a napi fő feladatát tekintve ipari megoldásokat vezetett (pénzügyi szolgáltatások, retail, stb.) — ez később a második nagy témára (training vs. inference) is visszaköszön.
Corey saját megfogalmazásában: a CoreWeave-nél most „AI specifikus lencsével” alkalmazzák mindazt, amit korábban az Azure-nál megtanultak a cloud lehetőségekről.
Chris narratív kerete: az AI-alapú alkalmazások most ugyanazt a növekedési pályát járják be, mint anno a cloud-alapú szolgáltatások — egy-két dologból kiindulva „egyik napról a másikra” (valójában évek alatt) minden alkalmazás és szolgáltatás szignifikáns AI komponenssé válik.

Miért nem elég egy GPU a meglévő cloudban: az AI-centrikus platform vízió¶

Corey kiindulópontja szerint az iparág sokáig „hozzácsapta” a GPU-t a meglévő public cloud-hoz — Corey ezt nevezi a régi megközelítésnek („Oh, you can get a GPU in our cloud”).
Az új megközelítés ezzel szemben „az egész platform fókusza” az AI: a hardvertől az alkalmazásrétegig minden réteget AI-munkaterhelésre terveznek, nem utólagos kiegészítésként.
Corey saját definíciója: „AI-centric perspective” — azaz minden korábbi cloud-tervezési feltevést meg kell kérdőjelezni az AI-ra való alkalmazhatóság szempontjából (adatigény, konténer image-méret, fejlesztési flow).
Chris összefoglaló kérdésére („mi hiányzott a régi módban?”) Corey azt válaszolja: a triviális GPU-hozzáférésnél sokkal mélyebb, end-to-end testreszabás — az infrastruktúrától az orchestrációig.
A CoreWeave ezt a víziót a saját „observability platform”-ján, „storage platform”-ján és AI-specifikus orchestrációs megoldásain keresztül valósítja meg.

Training vs. inference: a két nagy AI-felhasználási mód¶

Corey a válaszát egy fogalmi kerettel indítja: az AI-használat két nagy, mára szétvált, de most újra konvergáló ágra osztható.
Training oldal: a modellek „létrehozása” — a súlyok (weights) megtanítása, azaz a „tanulás” maga (Corey a „human brain” analógiát használja). Ezt az oldalt az OpenAI, Anthropic, Meta és hasonló szereplők képviselik.
A training oldal infrastruktúra-igénye radikálisan más: „nagyon specifikus, nagyon drága, nagy összekapcsolt tranche-okban telepített” rendszerek — nem úgy működnek, mint egy „sima public cloud számítógépsorokkal”.
Az AI-tréning fő jellemzői: nagy léptékű, mélyen összekapcsolt (deeply interconnected) deployment-ek, ahol minden GPU együtt dolgozik a többivel — és itt „minden másodperc, amikor a GPU kihasználatlan, súlyos költség”.
A training oldal kihívásai között Corey kiemeli: GPU-meghibásodások, storage betöltési szűk keresztmetszetek, és a job-ok orchestrációja (melyik workload melyik infrastruktúrán fusson) — mindez „más, mint egy klasszikus cloud workload”.
A második rész (inference / ipari AI workload-ok) — amivel Corey napi fő munkája foglalkozott a Microsoftnál — a válasz későbbi részében jön, ebben a részben csak a traininggel részletez.

Miért más az AI-infrastruktúra, mint a hagyományos public cloud¶

Corey személyes tanulsága a Microsoftnál: a klasszikus cloud stratégia „space and power + igény szerinti telepítés” elven működik — napok alatt lehet plusz compute-ot vagy storage-t rakni egy régióba, és ez a „commoditization / fungibility” a nagy cloud-ök egyik legnagyobb értéke.
AI workloadoknál ez a megközelítés nem működik: a rendszerek „minden InfiniBand vagy RoCE hálózattal összekötve, specializált storage alatt” működnek — Corey szóhasználatában „pre-plan things”, azaz előre kell tervezni, nem lehet utólag hozzáadni.
Corey ezt a felismerést „learning experience”-ként írja le, ami a Microsoftnál kezdődött, de a CoreWeave-nél teljesedett ki: rengeteg platformréteget kellett AI-specifikusan újragondolni.
A testreszabás konkrét területei, amiket Corey felsorol: AI-specifikus caching, Kubernetes-alapú orchestráció bare metal deploymentre a „GPU minden csepp levének kifacsarásáért”, valamint olyan orchestrátor, amely „tudja, mi fut a platform magján”.
Az üzleti logika, amiért ez megéri: a GPU-k nagyon drágák, az ügyfelek hajlandók fizetni a testreszabásért, hogy a legtöbbet hozzák ki belőlük — Corey szóhasználatában „because of how much value and cost there is behind this”.

Az „innovator's dilemma” a cloud-örökségben¶

Corey önkritikusan elismeri: a 20 év cloud-tapasztalat „egyszerre szuper értékes és korlát” — a szakemberek „beragadnak” a korábbi feltevésekbe („this is how we built it, we learned that over 10 years”).
A fő tanulság, amit többször is megismétel: „ami idehozott minket sikeresen, nem biztos, hogy a következő hullámhoz is elvisz” — ezt Corey „innovator's dilemma”-ként és „life lesson”-ként is emlegeti.
Az AI-specifikus kérdésfeltevés konkrét példái: mások-e az adatigények, mások-e a konténer image-méretek, más-e az AI-innováció teljes flow-ja a hagyományos szoftverfejlesztéshez képest?
Corey saját „secret sauce”-ként nevezi meg, hogy olyan embereket keres fel és vesz fel, akik hajlandóak megkérdőjelezni az alapfeltevéseit — idézi a tipikus belső párbeszédet: „Corey, maybe your baseline is wrong… this is what you did in Azure, but maybe it doesn't work here anymore”.
Az emberi kreativitás szerepéről: Corey szerint az emberiség egyik utolsó védett előnye az AI-val szemben pont az, hogy „olyan kérdéseket tesz fel, amik esetleg mások, mint ami van” — míg az AI „deep learning and regurgitation with amazing magic, in what exists”.

Training job-ok meghibásodása: a „fekete doboz” leleplezése¶

Chris kérdésére („mi történik a rendszerben, mielőtt az AI kutató észreveszi, hogy baj van?”), Corey elismeri: a terület „science and art” egyszerre — a legjobb szakemberek ösztönből érzik, hol a baj.
A job-failure két fő kategóriája Corey szerint: (1) hardver/szoftver infrastruktúra-oldali meghibásodás, (2) kutatási/iterációs oldali bizonytalanság.
Infrastruktúra-oldali failure-módok: node lassulás, storage lassulás, GPU lassulás — Corey ezeket „hard failures” (meghibásodás) és „soft failures” (lassulás) kategóriákra osztja.
A CoreWeave által „recently launched” képesség a GPU straggler detection: amikor a job „hundreds or even thousands or sometimes tens of thousands of GPUs” közepén fut, meg kell találni azt az egy lassú GPU-t, ami az egész job tempóját visszafogja — Corey szóhasználatában „which GPU isn't performing”.
A CoreWeave ezt az observability-t a saját „secret sauce”-ának tartja, de elismeri, hogy „everybody's working on that AI-centric focus” — azaz nem egyedül vannak a piacon.
Az észlelés nehézsége: a lassulás többféle okból jöhet (storage, GPU, hálózat), és a detekció + a hatás elemzése egyaránt „quite challenging”.

AI-kutatás iteráció: Weights & Biases és az ARIA ügynök¶

A kutatási oldal kulcsa Corey szerint: rengeteg kísérlet futtatása sokféle paraméterrel és kontrollal, majd ezek összehasonlítása és tanulmányozása — „we call it research for a reason”.
A CoreWeave platformon a Weights and Biases a kísérletkövetés és összehasonlítás vezető terméke — Corey szóhasználatában „top of our platform”.
A W&B által kezelt legnagyobb felhasználói fájdalom: nehéz a kísérletek eredményeiből kikövetkeztetni a „right next step”-et, azaz a következő kísérlet helyes paraméterezését.
Erre a problémára válaszul a CoreWeave „recently launched” egy új terméket: ARIA — AI Research and Iteration Agent (Corey kiemeli, hogy ez „clever name” rövidítés).
ARIA küldetése: „continuous analysis on experiments that are being run” — azaz a háttérben, folyamatosan elemzi a futó kísérleteket, és javaslatot tesz a következő lépésre.
A demokratizálási cél: Corey szerint most ezt a munkát „a lot of experience and expertise” hajtja, de a platformok (mint a CoreWeave-é) célja, hogy „many more people can do that type of iterative model improvement work” — és ehhez magát az AI-t használják, amit Corey „clever approach”-nak nevez.

Az agentic fejlesztés jövője: a portálok halála¶

Corey víziója az AI-fejlesztői élményről: a klasszikus „portal experiences, console experiences, standard views” mind el fognak tűnni — helyüket az ügynök-alapú interakció veszi át.
Az interakció konkrét formája egyelőre nyitott: „is it in a website? Is it on a console screen? Is it in my VS code console? Like I don't know” — Corey szerint „all of the above” lesz a válasz.
A példa-jelenet, amit leír: a fejlesztő megadja az ügynöknek, milyen típusú modell-javítást szeretne a trace-ek alapján, az ügynök elindítja a kísérleteket, majd „overnight on my mobile app” jelzi, hogy a kísérletek lefutottak, és az ügynök „popping in” beszélget a felhasználóval az eredményekről.
Ez a vízió szorosan illeszkedik az ARIA-koncepcióhoz: az ügynök nem egy dashboard, hanem egy folyamatosan jelen lévő, proaktív entitás, amely a kutatási iterációt emberi beavatkozás nélkül is előremozdítja.

Összegzés¶

A CoreWeave alapvető víziója, hogy ne a klasszikus public cloud-hoz adjon hozzá GPU-t, hanem „end-to-end AI-native” platformot építsen — ahol a hardver, a hálózat (InfiniBand / RoCE), a tárolás, az orchestráció és a fejlesztői élmény mind az AI workload sajátosságaira van szabva.
A training oldal legkritikusabb mérnöki kihívása a GPU straggler detection — ahol akár több tízezer GPU között kell megtalálni azt az egyet, ami lassítja az egész jobot; a CoreWeave ezt és a teljes observability stack-et a saját differenciálóerejének tartja.
Az AI-kutatás iteratív oldalán a CoreWeave a Weights & Biases termékkel és az újonnan indított ARIA (AI Research and Iteration Agent) ügynökkel a „kutatás demokratizálását” célozza — ahol maga az AI segít a kutatónak eldönteni, mi legyen a következő kísérlet.
Corey személyes tanulsága („ami idehozott, nem visz oda”): a 20 év Microsoft Azure-tapasztalat értékes, de korlát is — ezért a CoreWeave-nél kifejezetten olyan embereket keres, akik hajlandóak megkérdőjelezni a cloud-örökségből hozott alapfeltevéseket.

↑ A 1. rész summary tartalma (a subagent készítette, 1. rész.txt-ből, 3996 szó)¶

AI loop, agentic workload-ok, Sunk platform, multi-cloud¶

Az AI loop koncepció: a fejlesztés új paradigmája¶

A CoreWeave "AI loop"-ja egy olyan iteratív fejlesztési ciklus, amelyben a modell inferenciája, a kiértékelés és a további tanítás/tréning folyamatosan összekapcsolódik — a fejlesztő "soha nem készül el" a rendszer javításával.
A loop a kutatási/fejlesztési gondolkodás gyökeres átalakulását jelenti: a hagyományos dashboardokon ("6 futás vonaldiagramját böngészve") való manuális összehasonlítás helyett az ügynök-vezérelt (agent-led) adatelemzés lesz a domináns.
Corey szerint a közeljövőben minden interakció — bankolás, ruhavásárlás, stb. — ehhez hasonló, loop-alapú modellre fog átállni, és a "Buy" gombra kattintás "5 éven belül elavult, 10 éven belül akár nevetséges" lesz.
Bár a "kutató agya" továbbra is megmarad a döntéshozó szerepben ("nem tudom, működik-e, próbáljuk másképp"), az iterációk végrehajtását egyre inkább AI-ágensek fogják vezényelni.

Agentic workload-ok az infrastruktúra oldalán¶

Az "agentic" kifejezés Corey szerint az "AI-centric application" egy specifikus megjelenési formája; az infrastruktúra szempontjából minden ilyen alkalmazás végső soron inferencia-hívásokra épül — legyen szó fordításról, elemzésről vagy akár helyesírás-ellenőrzésről.
Két fő AI-alkalmazás kategória van: belső, termelékenységnövelő "co-pilot" típusú rendszerek, illetve "mission critical" / üzletileg kritikus alkalmazások (pl. gyógyszeripari fehérjehajtogatás, külső ügyfélkiszolgálás) — ez utóbbiak igénylik a komplex, több ügynökből és több modellből álló architektúrát.
A jövő appja nem egyetlen frontier modellt hív meg, hanem sok kisebb, specializált modell kombinációja: a mély analitikai feladatokhoz frontier modell, az egyszerű feladatokhoz (pl. JP→EN fordítás) olcsóbb, kisebb modell is elég.
Az infrastruktúra-tudatosság (infrastructure awareness), a storage caching és a workload-hoz illesztett modellválasztás együttesen határozzák meg, hogy az inferencia gyorsabb, olcsóbb és hatékonyabb lesz-e.
Corey egy génhajtogatás példájával illusztrálja: a "general purpose" frontier modell olyan, mint egy "óriási kalapács egy csavarra" — specializált megközelítéssel jobb eredmény érhető el.

A CoreWeave loop-értékajánlata: ARIA, Weave, Cori, Sandbox¶

Az inferenciaszolgáltatásból nyert produkciós trace-ek (Weave platform) lehetővé teszik, hogy az agent (ARIA) felismerje a problémás útvonalakat: pl. "ez a kérdéstípus lassabban fut le".
A loop tipikus iterációja: prompt csere → sandbox kiértékelés (Sandbox termék) → modell csere (pl. új Kimi modell bevezetése) → értékelés → produkcióba visszacsatolás — mindezt "kis loopokban", iteratívan.
A legtöbb módosítás nem igényel valódi retraining-et: prompt- vagy modellváltással is orvosolható; csak a maradék ~5–10%-ban van szükség fine-tuningra vagy reinforcement learningre.
A Cori registry a modell-verziók és paraméter-változtatások teljes lineage-ét követi, így bármikor visszakereshető egy korábbi, jól teljesítő verzió.
A fejlesztők igénye egy "one-stop shop": trace-ek, registry, ügynök-ajánlás és végrehajtás egyetlen, összefüggő felületen.

A nyílt megközelítés vs. portabilitás dilemmája ("lock-in with love")¶

Corey saját történetével vezeti fel a kérdést: ő telepítette az első Linux-infrastruktúrát a Microsoft Windows Azure felhőjén — azóta is hisz a multi-cloud építkezésben.
A CoreWeave hitvallása: a vállalat NEM kívánja, hogy az ügyfelek kizárólag a CoreWeave-re támaszkodjanak — ehelyett "multi-cloud" stratégiát követ, és egyes komponenseit más felhőkre is kínálja.
A "lock-in with love" (szeretetteljes bezárás) koncepció: a CoreWeave nem kényszeríti a felhasználót a saját ökoszisztémájába, hanem a legjobb szolgáltatás minőségével "vonzza be" őket.
Mivel a Slurm és a Kubernetes is nyílt forráskódú projektek, a CoreWeave ezek köré építi a saját értékajánlatát — azzal a meggyőződéssel, hogy a legjobb implementációt ők nyújtják.
Az ügyfél valósága: vagy van már evaluation szolgáltatása, vagy a tréninget máshol futtatja — a CoreWeave ezt tudomásul veszi, és nyíltan integrálódik.

Sunk és a "Sunk Anywhere": Slurm + Kubernetes egyesítése¶

A Sunk (rövidítés: "Slurm on Kubernetes", U-val írva) a Slurm job-ütemező és a Kubernetes orkesztrációs képességeit egyesíti egyetlen platformon.
A Slurm az AI-kutatásban de facto szabvány: kiváló job-scheduling és placement engine, amellyel a kutatók komfortosan dolgoznak, de a nyers infrastruktúra felett nehézkes kezelni (fel/le skálázás, hibakezelés).
A Kubernetes pont az ellenkező erősséget hozza: kiváló az infrastruktúra felfutásának/leállásának, valamint a hibakezelésnek az orkesztrációjában.
A Sunk a kettő "összeházasításával" kínál egyszerűbb üzemeltetést, miközben megőrzi a Slurm kutatási ökoszisztémával való kompatibilitást.
A "Sunk Anywhere" frissen bejelentett kiterjesztés: a Sunk mostantól más felhőkben (pl. Azure, AWS) is telepíthető, bár a CoreWeave saját infrastruktúráján nyújtja a legjobb teljesítményt.

Költség, optimalizálás és a "többet kevesebbel" stratégia¶

A tömeges kísérletezés és a frontier kutatás "rendkívül tőkeigényes" — ez az iparág egyik legnagyobb belépési korlátja, és a CoreWeave küldetésének egyik fókuszpontja.
Az optimalizálás többféle formát ölthet: olcsóbb modell választása, fine-tuning a modell méretének csökkentésére, hatékonyabb deployment kialakítása.
Az ARIA és az AI loop célja a "trial and error" minimalizálása: a gyorsabb kísérlet→produkció ciklus révén kevesebb pénz ég el a fejlesztés során.
Az ügynök konkrét tanácsaival ("ne költs pénzt fine-tuningra, inkább a promptot javítsd") irányt mutat a kevésbé tapasztalt csapatoknak, csökkentve a szükségtelen erőforrás-felhasználást.
A "frontier labs-októl egy lépéssel lemaradt" szegmens — azaz gyakorlatilag minden nagyvállalat — profitálhat leginkább ezekből a képességekből, a metalapú optimalizálással (GPU, storage, networking) kombinálva.
A tanulság: a CoreWeave nem kívánja korlátozni az AI-kutatásban részt vevő kört, hanem demokratizálni szeretné a frontier-közeli kísérletezést — de az igazán cutting-edge (új modell-architektúrák feltalálása) továbbra is a nagy laborok privilégiuma marad.

Összegzés¶

A 2. rész a CoreWeave termékfilozófiájának középponti elemét, az "AI loop"-ot mutatja be, amely az inferenciát, a kiértékelést (ARIA, Weave, Sandbox) és a Cori registry-t összekötve iteratív, agent-vezérelt fejlesztési ciklust kínál. Corey részletesen ismerteti a Sunk (Slurm on Kubernetes) platformot és annak "Sunk Anywhere" kiterjesztését, hangsúlyozva, hogy a CoreWeave tudatosan multi-cloud stratégiát követ ("lock-in with love"), nem kényszeríti bezárásra az ügyfeleket. A szegmens záró témája a költségoptimalizálás és a kísérletezés demokratizálása: az ARIA-ágens a prompt-optimalizálástól a modellválasztásig terjedő tanácsokkal segíti a "frontier labs-októl egy lépéssel lemaradt" vállalatokat, hogy kevesebb erőforrással is érdemi kutatást végezhessenek.

↑ A 2. rész summary tartalma (a subagent készítette, 2. rész.txt-ből, 3982 szó)¶

Embodied intelligence, platform-portabilitás, AI engineering jövőkép¶

Záró gondolatok, jövőkép¶

Corey Sanders a "chilling out in bed" típusú álmodozós kérdésre egy erős, hosszú távú tézissel válaszol, amely a cloud–AI párhuzamra épül.

A felhő történetének analógiáját használja: ahogy ma minden nagyvállalatnál van public cloud engineering team, és ez a csapat sok helyen már nagyobb, mint a maradék on-prem csapat, ugyanez fog lezajlani AI-val is — de sokkal gyorsabban.
A jóslata: 5–7 éven belül minden enterprise-nál lesz AI engineering team, és ez a csapat előbb-utóbb meghaladja a cloud engineering team létszámát; a cloud csapat "legacy" státuszba kerül, és csak az AI-csapatot támogatja.
Az AI alkalmazások messze túlmutatnak majd a mai "chatelj egy agenttel" modellen: vizuális, multimodális, érzelemre reagáló interakciók jönnek, ahol a rendszer a felhasználó arcára, kontextusára, valós idejű jelzéseire is reagál.
A cloud kb. 15–20 év alatt érte el a main stream státuszt; Corey szerint az AI-forradalom ennek nagyjából a felére lesz szükséges, mert a vállalatok már most tanulnak és adaptálódnak.
A küldetése, és egyben a teljes iparágé: demokratizálni az AI-hoz szükséges eszközöket és szolgáltatásokat, hogy azok a vállalatok is építhessenek, amelyeknek nincs frontier-lab szintű kutatócsapatuk.
Ahogy a cloud-hullámban is kellenek cloud-szakértők, most AI-szakértők kellenek: a cégek fognak hires, trainelni, skillezni, de párhuzamosan a szolgáltatóknak is le kell vinniük a belépési küszöböt.

Az "AI-first experiences vs websites/apps" vita¶

A jövőkép legszínesebb része: Corey szerint a mai webes interfész (gombok, kattintgatós UI) rövid időn belül anakronisztikusnak fog tűnni.

A mai web lényegében "click a button, click a button, click a button" — Corey ezt a felhő első hullámához hasonlítja, ami a mai felhasználók számára már szintén fejletlennek tűnne.
A podcastot felvéve, világbajnoki meccset nézve ma már mindannyian cloud-alapú élményt használunk anélkül, hogy gondolnánk rá — ugyanez fog történni az AI-first alkalmazásokkal: észre sem vesszük, hogy a háttérben agent dolgozik.
A weboldalak, ahol még mindig kattintgatni kell, "legacy"-vé válnak; Corey szóhasználata: "I can't believe they haven't AI'd this yet" — ahol az "AI'd" lesz az új ige.
A modern élmények: vizuális válasz a felhasználó arcára, gesztusokra, kontextusra reagáló rendszerek, emberi interakciós modellek, amelyek messze meghaladják a ma ismert UX-et.
Ez nem science fiction: a modell-képességek, a multi-modalitás és az agentic rendszerek konvergenciája most éri el azt a pontot, ahol a UI-réteg újradefiniálható.
A CoreWeave (és a teljes iparág) felelőssége, hogy ezt a váltást infrastrukturálisan lehetővé tegye — ehhez kellenek a skálázható, megbízható, specializált AI-felhő szolgáltatások.

Embodied intelligence & robotika¶

A beszélgetés utolsó szakmai blokkja a robotikára és a fizikai AI-ra fókuszál — ez Corey szerint "exploding" terület 2026-ban.

A Weights & Biases platformon nemrég dedikált robotics-fókuszú funkcionalitást adtak hozzá: a kísérletek sikerességét korábban vonaldiagramokon mutatták, mostantól a robot vizuális megjelenítésével — így azonnal látható, mi ment rosszul és mi jól egy tréning során.
Ez a vizuális iteráció kritikus a robotika iteratív tanítási folyamatában, mert az ipari és gyártási use case-ekben a "siker" fizikai megtestesülése a lényeg, nem egy szám.
A Monolith akvizíció (pár hónappal a beszélgetés előtt) ipari és gyártóspecifikus szaktudást hozott a cégbe, amivel a CoreWeave sokkal közelebb került a robotikát építő enterprise ügyfelekhez.
A "Direct to Expert" program (a Mission Control részeként) továbbra is központi: CoreWeave mérnökei leülnek az ügyféllel, együtt gondolják végig, mit építenek, és személyre szabott segítséget adnak — ez a magas érintettségű modell a robotikánál különösen értékes.
A terv: több vertikális felé is nyitnak, az ipari/gyártó szektornál tanult mintákat más területekre is átviszik.

Platform-portabilitás: a szoftver-szolgáltatások kijutnak a CoreWeave-ből¶

Corey külön kiemeli, hogy a CoreWeave által épített szolgáltatások egyre inkább infrastruktúra-függetlenek lesznek.

A legtöbb szolgáltatásuk Kubernetes operátorokra épül, ami azt jelenti, hogy edge környezetben, on-prem adatközpontban vagy más publikus felhőben is futtathatók — nem kell hozzájuk CoreWeave GPU.
Példaként említi a Sunk caching service-t (a tárolóplatform gyorsító szolgáltatása), amely már most is futtatható más infrastruktúrán.
A Mission Control szoftveres megoldásai, a "way to advise" tanácsadási keretrendszer, sőt a saját fejlesztésű szoftver-szolgáltatások is mind hordozhatóvá válnak.
Ez a stratégia illeszkedik a demokratizálási tézishez: a CoreWeave nem csak GPU-t ad el, hanem a teljes AI-infrastruktúra know-how-t terjeszti, hogy bárki, bárhol építhessen AI-alkalmazásokat.
Ahogy az edge és on-prem AI use case-ek érnek, ez a portabilitás egyre fontosabb versenyelőnnyé válik.

Összegzés¶

A záró szakasz legfontosabb üzenete, hogy Corey Sanders a CoreWeave küldetését a cloud-forradalom megismétlésének keretében látja: ahogy 15–20 év alatt minden vállalat cloud engineering teamet épített, most 5–7 éven belül minden vállalatnak AI engineering teamje lesz, és az AI-first élmények (vizuális, multi-modális, érzelemre reagáló) leváltják a kattintgatós webes UI-t. A robotika és embodied intelligence terén a Weights & Biases vizuális tréningkövetése, a Monolith ipari know-how-ja és a Direct to Expert program együtt adják a CoreWeave pozícióját, míg a Kubernetes-alapú, hordozható szoftver-szolgáltatások biztosítják, hogy a cég a saját adatközpontjain túl is jelen legyen — a teljes iparág demokratizálásának jegyében.

↑ A 3. rész summary tartalma (a subagent készítette, 3. rész.txt-ből, 1526 szó)¶

Végső összefoglaló (saját szintézis a 3 részből)¶

Az epizód legfontosabb üzenetei egyetlen bekezdésben:

A CoreWeave — és tágabban az AI-infrastruktúra-piac — abban a fázisban van, ahol a cloud 2010 körül volt: a szolgáltatás már elérhető, de a felhasználók (enterprise-ok és AI-fejlesztők) még nem tudják, hogyan aknázhatnák ki a benne rejlő lehetőségeket. Corey Sanders, a CoreWeave SVP-je szerint ez a fázis 5-7 éven belül lezárul, és minden vállalatnál AI engineering team lesz — ugyanúgy, ahogy ma cloud engineering team van. A CoreWeave stratégiája: vertical integration (saját adatkönyvtárak, saját Sunlight/Mission Control/W&B/ARIA szoftvercsomag, NVIDIA referencia-architektúra), platform-portabilitás (Kubernetes-alapú, edge-re és on-prem-re is vihető), és a democratization ígérete (frontier-lab eszközök elérhetővé tétele enterprise-oknak). Az "AI-first experiences vs websites/apps" vita a jövőképet vizionálja: a kattintgatós UI 5-10 éven belül legacy lesz, ahogy a "Buy" gombra kattintás is elavult lesz az agentic, multi-modális, valós idejű interakciós modellek miatt.

A CoreWeave különösen a robotika / embodied intelligence területére fókuszál a Monolith akvizíció óta — a Weights & Biases vizuális robotika-tréningkövetése a fizikai "siker" azonnali láthatóvá tételét adja, ami alapvető a robotika iteratív tanítási folyamatában.

Az epizód nem fedi le explicit módon a CoreWeave üzleti teljesítményét (bevétel, növekedés, ügyfélkör), az NVIDIA-val kötött hosszú távú megállapodás részleteit, vagy a konkurensekkel (Lambda Labs, Together AI, AWS Trainium) való összehasonlítást — ezek a céges PR-oldalakon érhetők el.