Laplace Intelligence z Ann Arbor automatyzuje stress-testy fizycznej AI: agent AI sam szuka scenariuszy, w których robot albo autonomiczne auto zawiedzie. Startup pokazał technologię 13 października na Startup Battlefield 200 podczas TechCrunch Disrupt.
Najważniejsze w skrócie
- Środowisko symulacji to post-trenowana wersja NVIDIA Cosmos osadzona w danych o prawdziwym świecie
- Agenty AI same projektują przypadki brzegowe, czerpiąc z newsów i policyjnych raportów o kolizjach
- Inni uczestnicy ruchu reagują na testowany pojazd, zamiast pozwalać mu przez siebie przenikać
- Firma powstała rok temu na Uniwersytecie Michigan i notuje już niewielki zysk
- Klienci to Isuzu, Bot Auto i NVIDIA, plus pilotaż smart city w San Jose z T-Mobile
Symulacja odtworzona z prawdziwego świata
Rdzeniem produktu jest symulacja wysokiej dokładności zrekonstruowana z rzeczywistości — post-trenowana?post-trening: Dalsze szkolenie gotowego modelu na własnych danych, bez trenowania go od zera. Tutaj: dostrojenie symulatora tak, by trzymał się rzeczywistej geometrii. wersja NVIDIA Cosmos, która pozwala odtworzyć zarówno autostradę w Arizonie, jak i przejście dla pieszych w Paryżu.
Scena nie jest losowa: zdjęcie z Google Street View bywa punktem odniesienia, a geometrię dopełniają dane mapowe, więc skala odpowiada rzeczywistości. Dane o natężeniu ruchu firma pobiera od dostawców nawigacji, m.in. TomTom, a otoczenie zmienia się promptem w czasie rzeczywistym.
Nie tylko otoczenie, ale i zachowanie innych
W symulacji modelowane jest również zachowanie pozostałych uczestników ruchu. Podczas demonstracji Sun skierował testowany pojazd na przeciwny pas — auto, w które miał uderzyć, zjechało mu z drogi. W wielu generatywnych modelach świata pojazd po prostu przeniknąłby przez przeszkodę.
To naprawdę interaktywne środowisko symulacji. Wszyscy reagują na wszystko. To bardziej model świata z interaktywnymi uczestnikami.
Howie Sun, CEO i współzałożyciel Laplace Intelligence.
Prawdziwy produkt to agent, nie scena
Wyróżnikiem nie jest środowisko, lecz agenty, które same projektują przypadki brzegowe. Czerpią z newsów i policyjnych raportów o kolizjach, co wypycha człowieka z pętli.
Dziś twórcy autonomicznych pojazdów zwykle przerabiają nagrania na symulacje albo liczą na pomysłowość inżynierów. Podstawą metody jest praca Suna i Liu z Uniwersytetu Michigan o gęstym uczeniu ze wzmocnieniem, opublikowana w 2023 roku w Nature.
| Wymiar | Dziś u twórców autonomii | Laplace Intelligence |
|---|---|---|
| Źródło przypadków brzegowych | nagrania z drogi, pomysły inżynierów | agent AI z newsów i raportów policyjnych |
| Inni uczestnicy ruchu | często nieruchomi, pojazd przez nich przenika | reagują na testowany pojazd |
| Środowisko | zrekonstruowane z nagrań | post-trenowany Cosmos plus dane mapowe |
Diagram porządkuje elementy opisane przez firmę w relacji TechCrunch. Kolejność jest redakcyjna — materiał nie podaje, ile scenariuszy przechodzi przez pętlę ani jak mierzona jest trudność przypadku.
Głównym rywalem jest Applied Intuition, wyceniony na 15 mld dolarów i obsługujący tego samego klienta, Isuzu.
Dlaczego to ważne?
Automatyczny red-teaming jest wtedy jedyną metodą, która skaluje się szybciej niż zbieranie wypadków. Ambicją firmy jest przy tym coś więcej niż produkt testowy: wspólna baza dowodów o bezpieczeństwie fizycznej sztucznej inteligencji, której zaufają klienci, ubezpieczyciele i regulatorzy. Bez takiej bazy każde wdrożenie robota w przestrzeni publicznej zostaje kwestią zaufania do producenta.
Co dalej?
- Firma, NVIDIA i T-Mobile prowadzą darmowy pilotaż smart city dla San Jose w Kalifornii
- Rozmowy z partnerami budującymi humanoidy do magazynów są na wczesnym etapie
- Kontrakty są dziś projektowe — celem jest przejście na przychód powtarzalny
