Laplace Intelligence will einen folgenreichen Roboterfehler durch einen KI-Gegner entdecken, bevor die Maschine Straße oder Arbeitsplatz erreicht. Die Michigan-Ausgründung baut interaktive Simulationen, in denen Testagenten Bedingungen verändern, Reaktionen beobachten und erneut suchen. Entscheidend ist nicht überzeugende Optik, sondern ob die gefundenen Fehler außerhalb der Simulation zählen.
Das Startup präsentierte seinen Ansatz unter 20 Wettbewerbern im Startup Battlefield 200 bei TechCrunch Disrupt vom 13. bis 15. Oktober in San Francisco. CEO Howie Sun nennt für das vor etwa einem Jahr mit Chefwissenschaftler Henry Liu gegründete Unternehmen Umsatz, einen bescheidenen Gewinn und Kunden wie Isuzu, Bot Auto und Nvidia. Beträge, Vertragsdauer und Bindung sind nicht veröffentlicht.
Das ist frühes Marktinteresse, keine unabhängige Sicherheitszertifizierung. Gegen größere Anbieter muss Laplace zeigen, dass ein adaptiver Gegner bessere Belege als ein festes Szenarioarchiv erzeugt, ohne physische Validierung zu ersetzen.
Seltene Ereignisse suchen statt abwarten
Red-Teaming fordert Systeme absichtlich heraus, bevor ein Vorfall dies tut. Laplace überträgt es auf autonome Fahrzeuge, Lagerroboter und Verkehrssysteme. Entwickler rekonstruieren einen Ort, setzen das Ziel ein und ändern Bedingungen durch Sprache.
Statt einen definierten Fußgängerübergang zu wiederholen, verändert ein Gegner Zeitpunkt, Sicht, Geometrie und Verhalten. Nachmittagsstau, ungewöhnliche Fahrer und schwierige Kreuzungen liefern Kombinationen, die eine Fahrstrategie brechen könnten. Menschen bestimmen weiterhin Ziele und Grenzen.
Sun nennt Unfallberichte, Nachrichten und andere Unterlagen als Ideenquellen. Die Umsetzung ist aber keine automatische Wahrheit: Zeitpunkt, Sicht oder Absicht können fehlen. Entscheidungen sind zu dokumentieren, nicht generierte Details als Beobachtung auszugeben.
Alltagsbetrieb sammelt seltene Sicherheitsereignisse ineffizient. Michigan-Forschung von 2023 nennt möglicherweise Hunderte Millionen Meilen für den Nachweis menschlichen Sicherheitsniveaus unter natürlichen Bedingungen, meist ereignislos. Konzentration auf gefährliche Interaktionen soll Information pro Test erhöhen, nicht gewöhnliche Fahrten für wertlos erklären.
Die Nature-Arbeit von 2023 nutzte dichtes Reinforcement Learning, also Lernen durch Handlungsfeedback, für sicherheitskritische Umgebungen. Viele ereignislose Situationen wurden entfernt und virtuelle Gefahren mit einem realen Fahrzeug auf einer Teststrecke verbunden. Die Arbeit erschien auf dem Titel vom 23. März 2023 und berichtete Beschleunigung um Größenordnungen im untersuchten Bereich.
Ein separates Michigan-Beinaheunfallprojekt von 2026 meldete 90 Prozent Sicherheitsverbesserung bei Mcity-Tests und 99,9 Prozent weniger benötigte Testmeilen. Diese Zahlen gehören zu jenem Aufbau, nicht zu Laplaces kommerziellem Produkt oder allen Robotern.
Weltmodelle müssen reagieren
TechCrunch zufolge nutzt Laplace eine nachtrainierte Nvidia-Cosmos-Version. Nachtraining passt ein breit vortrainiertes Modell an engere Aufgaben an. Cosmos-Weltgrundmodelle generieren oder prognostizieren physische Umgebungen aus Text, Bildern und Video für synthetische Daten und Simulation.
Laplace ergänzt Karten und Referenzen: Street View kann Erscheinung liefern, Karten erhalten Maßstab und Straßenstruktur, Verkehrsdaten verändern Aktivitäten. Das ist wichtig, weil schöne Bilder unmögliche Positionen oder Regeln enthalten können.
Interaktion unterscheidet ebenfalls. Das geprüfte System verändert durch Aktionen die Welt, andere Beteiligte müssen konsistent reagieren. In der berichteten Vorführung lenkte Sun ein Testfahrzeug gegen den Gegenverkehr; das andere Auto wich aus, statt passiv eine unmögliche Überlappung zuzulassen.
Über diesem Regelkreis wählt der Testagent Änderungen zum Verständnis der Grenzen. Dichte, Tempo, Sicht und Verhalten lassen sich ändern; Zögern, Regelverstöße oder ausweglose Zustände beeinflussen die nächste Szene.
So funktioniert KI gegen KI: adaptive Suche statt der Erwartung, Ingenieure müssten jede Kombination vorausplanen. Beide Seiten können allerdings irren. Tester können Gefahren übersehen, Unplausibles erzeugen oder ein Ziel optimieren, das außerhalb der Simulation nicht gilt.
Reproduzierbarkeit ist deshalb nötig. Versionierte Welten, feste Kriterien und genaue Logs erlauben Wiederholung nach Softwareänderung. Ein neues Szenario darf nicht als reparierte Strategie gelten; Weltfehler müssen von Roboterfehlern getrennt werden.
Physische Maschinen erweitern die Beweispflicht
Eine falsche Chatantwort bewegt nicht zwingend Maschinen. Physische KI verbindet Wahrnehmung und Entscheidung mit Fahrzeugen, Fracht und Menschen. Wetter, Licht, Verkehrsteilnehmer, Objekte und Verhalten lassen sich nicht vollständig kontrollieren.
Liu fordert eine Fahrkompetenzprüfung wie für Menschen, einschließlich ungeschütztem Linksabbiegen und Fußgängervorrang. Die Quelle beschreibt starke US-Selbstzertifizierung und direktere Drittprüfungen in manchen europäischen und chinesischen Kontexten, kein überall identisches Rechtsregime.
Prüfung kann Mindestkompetenz und bessere Evidenz schaffen, nicht jeden Unfall verhindern. Kunden, Versicherungen, Aufsicht und Betreiber brauchen wiederholbare Methoden und verständliche Resultate. Realistisches Video allein schafft keine gemeinsame Vertrauensbasis.
Allgemeine Roboter besitzen möglicherweise weniger strukturierte Vorfalldaten als Autofirmen. Lager verändern Layouts, Gegenstände, Personen und Aufgaben je Standort oder Schicht. Blockierte Gänge, fallende Lasten und plötzliche Bewegungen sind andere Grenzfälle als Autobahnverkehr.
Domänentransfer bleibt begrenzt. Fahrzeuge prüfen Kollisionen, Regelkonformität und Eingriffe; Lager Abstand zu Menschen, fallende Objekte, Aufgabenerfolg und sichere Erholung. Ein Fahrversuch validiert keinen humanoiden Paketarbeiter.
Eine Spezialmethode trifft breite Plattformen
Applied Intuition ist die wichtigste kommerzielle Referenz mit Simulation, Validierung, Daten und eingebetteter Software für Auto, Verteidigung, Lkw und Maschinen. Die Series F 2025 brachte 600 Millionen Dollar bei 15 Milliarden Bewertung. Historie, Support, Sicherheitsprüfung und Integration zählen in langen Programmen.
Laplace muss nicht jeden Simulator ersetzen. Ein sinnvoller Einstieg ist das Auffinden bisher übersehener wichtiger Fehler. Projektverträge liefern Lernen und Umsatz, können aber kundenspezifische Arbeit erfordern. Ziel ist mehr wiederkehrende Software und kontinuierliche Prüfung über Releases.
Sun nennt Nvidia als Kunden. Laplace, Nvidia und T-Mobile arbeiten außerdem in einem kostenlosen San-Jose-Smart-City-Pilot an übergeordneter Verkehrssteuerung. Lagerhumanoide werden erkundet. Kostenloser Pilot ist kein offengelegter Bezahlvertrag, Erkundung keine bewiesene breite Einführung.
Waabis KI-Simulator Waabi World dient dagegen dem eigenen Lkw-System, nicht einer neutralen Schicht für alle. Käufer können interne Simulation, breite Plattformen, offene Werkzeuge und Spezialdienste kombinieren.
Nvidia bietet Gelegenheit und Abhängigkeit: Cosmos-Lieferant, genannter Kunde und Pilotpartner, zugleich Anbieter von Werkzeugen für mögliche Rivalen. Applied Intuition und interne Teams können Gegner ergänzen. Laplace braucht eigene Suchintelligenz und nützliche Integration oberhalb des Modells, nicht bloße Neuheit.
Fehlerszenarien sind sensible geistige Eigentumswerte. Käufer brauchen Eigentums- und Zugriffsklarheit, bevor sie Schwächen offenlegen. Projektgewinn zeigt Zahlungsbereitschaft, keine skalierbare wiederkehrende Wirtschaftlichkeit.
Die Realitätslücke entscheidet den Nutzen
Simulation vereinfacht Sensoren, Physik und Menschen. Ein realistischer Fußgänger kann sich unplausibel bewegen, Verkehr lokalen Konventionen widersprechen. Karten und reagierende Akteure helfen, beseitigen aber keine physischen Versuche.
Eine Belohnung für spektakuläre Kollisionen kann Zögern, unangenehme Manöver, Arbeitsblockaden oder schlechten Rückfall übersehen. Ingenieure können keine unendlichen Fehlalarme prüfen; Szenarien brauchen Plausibilität, Schwere, Neuheit und Wiederholbarkeit als Rangmerkmale. Endliche Suche kann vertraute Gefahren wiederholen und unbekannte Wechselwirkungen verpassen.
Am stärksten wäre ein unbekannter virtueller Fehler, physisch reproduziert und durch eine Änderung ohne neues Problem verhindert. Unabhängige Prüfer, Strecken, Hochschulen, Versicherer und neutrale Stellen könnten generierte, aufgezeichnete und menschlich entworfene Tests vergleichen.
Daraus folgen drei Geschäftssignale: Projekte werden wiederkehrend genutzt, virtuelle Funde werden öffentlich mit physischen Ergebnissen verbunden, und trotz großer Konkurrenten bleibt ein Vorteil oder eine Integrationsrolle.
Laplace muss nicht den Ersatz physischer Prüfung beweisen. Bessere reale Experimente auszuwählen ist glaubwürdiger und nützlich. Eine wichtige Schwäche kann den nächsten Zyklus rechtfertigen, muss dafür aber reproduzierbar, plausibel und außerhalb des Bildschirms bedeutsam sein.