Laplace Intelligence veut qu’un adversaire IA découvre une erreur grave du robot avant son arrivée sur route ou au travail. La jeune pousse issue de l’Université du Michigan construit des simulations interactives : les agents changent les conditions, observent et recherchent encore. Ce qui compte est moins l’image que le sens physique des défaillances.
La startup a présenté sa méthode parmi vingt concurrents du Startup Battlefield 200 à TechCrunch Disrupt, du 13 au 15 octobre à San Francisco. Howie Sun dit que la société fondée un an auparavant avec le scientifique en chef Henry Liu a des revenus, un bénéfice modeste et des clients Isuzu, Bot Auto et Nvidia. Montants, durée des contrats et fidélisation ne sont pas publics.
C’est un intérêt initial, pas une certification indépendante. Face aux grands fournisseurs, Laplace doit prouver qu’un adversaire adaptatif produit mieux qu’une bibliothèque fixe sans remplacer la validation physique.
Chercher le rare plutôt que l’attendre
Le red-teaming défie délibérément un système avant l’incident. Ici : véhicules autonomes, robots d’entrepôt et circulation. Le développeur reconstruit un lieu, place la cible et change les conditions par le langage.
Au lieu d’un passage piéton défini répété, l’agent varie moment, visibilité, géométrie et comportements. Embouteillage, conducteur inhabituel et carrefour difficile créent des combinaisons menaçant la politique. Objectifs et contraintes restent humains.
Sun cite rapports de collision, informations et dossiers comme sources. Les convertir en cas exécutables n’est pas une vérité automatique : temps, visibilité et intention peuvent manquer. Il faut documenter les choix, pas transformer les détails générés en observations.
L’exploitation courante collecte mal les événements rares. Une étude Michigan 2023 évoquait des centaines de millions de miles pour démontrer une sécurité humaine en conditions naturelles, souvent banales. Concentrer les dangers augmente l’information par essai, sans rendre inutile la conduite normale.
L’article Nature 2023 utilisait l’apprentissage par renforcement dense, par retour des actions, pour cibler les situations critiques. Il retirait des cas tranquilles et reliait dangers virtuels et véhicule réel sur piste. En couverture du 23 mars, il rapportait une accélération de plusieurs ordres dans les scénarios étudiés.
Un autre projet Michigan 2026 sur les quasi-accidents annonçait 90 % d’amélioration à Mcity et 99,9 % de miles nécessaires en moins. Ces chiffres appartiennent à cette expérience, pas au produit Laplace ni à tous les robots.
Un monde doit réagir, pas seulement être rendu
TechCrunch rapporte une version post-entraînée de Nvidia Cosmos. Le post-entraînement adapte un modèle général à une tâche. Les modèles de monde Cosmos génèrent ou prédisent des environnements à partir de texte, images et vidéos pour données synthétiques et simulation.
Laplace ajoute cartes et références : Street View pour l’apparence, cartes pour échelle et structure, données de trafic pour activité. Une belle image peut toujours placer des objets impossibles ou créer de mauvaises règles.
L’interactivité distingue aussi. La cible change le monde en agissant ; les autres doivent répondre de façon cohérente. Dans la démonstration décrite, Sun dirige une voiture vers le trafic opposé, et l’autre s’écarte plutôt que permettre une superposition impossible.
L’agent de test choisit au-dessus de cette boucle des modifications pour apprendre les limites. Densité, vitesse, visibilité et comportement varient ; hésitation, infraction ou impasse orientent le prochain scénario.
Voilà l’IA testant l’IA : recherche adaptative plutôt qu’anticipation humaine de tout. Les deux côtés peuvent pourtant se tromper. Le testeur peut manquer un danger, inventer l’invraisemblable ou optimiser un objectif sans transfert.
La reproduction est donc indispensable. Mondes versionnés, critères stables et journaux permettent de rejouer après modification. Un scénario changé ne prouve pas une politique corrigée ; les erreurs du monde doivent être séparées des erreurs du robot.
Les machines élargissent le devoir de preuve
Une mauvaise réponse ne déplace pas nécessairement une machine. L’IA physique relie perception et décision aux véhicules, charges et humains. Météo, lumière, usagers, objets et comportements ne sont pas entièrement contrôlables.
Liu défend un examen de compétence comme pour les conducteurs, avec virages à gauche non protégés et priorité aux piétons. La source décrit une forte autocertification américaine et des exigences tierces plus directes dans certains contextes européens et chinois, pas une réglementation identique partout.
L’examen donne un minimum et de meilleurs éléments, pas l’absence de tout accident. Clients, assureurs, autorités et opérateurs exigent méthode répétable et résultats compréhensibles. La vidéo réaliste ne suffit pas.
Les robots généraux peuvent avoir moins de données structurées que les entreprises de conduite. Les entrepôts changent objets, plans, personnes et tâches entre sites et équipes. Allées bloquées, charges tombées et mouvements soudains diffèrent d’une autoroute.
Le transfert est limité. Les véhicules mesurent collisions, règles et interventions ; l’entrepôt séparation, objets tombés, tâches et récupération. Une étude de conduite ne valide pas un humanoïde manipulant des colis.
Une méthode ciblée dans un marché large
Applied Intuition est la principale référence : simulation, validation, données et logiciel embarqué pour auto, défense, camions et équipements. Sa série F 2025 a levé 600 millions de dollars à 15 milliards de valorisation. Historique, assistance, revues et intégration comptent dans les longs programmes.
Laplace n’a pas besoin de remplacer tous les simulateurs. Trouver les erreurs importantes oubliées est une entrée pratique. Les projets donnent revenu et apprentissage, mais peuvent exiger du travail personnalisé. L’entreprise veut davantage de logiciel récurrent et de tests entre versions.
Sun nomme Nvidia client. Laplace, Nvidia et T-Mobile participent aussi à un pilote gratuit à San Jose pour opérations générales du trafic ; les humanoïdes d’entrepôt sont explorés. Un pilote gratuit n’est pas un contrat payant divulgué, l’exploration pas un déploiement massif prouvé.
Waabi World sert plutôt au propre camion de Waabi qu’à une couche neutre pour tous. Les acheteurs peuvent combiner interne, plateformes larges, outils ouverts et red-team spécialisé.
Nvidia est occasion et dépendance : fournisseur Cosmos, client déclaré et partenaire, mais aussi outillage pour les rivaux. Applied Intuition et équipes internes peuvent ajouter des adversaires. Laplace a besoin d’intelligence de recherche et d’intégration au-dessus du modèle, pas seulement de nouveauté.
Les scénarios d’échec sont une propriété intellectuelle sensible. Les clients doivent clarifier propriété et accès avant de révéler des faiblesses. Le profit initial montre une volonté de payer, pas une économie récurrente scalable.
L’écart au réel décide de la valeur
La simulation simplifie capteurs, physique et humains. Un piéton réaliste peut bouger de façon impossible ; le trafic contredire les usages. Cartes et acteurs réactifs aident sans supprimer les essais physiques.
Récompenser les collisions spectaculaires peut manquer hésitation, inconfort, blocage et mauvais repli. On ne peut enquêter sur des alarmes infinies : il faut classer plausibilité, gravité, nouveauté et reproduction. La recherche finie peut répéter des dangers connus et manquer l’extérieur de ses hypothèses.
La preuve forte serait un échec virtuel inconnu reproduit physiquement puis évité par correction sans autre problème. Évaluateurs, pistes, universités, assureurs et organismes neutres pourraient comparer cas générés, enregistrés et humains.
Trois signaux commerciaux suivent : les projets deviennent récurrents, les résultats virtuels sont publiquement reliés au physique, et un avantage ou rôle d’intégration demeure après réaction des grands.
Laplace n’a pas à prouver le remplacement des tests réels. Choisir de meilleures expériences physiques est plus crédible. Une faiblesse importante justifie un cycle si elle est reproductible, plausible et significative hors de l’écran.