Laplace Intelligence chce, aby przeciwnik AI znalazł poważny błąd robota przed wyjazdem na drogę lub do pracy. Spółka z Uniwersytetu Michigan buduje interaktywne symulacje: agenci zmieniają warunki, obserwują reakcję i szukają dalej. Liczy się nie efektowny obraz, lecz znaczenie błędów poza symulacją.
Firma pokazała podejście wśród dwudziestu uczestników Startup Battlefield 200 na TechCrunch Disrupt, 13–15 października w San Francisco. CEO Howie Sun mówi o przychodach, niewielkim zysku i klientach Isuzu, Bot Auto oraz Nvidia w spółce założonej około rok wcześniej z głównym naukowcem Henrym Liu. Kwot, długości umów i retencji nie ujawniono.
To wczesne zainteresowanie, nie niezależny certyfikat bezpieczeństwa. Laplace musi dowieść, że adaptacyjny przeciwnik daje lepsze dowody niż stała biblioteka scenariuszy, nie zastępując walidacji fizycznej.
Szukanie rzadkości zamiast czekania
Red-teaming celowo atakuje słabości przed incydentem. Tutaj dotyczy aut, robotów magazynowych i ruchu. Deweloper rekonstruuje miejsce, wstawia badany system i zmienia warunki językiem naturalnym.
Zamiast powtarzać jedno przejście pieszego, agent zmienia czas, widoczność, geometrię i zachowanie innych. Popołudniowy korek, nietypowy kierowca lub trudne skrzyżowanie tworzą kombinacje łamiące politykę. Cele i ograniczenia nadal określają ludzie.
Sun wskazuje raporty kolizji, wiadomości i inne materiały jako inspirację. Przeniesienie na wykonywalny przypadek nie jest automatyczną prawdą: źródło może pomijać czas, widoczność lub zamiar. Wybory trzeba dokumentować, nie przedstawiać wygenerowanych szczegółów jako obserwacji.
Zwykła eksploatacja nieefektywnie zbiera rzadkie zdarzenia. Badanie Michigan z 2023 sugerowało setki milionów mil, głównie spokojnych, dla wykazania bezpieczeństwa ludzkiego poziomu w warunkach naturalnych. Koncentracja na zagrożeniach zwiększa informację na próbę, nie unieważnia normalnej jazdy.
Praca Nature z 2023 używała gęstego uczenia ze wzmocnieniem, czyli informacji zwrotnej z działań, by skupić środowisko na krytycznych sytuacjach. Usunięto wiele spokojnych przypadków i połączono wirtualne zagrożenia z prawdziwym pojazdem na torze. Badanie trafiło na okładkę z 23 marca i raportowało przyspieszenie o rzędy wielkości w badanych scenariuszach.
Osobny projekt Michigan 2026 oparty na sytuacjach bliskich wypadku podał 90% poprawy bezpieczeństwa w Mcity oraz 99,9% mniej wymaganych mil. To wyniki tamtego układu, nie pomiary produktu Laplace ani wszystkich robotów.
Model świata musi reagować
TechCrunch opisuje dostrojoną wersję Nvidia Cosmos. Dostrajanie po treningu ogólnym przystosowuje model do węższego zadania. Modele świata Cosmos generują lub przewidują środowiska z tekstu, obrazów i wideo dla danych syntetycznych i symulacji.
Laplace dodaje mapy i odniesienia: Street View może dostarczyć wygląd, mapa zachować skalę i układ drogi, dane ruchu zmienić aktywność. Piękny obraz może nadal zawierać niemożliwe pozycje albo reguły.
Interakcja też ma znaczenie. Badany system zmienia świat działaniem, więc inni muszą reagować spójnie. W opisanym pokazie Sun skierował pojazd na ruch przeciwny; drugi samochód ustąpił, zamiast dopuścić niemożliwe przeniknięcie.
Agent testowy nad tą pętlą dobiera zmiany uczące granic systemu. Może modyfikować gęstość, tempo, widoczność i zachowanie, a następne scenariusze oprzeć na wahaniu, naruszeniu reguł lub stanie bez wyjścia.
Tak działa AI testująca AI: adaptacyjne szukanie zamiast przewidywania wszystkiego przez inżyniera. Obie strony mogą się mylić. Tester może przeoczyć zagrożenie, stworzyć nieprawdopodobne albo optymalizować cel bez znaczenia fizycznego.
Odtwarzalność jest konieczna. Wersje świata, stałe kryteria i szczegółowe logi pozwalają powtórzyć błąd po zmianie kodu. Zmiany scenariusza nie wolno pomylić z naprawą polityki; błędy świata trzeba oddzielić od błędów robota.
Maszyny zwiększają obowiązek dowodowy
Zła odpowiedź chatbota nie musi ruszać maszyną. Fizyczna AI łączy percepcję i decyzje z pojazdami, ładunkiem i ludźmi. Pogody, światła, uczestników, przedmiotów i zachowań nie da się w pełni kontrolować.
Liu postuluje test kompetencji podobny do prawa jazdy, obejmujący niechroniony skręt w lewo i ustępowanie pieszym. Źródło opisuje silną samocertyfikację USA i bardziej bezpośrednie wymagania stron trzecich w części Europy i Chin, nie jednolity system prawny wszędzie.
Test może wykazać minimum i poprawić dowody, nie zapobiec każdemu wypadkowi. Klienci, ubezpieczyciele, regulatorzy i partnerzy potrzebują powtarzalnych metod i czytelnych wyników. Realistyczne wideo nie wystarczy.
Roboty ogólne mogą mieć mniej uporządkowanych danych o incydentach niż firmy samochodowe. Magazyny zmieniają układy, obiekty, ludzi i zadania między placówkami i zmianami. Zablokowane przejścia, spadające ładunki i nagły ruch to inne przypadki niż autostrada.
Transfer jest ograniczony. Auto ocenia kolizje, reguły i interwencje; magazyn odległość od pracownika, upadki, wykonanie i bezpieczny powrót. Udana próba drogowa nie waliduje humanoida z paczkami.
Specjalista wśród szerokich platform
Applied Intuition jest głównym punktem odniesienia: symulacja, walidacja, dane i software wbudowany dla motoryzacji, obronności, ciężarówek i maszyn. Runda F 2025 zebrała 600 mln dolarów przy wycenie 15 mld. Długie programy wymagają historii, wsparcia, kontroli i integracji.
Laplace nie musi wymieniać każdego symulatora. Praktyczny punkt wejścia to ważne błędy pominięte wcześniej. Projekty dają naukę i przychód, ale mogą wymagać pracy na zamówienie. Firma chce więcej powtarzalnych przychodów i ciągłych testów wydań.
Sun wymienia Nvidię jako klienta. Obie firmy i T-Mobile uczestniczą też w bezpłatnym pilotażu San Jose dotyczącym wysokopoziomowego zarządzania ruchem; eksplorowane są humanoidy magazynowe. Darmowy pilot nie jest ujawnionym płatnym kontraktem, eksploracja szerokim wdrożeniem.
Waabi World służy własnym ciężarówkom Waabi, nie neutralnej warstwie dla wszystkich. Kupujący mogą łączyć własne symulacje, platformy, narzędzia otwarte i specjalistyczny red-team.
Nvidia to szansa i zależność: dostarcza Cosmos, jest deklarowanym klientem i partnerem, a równocześnie daje narzędzia konkurentom. Applied Intuition i zespoły wewnętrzne też dodadzą agentów. Laplace potrzebuje własnej inteligencji wyszukiwania i użytecznej integracji ponad modelem.
Scenariusze porażek są wrażliwą własnością intelektualną. Przed ich ujawnieniem potrzebne są zasady własności i dostępu. Zysk z pierwszych projektów pokazuje chęć płacenia, nie skalowalną ekonomikę abonamentową.
Luka rzeczywistości wyznacza wartość
Symulacja upraszcza sensory, fizykę i człowieka. Realistyczny pieszy może poruszać się niewiarygodnie, ruch łamać lokalne zwyczaje. Mapy i reakcje pomagają, nie usuwają potrzeby fizycznych prób.
Nagroda za efektowne kolizje może ominąć wahanie, niewygodne manewry, blokady pracy i zły tryb awaryjny. Nie można badać nieskończonych alarmów: potrzebny ranking wiarygodności, wagi, nowości i powtarzalności. Skończone poszukiwanie może też wracać do znanych zagrożeń i pomijać założenia zewnętrzne.
Najmocniejszy dowód to nieznany błąd wirtualny odtworzony fizycznie i usunięty kodem bez nowego problemu. Niezależni badacze, tory, uczelnie, ubezpieczyciele i organizacje mogą porównywać przypadki generowane, nagrane i zaprojektowane przez ludzi.
Trzy sygnały komercyjne wynikają z tego: projekty zmieniają się w stałe użycie, publikowane są związki wirtualnych błędów z fizycznymi wynikami, a po reakcji gigantów pozostaje przewaga lub rola integracyjna.
Laplace nie musi udowadniać zastąpienia realnych testów. Lepszy wybór eksperymentów fizycznych jest wiarygodniejszy. Jedna ważna słabość uzasadni nowy cykl, jeśli jest odtwarzalna, prawdopodobna i istotna poza ekranem.