Laplace Intelligence希望让AI对手在机器人走进道路或工作场所之前，找出可能造成重大后果的错误。这家密歇根大学衍生公司构建交互仿真，由测试智能体改变条件、观察目标反应，再继续搜索。关键不是画面是否逼真，而是找到的失败能否对应现实风险。
公司在旧金山10月13日至15日TechCrunch Disrupt的Startup Battlefield 200中，与20家参赛企业同场展示。CEO Howie Sun称，他与首席科学家Henry Liu约一年前创立公司，已有收入、小幅盈利，客户包括Isuzu、Bot Auto和英伟达。收入规模、合同期限及留存未公开。
这是早期商业兴趣，不是独立安全认证。面对更大的仿真厂商，Laplace需要证明，自适应对手能比固定场景库提供更好证据，同时不取代物理验证。
主动寻找罕见情况，而非等待事故
红队测试是刻意挑战系统，抢在真实事故之前暴露弱点。Laplace将其用于自动驾驶、仓库机器人和智能交通。开发者可以重建地点、放入目标系统，并用自然语言修改条件。
不只是重复同一个行人过街测试，对抗智能体可以改变时机、能见度、道路几何及参与者行为。午后拥堵、异常驾驶者或困难路口，都可组合成挑战策略的情况。目标和约束仍由人设定。
Sun称，碰撞报告、新闻和其他记录可以提供边缘案例线索。但转成可执行场景不等于自动还原事实：原报告可能遗漏时机、能见度或意图。测试需记录这些选择，而非把生成细节悄悄当成现场观察。
日常运营收集罕见事故效率很低。密歇根2023年研究指出，自然驾驶条件下证明达到人类安全水平，可能需要数亿英里，其中多数平淡无事。聚焦危险交互是提高每次测试的信息量，不是说普通里程毫无作用。
2023年Nature研究采用稠密强化学习，即智能体通过行动反馈学习，让环境集中生成安全关键情境。研究去掉许多无事发生的场景，并把虚拟危险与真实车辆、物理试车场结合。成果登上2023年3月23日Nature封面，在所研究场景中实现数量级加速。
另一项2026年密歇根近失事故研究报告，在Mcity测试中安全性改善90%，所需测试里程减少99.9%。这些数字属于该研究配置，不是Laplace商业平台的实测收益，也不能推广至所有机器人。
世界模型必须响应，不只是渲染
据TechCrunch，Laplace采用经过后训练的英伟达Cosmos。后训练是在通用预训练后将模型适配具体任务。Cosmos世界基础模型可从文字、图片、视频等生成或预测物理环境，用于合成数据和仿真。
Laplace加入地图与参考材料：Street View图像提供外观，地图保留尺度和道路结构，交通数据改变活动。扎根真实资料很重要，因为漂亮画面仍可能把物体放在不可能的位置，或生成不现实规则。
交互性是另一关键。受测系统通过动作改变环境，其他参与者必须一致响应。TechCrunch描述的演示中，Sun让测试车朝对向车流驶去，另一辆车主动避让，而不是被动重叠穿过。
在反馈环上，测试智能体选择改动以理解目标极限。它可调整密度、速度、能见度或他人行为，观察犹豫、违规或不可恢复状态，再据此生成下一场景。
这就是“AI测试AI”的机制：不是要求工程师预想所有组合，而是自适应搜索。弱点在于两边都可能犯错，测试者可能漏掉危险、制造不可信危险，或优化无法迁移现实的目标。
因此，可复现不可少。工程师要有版本化环境、稳定标准与细日志，在修改软件后重跑同一失败。不能把场景变了误认为策略修好了，还需区分世界生成错误与机器人错误。
物理机器扩大了证据责任
聊天回答错误未必移动机器，物理AI却把感知和决策连接到车辆、货物及人。天气、光照、道路参与者、物体与人类行为无法完全预先控制。
Liu主张自动驾驶应有类似人类驾照的能力测试，包括无保护左转和让行行人。原稿描述，美国较依赖厂商自我认证，欧洲和中国在部分情形有更直接第三方要求；这不是所有司法地区制度相同的判断。
测试能建立最低能力和更好证据，不能预防每起碰撞。客户、保险、监管及部署伙伴需要可重复方法和可解释结果。逼真视频不足以建立共同信任。
通用机器人的结构化事故数据可能比自动驾驶还少。仓库在不同场地和班次改变布局、物品、人和任务，堵塞通道、掉落货物、突然人员动作都不同于高速路边缘情境。
跨领域迁移因而有限。车辆看碰撞、规则、接管，仓库看人与机器距离、掉物、任务完成及安全恢复。一项驾驶研究成功，不等于已经验证搬包裹的人形机器人。
专业方法进入广平台市场
Applied Intuition是主要商业参照，覆盖汽车、国防、卡车和设备的仿真、验证、数据与嵌入软件。它2025年F轮融资6亿美元，估值150亿美元。长期项目客户关心历史、支持、安全审查与集成。
Laplace不必替换所有仿真器，更实用的入口是找到原流程遗漏的重要失败。项目合同可学习需求、产生收入，却可能依赖定制人力；公司希望转为更多经常性软件收入，在版本更新间持续测试。
Sun称英伟达是客户。Laplace、英伟达和T-Mobile还参与圣何塞免费智慧城市试点，关注高层交通运营。公司也探索仓库人形机器人。免费试点不能计作已披露付费合同，探索也不是广泛部署已验证。
Waabi是不同参照，它用AI中心的Waabi World支持自家卡车系统，而非向所有开发者出售中立测试层。买方可混用内部仿真、广平台、开放工具和专业红队，不必只选一个。
英伟达既是机会，也是依赖：供应Cosmos、据称是客户和试点伙伴，还给其他人适配工具。Applied Intuition和内部团队也能增加自动对手。Laplace需要世界模型之上的差异化搜索智能和可用集成，而非只有新颖性。
失败场景与结果属于敏感知识产权。客户在展示弱点之前，也需要明确归属及访问安排。早期项目盈利说明有人愿意付款，不证明经常性业务可规模化。
仿真鸿沟决定更多测试的价值
仿真会简化传感器、物理及人类行为。画面真实的行人可能运动不合理，交通互动可能违背当地习惯。地图和响应角色减少部分问题，不会消除实体测试。
若目标只奖励壮观碰撞，就可能忽略反复犹豫、不舒适动作、阻塞流程或差的回退。工程师无法调查无限误报，场景需按可信度、严重性、新颖性和可复现性排序。有限搜索也可能反复熟悉危险，漏掉假设外的交互。
最强验证，是发现此前未知的虚拟失败，物理复现，再以软件改动阻止且未带来新问题。独立评估者、试车场、大学、保险或中立安全组织可比较生成、记录及人工设计案例。
商业上的三项证据因此是：项目转为可重复经常使用，公开连接虚拟发现与物理结果，以及大平台跟进后仍有长期优势或集成位置。
Laplace不必证明仿真取代实测。帮助工程师挑选更好的物理实验，是更可信有用的主张。它押注一个重要弱点就值得新一轮测试；责任则是证明弱点可复现、合理，而且意义超出屏幕。