Laplace Intelligence 为机器人和自动驾驶汽车做红队测试
Laplace Intelligence red-teams robots and self-driving cars before they hit the real world
AI 导读
Laplace Intelligence 正在为机器人和物理 AI 构建自动化红队测试，通过高保真仿真在部署前发现并修复问题。
摘要与补充说明
其仿真环境基于 Nvidia Cosmos 的后训练版本，可结合 Google Street View 图像与真实地图数据重建亚利桑那州高速公路、巴黎人行横道等场景，并从 TomTom 获取实时交通信息。核心卖点是自动设计 corner case 的 AI 智能体，可从新闻和警方碰撞报告中提取信息主动挑战自动驾驶系统。公司已产生收入并实现小幅盈利，客户包括自动驾驶卡车公司 Bot Auto 和一家日本大型车企，同时与 Nvidia、T-Mobile 在加州圣何塞开展免费智慧城市试点。
正文· AI 翻译
如果说 OpenAI-Hugging Face 事件教会了我们什么，那就是 AI 智能体可能难以预测。
“想象一下，如果类似的事情发生在物理世界中，”Laplace Intelligence 首席执行官兼联合创始人 Howie Sun 对 TechCrunch 表示。“AI 智能体正在从计算机走向现实世界，而我们并不希望物理 AI 在现实世界中失败。”
总部位于安娜堡的 Laplace 正在为机器人和物理 AI 构建自动化红队测试——本质上就是通过刻意让系统失败来对其进行压力测试。该公司押注的是，确保物理 AI 安全的唯一方法，就是让 AI 来测试它。
“我们的目标是帮助企业在部署前发现并修复问题——并且随着时间推移，建立一个客户、保险公司和监管机构都能信任的共享证据基础，”Sun 说。
Laplace 是 Startup Battlefield 200 的 20 家参赛初创公司之一，该创业路演竞赛于本周 10 月 13 日至 15 日在旧金山举行的 TechCrunch Disrupt 上进行。它将于 10 月 13 日周二下午在 Disrupt Stage 上进行展示。
Sun 与他的联合创始人兼首席科学家 Henry Liu 一年前在密歇根大学创立了 Laplace。过去八年里，Sun 一直在学术界研究如何在仿真中挑战自动驾驶 AI。2023 年，他和 Liu——他当时的博士导师——发表了一篇关于该主题的论文，并登上了顶级科学期刊 Nature 的封面。从那时起，对实施他们的想法感兴趣的自动驾驶公司开始纷纷打来电话。
“我意识到，我想把这件事做出来，把它从纯粹的学术研究变成一款在现实世界中有用的产品，”Sun 说。
以他们的学术研究为基础，Sun 和 Liu 打造了 Laplace，其名称源自“拉普拉斯妖”——法国学者皮埃尔-西蒙·拉普拉斯于 1814 年提出的一个思想实验，他设想，如果你知道宇宙中一切事物的确切状态，你就能完全精确地预测未来。
“我们本质上是在用仿真来预测现实世界的未来，”Sun 说。
这家初创公司的核心是一个从现实世界重建的高保真仿真，并配有一个不断探查弱点和故障点的 AI 智能体。目标是确保任何物理 AI——无论是机器人、自动驾驶汽车还是智慧城市解决方案——在部署到现实世界之前，都能在仿真中证明其安全性。
该仿真环境是 Nvidia 的 Cosmos（一个 AI 世界仿真平台）经过后训练的版本，它以现实世界为基础，使 Laplace 能够重建从亚利桑那州高速公路到巴黎人行横道的任何场景。仿真通过融合不同现实世界信息的网格来生成。一张 Google 街景图像可以作为参考，据此生成整条街道。但模拟器并非随机生成内容，而是结合现实世界的地图数据，重建一个比例真实的场景。
随后，开发者可以使用语言提示实时更改场景，比如加入下午的车流。Sun 表示，Laplace 会从 TomTom 等导航服务提供商处获取实时交通和拥堵信息。
在Laplace的仿真中，不仅环境被模拟，其他参与者的行为也被模拟。例如，在一次演示中，Sun让测试代理车辆转向冲入迎面而来的车流。那辆本会被撞上——或被径直穿过，这在一些生成式世界模型中很常见——的车则移开以避让碰撞。
“这确实是一个交互式仿真环境，”Sun说。“每个对象都在对一切作出反应……这更像是一个带有交互参与者的世界模型。”
虽然仿真环境是Laplace产品的重要组成部分，但真正独特的卖点是这家初创公司正在开发的AI代理，它们能自动设计边角案例（可能让AI系统出错的棘手、罕见场景），从而进一步将人类移出循环。
“它们可以从新闻、警方碰撞报告中获取信息——利用各种信息主动挑战自动驾驶车辆和其他物理AI代理，”Sun说。
如今，自动驾驶车辆开发者大多使用录制的影像来训练AI处理边角案例，然后将其转化为仿真，或者依赖人类提出新想法并加以设计。虽然许多自动驾驶公司已经实现了Laplace所宣传的做法，并开始采用AI来生成用于训练的边角案例——自动驾驶卡车公司Waabi 便是一例——但当我们开始将通用机器人部署到现实世界时，对这类技术的需求才会真正显现。
“通用机器人领域的数据较少，”Sun说。“没人知道现实世界中的边角案例会是什么。”
尽管Sun和Liu来自学术界，没有光鲜的硅谷科技公司背景，但两人已经成功开始创收，甚至实现了微薄盈利。大部分收入来自自动驾驶用例，客户包括总部位于得克萨斯州的自动驾驶卡车公司Bot Auto和一家日本大型汽车制造商。
Laplace还在与Nvidia和T-Mobile合作，为加利福尼亚州圣何塞开展一个免费的智慧城市试点项目，以提供高水平的交通运营。Laplace也正处于与为仓库构建人形机器人的合作伙伴开展合作的早期阶段。
目前，Laplace的大多数客户合同都是基于项目的，公司正致力于将其转化为经常性收入。这家初创公司的近期目标——它希望通过在Disrupt上参赛来助力实现——是筹集资金并扩大规模，以便与竞争对手抗衡。
其竞争对手中最主要的是Applied Intuition，这是一家备受关注的后期阶段初创公司，迄今已融资12亿美元，投后估值为150亿美元。
Sun并不太担心。他相信，Laplace用AI测试AI的核心方法论是一种“改变物理AI测试的全新范式”，将其转变为“动态交互式测试过程”。
“那将是最深的护城河，”他说。
本文已更新，以澄清Laplace与Nvidia的关系。
当您通过我们文章中的链接进行购买时，我们可能会赚取少量佣金。这不会影响我们的编辑独立性。