اگر یک درس وجود داشته باشد که حادثه OpenAI-Hugging Face به ما آموخت، این است که عوامل هوش مصنوعی می‌توانند پیش‌بینی‌ناپذیر باشند. 

هوئی سان، مدیرعامل و یکی از بنیانگذاران Laplace Intelligence به TechCrunch گفت: “تصور کنید اگر چیزی شبیه به این در دنیای فیزیکی اتفاق بیفتد. عامل‌های هوش مصنوعی از کامپیوترها به دنیای واقعی منتقل می‌شوند و ما واقعاً نمی‌خواهیم که هوش مصنوعی فیزیکی در دنیای واقعی شکست بخورد.”

Laplace مستقر در آن آربور، در حال ساخت تیم‌های قرمزی خودکار است — در واقع، آزمایش فشار بر یک سیستم با تلاش عمدی برای به شکست انداختن آن — برای رباتیک و هوش مصنوعی فیزیکی. این شرکت مطمئن است که تنها راه برای اطمینان از ایمنی هوش مصنوعی فیزیکی، تست آن توسط هوش مصنوعی است.

سان گفت: “هدف ما کمک به شرکت‌ها در کشف و رفع مشکلات قبل از راه‌اندازی است — و با گذشت زمان، ساخت یک پایه مشترک از شواهد که مشتریان، بیمه‌گران و نهادهای نظارتی می‌توانند به آن اعتماد کنند.”

Laplace یکی از 20 استارتاپی است که در میدان استارتاپ TechCrunch Disrupt در سن فرانسیسکو رقابت می‌کند. این شرکت دوشنبه عصر، 13 اکتبر در صحن استارتاپ Battlefield ارائه خواهد داد.

سان به همراه همبنیان‌گذار و دانشمند ارشدش، هنری لیو، یک سال پیش از دانشگاه میشیگان، Laplace را تأسیس کردند. سان در هشت سال گذشته در دانشگاه به تحقیق در مورد چالش‌های هوش مصنوعی در رانندگی خودکار مشغول بوده است. در سال 2023، او و لیو – مشاور دکتری او در آن زمان – یک مقاله در این موضوع منتشر کردند که روی جلد یک نشریه علمی معتبر به نام Nature قرار گرفت. از آن زمان، تماس‌ها از شرکت‌های سازنده وسایل نقلیه خودران که علاقه‌مند به اجرای ایده‌های خود بودند، آغاز شد. 

سان گفت: “متوجه شدم که می‌خواهم این را بسازم و آن را از تحقیقاتی کاملاً آکادمیک به محصولی مفید در دنیای واقعی منتقل کنم.” 

استفاده از تحقیقات آکادمیک به عنوان پایه، سان و لیو Laplace را تأسیس کردند، این نام به خاطر “شیطان لاپلاس” است، یک آزمایش فکری از دانشمند فرانسوی پیر-سیمون لاپلاس در سال 1814 که تصور می‌کرد اگر شما دقیق‌ترین وضعیت همه چیز در جهان را بدانید، می‌توانید آینده را با دقت کامل پیش‌بینی کنید.

سان گفت: “ما اساساً از شبیه‌سازی برای پیش‌بینی آینده دنیای واقعی استفاده می‌کنیم.” 

در هسته این استارتاپ، یک شبیه‌سازی با دقت بالا وجود دارد که از دنیای واقعی بازسازی شده و با یک عامل هوش مصنوعی که دائماً به دنبال نقاط ضعف و نقاط شکست است، همراه است. هدف این است که اطمینان حاصل شود که هر هوش مصنوعی فیزیکی – چه ربات، وسیله نقلیه خودران یا راه‌حل‌های هوشمند شهری – قبل از استقرار در دنیای واقعی در شبیه‌سازی ایمن است. 

محیط شبیه‌سازی شده یک نسخه آموزش‌دیده شده از Cosmos انویدیا، یک پلتفرم شبیه‌سازی دنیای هوش مصنوعی است که در دنیای واقعی مستقر است و به Laplace اجازه می‌دهد هر چیزی از بزرگراهی در آریزونا تا پیاده‌روی‌ای در پاریس را بازسازی کند. شبیه‌سازی‌ها با ترکیب یک شبکه از اطلاعات مختلف دنیای واقعی تولید می‌شوند. یک تصویر از Google Street View می‌تواند به عنوان مرجعی برای تولید یک خیابان کامل استفاده شود. اما به جای تولید چیزی تصادفی، شبیه‌ساز داده‌های نقشه واقعی را ترکیب می‌کند تا محیطی را بازسازی کند که به مقیاس واقعی نزدیک باشد. 

سازندگان می‌توانند از درخواست‌های زبانی برای تغییر تنظیمات در زمان واقعی استفاده کنند، مانند افزودن ترافیک بعدازظهر. سان می‌گوید Laplace اطلاعات ترافیک و شلوغی در زمان واقعی را از تأمین‌کنندگان ناوبری مانند TomTom دریافت می‌کند. 

در شبیه‌سازی‌های Laplace، نه تنها محیط شبیه‌سازی می‌شود، بلکه رفتار سایر بازیگران نیز شبیه‌سازی می‌شود. به عنوان مثال، در یک دمو، سان هدایت وسیله نقلیه آزمایشی را به سمت ترافیک متقابل هدایت کرد. خودرویی که ممکن بود به آن برخورد کند – یا از آن عبور کند، همانطور که در برخی مدل‌های دنیای مولد رایج است – برای اجتناب از تصادف از مسیر خود خارج شد. 

سان گفت: “این واقعاً یک محیط شبیه‌سازی تعاملی است. همه به همه چیز واکنش نشان می‌دهند. … این بیشتر شبیه یک مدل دنیایی با شرکت‌کنندگان تعاملی است.”

در حالی که محیط شبیه‌سازی شده بخش مهمی از محصول Laplace است، نکته فروش منحصر به فرد واقعی، عوامل هوش مصنوعی است که این استارتاپ در حال توسعه آنها برای طراحی خودکار موارد حاشیه‌ای (سناریوهای دشوار و نادری که می‌توانند سیستم هوش مصنوعی را دچار مشکل کنند) است که انسان را بیشتر از این فرآیند خارج می‌کند. 

سان گفت: “آنها می‌توانند از اخبار، از گزارش‌های پلیس در مورد تصادفات — تمام انواع اطلاعات برای به چالش کشیدن فعال وسایل نقلیه خودران و سایر عوامل هوش مصنوعی فیزیکی طراحی کنند.”

امروز، توسعه‌دهندگان وسایل نقلیه خودران عمدتاً یک هوش مصنوعی را برای مدیریت موارد حاشیه‌ای آموزش می‌دهند با استفاده از فیلم‌های ضبط شده که سپس به شبیه‌سازی تبدیل می‌شوند، یا به انسان‌ها وابسته‌اند تا ایده‌های جدیدی ارائه دهند و آنها را طراحی کنند. در حالی که بسیاری از شرکت‌های وسایل نقلیه خودران آنچه را که Laplace ارائه می‌دهد انجام داده‌اند و شروع به استفاده از هوش مصنوعی برای ایجاد موارد حاشیه‌ای برای آموزش کرده‌اند — شرکت کامیون‌های خودران Waabi به ذهن می‌آید — نیاز به این نوع فناوری وقتی واقعاً آشکار خواهد شد که ما شروع به قرار دادن ربات‌های عمومی در دنیای واقعی کنیم. 

سان گفت: “داده‌های کمتری در مورد رباتیک عمومی وجود دارد. هیچ‌کس نمی‌داند که موارد حاشیه‌ای در دنیای واقعی چه خواهد بود.”

با وجود اینکه سان و لیو از دانشگاه آمده‌اند و هیچ پیشینه‌ای از شرکت‌های فناوری در دره سیلیکون ندارند، این دو توانسته‌اند شروع به تولید درآمد و حتی سود اندکی کنند. بیشتر درآمدها از موارد استفاده رانندگی خودکار می‌آید، با مشتریانی شامل تولیدکننده کامیون‌های ژاپنی ایسوزو و شرکت کامیون‌داران خودران مستقر در تگزاس، Bot Auto. 

سان می‌گوید انویدیا نیز یکی از مشتریان است. این دو شرکت به همراه T-Mobile در حال همکاری در یک پایلوت هوشمند شهری رایگان برای شهر سان خوزه هستند تا عملیات ترافیکی سطح بالا را ارائه دهند. Laplace همچنین در مراحل اولیه همکاری با شرکای خود برای ساخت ربات‌های انسان‌نما برای انبارها است.  

اکثر قراردادهای مشتریان Laplace در حال حاضر مبتنی بر پروژه است و شرکت در حال تلاش برای تبدیل آن به درآمد مکرر است. هدف نزدیک‌مدت استارتاپ — که امیدوار است با رقابت در Disrupt کمک شود — جمع‌آوری سرمایه و مقیاس‌بندی است تا بتواند با رقبا رقابت کند. 

رقیبان اصلی آن Applied Intuition است، یک استارتاپ با حال و هوای پیشرفته که تا به امروز 1.2 میلیارد دلار جمع‌آوری کرده است با ارزش گذاری 15 میلیارد دلار بعد از درآمد. ایسوزو نیز یکی از مشتریان Applied است. 

سان نگران نیست. او معتقد است که روش‌شناسی اصلی Laplace که شامل استفاده از هوش مصنوعی برای تست هوش مصنوعی است، “یک پارادایم جدیدی است که آزمایش هوش مصنوعی فیزیکی را به‌طور کامل تغییر می‌دهد” و آن را به یک “فرآیند تست تعاملی پویا” تبدیل می‌کند.

او گفت: “این بزرگترین حصار خواهد بود.”