جين فيسكيو، رئيسة Empiric Earth – سلسلة مقابلات

جين فيسكيو هي رئيسة Empiric Earth، وتشرف على استراتيجية المنتجات وتطوير الشركات وتسويقها تجارياً. وشغلت سابقاً منصب رئيسة تطوير الأعمال في Uber، حيث قادت تطوير الأعمال على مستوى العالم وعقد شراكات جديدة في مجالي التنقل والقيادة الذاتية. وتشمل خبرتها أيضاً الاستثمار في شركات التكنولوجيا الناشئة وتقديم المشورة لها، مع التركيز على المساعدة في نقل الذكاء الاصطناعي الفيزيائي من مرحلة البحث إلى التطبيق التجاري.

تجمع Empiric Earth بين Nexar وNauto لتوفير معلومات عن القيادة في العالم الحقيقي، ونماذج للسلامة، وإمكانات التحقق من الأداء. وتجمع الشركة بين سجلات مليارات الأميال من القيادة وبيانات الحالات النادرة، لمساعدة المطورين وأساطيل المركبات وغيرها من المؤسسات على فهم الأداء والمخاطر. وفي هذه المقابلة، تناقش فيسكيو التقييم المستقل، والإدارة المسؤولة للبيانات، والتسويق التجاري، والبنية التحتية اللازمة لتوسيع نطاق الذكاء الاصطناعي الفيزيائي.

لديك مسيرة مهنية حافلة شملت تطوير الأعمال على مستوى العالم في Uber، والاستثمار في التقنيات الناشئة، وتقديم المشورة لشركات في مجال الذكاء الاصطناعي الفيزيائي. انضممتِ في البداية إلى مجلس إدارة Empiric Earth في أبريل، ثم توليتِ مؤخراً منصب الرئيسة. ما الذي جذبك إلى الشركة، وما الذي أقنعك في نهاية المطاف بتولي دور قيادي أكثر انخراطاً في العمل؟

بصفتي مستثمرة ومستشارة في مجال الذكاء الاصطناعي الفيزيائي، ظللت ألاحظ الفجوة نفسها. كانت فرق كثيرة تجري تجارب، لكن قلةً منها فقط امتلكت بيانات من العالم الحقيقي تثبت أن أنظمتها تعمل خارج بيئة الاختبار. أما Empiric Earth، فكانت تملك هذه البيانات بالفعل. إن امتلاك سجلات لأكثر من 10 مليارات ميل من القيادة الفعلية و60 مليون حالة حدّية أمر لا يمكن شراؤه ولا اصطناعه.

يضع ذلك الشركة في موقع استثنائي. لسنا مضطرين إلى منافسة الشركات التي تطوّر الروبوتات أو المركبات أو النماذج. بل يمكننا مساعدة هذه الشركات جميعاً على الوصول إلى السوق بوتيرة أسرع، من خلال تزويدها بالمعلومات المستمدة من العالم الحقيقي التي تحتاج إليها لإدارة المخاطر والتحقق من الأداء وبناء الثقة. ومن خلال عضويتي في مجلس الإدارة، رأيت فرصة لبناء شيء يشكل ركيزة أساسية لمنظومة الذكاء الاصطناعي الفيزيائي بأكملها.

ما دفعني إلى تولي منصب الرئيسة هو زاك ورؤيته. أعرفه منذ أن كنا نعمل معاً على بناء الشراكات في مجال التنقل، أنا في Uber وهو في Lyft. حين يأتيك شخص وثقت به طوال هذه المدة، ويعرض عليك مشكلة صعبة وأصلاً لا يملكه أحد سواه، فإنك تصغي إليه. نحن نكمل بعضنا بعضاً؛ فهو يفكر في هذا المجال وإلى أين يتجه، بينما أمضيت مسيرتي المهنية في تحويل التقنيات الجديدة إلى أعمال قابلة للتوسع. ينتقل الذكاء الاصطناعي الفيزيائي الآن من مرحلة البحث إلى التطبيق الفعلي، ولم أرد أن أكتفي بمتابعة ذلك من اجتماعات مجلس الإدارة.

تأسست Empiric Earth من خلال اندماج Nexar وNauto، فجمعت شركتين تتمتعان بخبرة عميقة في معلومات القيادة في العالم الحقيقي والسلامة المدعومة بالذكاء الاصطناعي. ما الإمكانات الفريدة التي يتيحها هذا الاندماج، وكيف تتصورين تميّز الشركة الموحدة في سوق الذكاء الاصطناعي الفيزيائي سريع التطور؟

تأسست Nexar وNauto كلتاهما في عام 2015، وأمضتا معاً ما يزيد على عقدين في دراسة المشكلة نفسها من منظورين مختلفين. وبعملنا معاً، يمكننا فهم ما يحدث على الطريق وكيف يستجيب له السائقون، ما يمنحنا صورة أشمل بكثير عن السلوك والمخاطر في العالم الحقيقي.

بالنسبة إلى السوق الأوسع، يشكل ذلك جسراً بين المحاكاة والعالم الحقيقي. تبني معظم الفرق أنظمتها وتختبرها بالمحاكاة، لكن التحدي الحقيقي هو إثبات قدرة النظام على العمل بموثوقية في ظروف العالم الحقيقي. ويمكننا مساعدة شركائنا على اكتشاف السيناريوهات التي لم تواجهها أنظمتهم من قبل، وتحسين نماذجهم، والتحقق من أدائها بمقارنتها بما يحدث فعلياً. وهذا من شأنه تقصير دورات التطوير، والحد من المخاطر، وتسريع التسويق التجاري.

ما يميزنا هو قدرتنا على إتاحة التقييم المستقل في مختلف أنحاء منظومة الذكاء الاصطناعي الفيزيائي. فنحن لا نطوّر المركبات أو الروبوتات أو الأنظمة الذاتية التي يعمل عملاؤنا على تطويرها، بل نوفر معلومات من العالم الحقيقي تساعدهم على فهم الأداء وإدارة المخاطر وبناء الثقة. ويتطلب ذلك التزاماً بالحياد وقابلية النقل والتشغيل البيني. ومع طرح تطبيقات ونماذج وخدمات جديدة في السوق، نريد أن يتمكن العملاء من استخدامها على أنواع مختلفة من الأجهزة والمنظومات التقنية، من دون الارتهان لمزوّد واحد. وهدفنا هو أن نكون بمثابة «حكم» للمنظومة بأكملها، لا أن نختار الفائزين فيها.

يبرز الذكاء الاصطناعي الفيزيائي بوصفه أحد المجالات الرئيسية التالية في الذكاء الاصطناعي، مع تطبيقات تشمل المركبات ذاتية القيادة والروبوتات والبنية التحتية الذكية. ما أكبر العقبات التي تحول دون عمل هذه الأنظمة بموثوقية في بيئات العالم الحقيقي التي لا يمكن التنبؤ بها، ولماذا يُعد الوصول إلى بيانات من العالم الحقيقي أمراً بالغ الأهمية للتغلب عليها؟

أكبر عقبة هي أن العالم المادي لم يُدوَّن قط. فقد تطورت النماذج اللغوية بسرعة لأنها تدربت على نصوص أُنتجت على مدى عقود. ولا يوجد ما يعادل ذلك لطريق أو أرضية مستودع أو رصيف للمشاة. فمعظم ما يحدث في هذه الأماكن، مثل موقف كاد أن ينتهي بحادث أو مسار أُغلق هذا الصباح، لا يُسجَّل على الإطلاق.

ينشأ عن ذلك مشكلتان. أولهما أن العالم المادي يتغير باستمرار. فلا بد للنظام أن يعرف ما هو صحيح الآن، ولا تستطيع صورة التُقطت في الربيع الماضي أن تخبره عن طريق تغيّر هذا الصباح. كما لا يمكنك العودة إلى الوراء لجمع بيانات الأمس. أما المشكلة الثانية فهي التشتت. فلا توجد شركة واحدة ترى من العالم ما يكفي بمفردها، لذا يجري المطورون تجارب منفصلة باستخدام مجموعات بيانات ونماذج وحزم تقنيات مختلفة. وهذا يجعل مقارنة النتائج وتبادل ما ينجح وتحويل الأبحاث الواعدة إلى منتجات قابلة للاستمرار تجاريًا أمورًا أكثر صعوبة.

تتيح بيانات العالم الحقيقي تجاوز هاتين المشكلتين. فالأحداث النادرة التي تتسبب في تعطل نظام ما تقع في مكان ما كل يوم، ولا يمكن رصدها إلا بمراقبة نطاق واسع من الظروف الواقعية باستمرار. وتُظهر بياناتنا في الولايات المتحدة نحو 19 حالة كادت أن تؤدي إلى اصطدام مقابل كل اصطدام، ولا يظهر أيٌّ منها تقريبًا في تقارير الشرطة أو مطالبات التأمين. وقد عبّر زاك عن ذلك جيدًا في مقال حديث: السلامة هي دراسة الأمور التي لم تحدث. ولا يمكنك دراستها إن لم يرصدها أحد.

جمعت Empiric Earth أكثر من 10 مليارات ميل من سجلات القيادة، وما يزيد على 60 مليون حالة استثنائية، مع تسجيل مئات الملايين من الأميال الإضافية كل شهر. كيف يمكن لمجموعة البيانات الضخمة هذه أن تساعد مطوري الذكاء الاصطناعي على تدريب أنظمة ذاتية القيادة أكثر موثوقية والتحقق من صحتها، ولا سيما في السيناريوهات النادرة أو الخطرة التي يصعب على عمليات المحاكاة التقليدية إعادة إنتاجها؟

تتعامل معظم الأنظمة جيدًا مع ظروف القيادة العادية الآن. لكن ما زال يعطّلها ذلك النطاق الطويل من الحالات النادرة: اصطدام، أو خروج أحد المشاة من بين سيارات متوقفة، أو وجود حيوان على الطريق، أو منطقة أعمال لم تكن موجودة الأسبوع الماضي. هذه الحالات نادرة أكثر من أن يرصدها أسطول اختبارات بأعداد مفيدة، ولا تستطيع المحاكاة إعادة إنتاج سوى ما خطر لأحدهم أن ينمذجه بالفعل.

أُنشئت Empiric Earth للعثور على هذه الحالات. فنحن لا نعالج كل ميل تقطعه مركبات شبكتنا. بل نحتفظ بالجزء الصغير الذي تصنّفه نماذجنا على أنه غير مألوف أو محفوف بالمخاطر، وهكذا تتحول 10 مليارات ميل إلى 60 مليون حالة استثنائية يمكن للمطورين استخدامها فعليًا.

تستخدم الفرق هذا السجل بثلاث طرق. أولًا، تبحث فيه: إذ يمكن لفريق يعمل على مناطق الإنشاءات استرجاع آلاف الأمثلة الواقعية لسائقين بشريين اجتازوا هذه المناطق، بدلًا من كتابة سيناريوهات لعدد قليل منها. ثانيًا، تطلب ما ينقصها: فإذا واجه نظام صعوبة في الانعطاف يسارًا عند التقاطعات المزدحمة، يمكننا توجيه الشبكة إلى هذه الحالة تحديدًا وجمع أمثلة جديدة فور وقوعها. وثالثًا، تقارن الفرق عمليات المحاكاة بالواقع. فعندما يعيد أحد الشركاء بناء حوادث اصطدام حقيقية وحالات كادت أن تؤدي إلى اصطدام، شملت مشاة وراكبي دراجات، يمكنه التحقق مما إذا كان العالم المُحاكى يتصرف كما يتصرف العالم الحقيقي قبل طرح النظام.

وهذا ما يجعل هذه البيانات قيّمة بما يتجاوز البيانات نفسها. فالمحاكاة ضرورية، لكن لا بد من أن تستند إلى ما يحدث فعلًا في العالم الحقيقي. وإتاحة هذه الأدلة للمطورين تساعدهم على تحديد الثغرات مبكرًا، وتحسين أنظمتهم بسرعة أكبر، واتخاذ قرارات أفضل استنادًا إلى المعلومات بشأن مدى جاهزيتها للنشر. كما ترسي أساسًا لتقييم أكثر اتساقًا واستقلالية مع توسع القطاع.

من المبادئ الأساسية التي تميز Empiric Earth استقلالها عن الجهات المصنّعة للأنظمة الذاتية والمركبات التي تقيّمها. لماذا يزداد التحقق المستقل أهمية مع اقتراب الذكاء الاصطناعي الفيزيائي من الانتشار الواسع، وما المعايير التي ينبغي للقطاع اعتمادها لوضع مقاييس مرجعية مجدية لسلامة الذكاء الاصطناعي؟

مع انتقال الذكاء الاصطناعي الفيزيائي من بيئات البحث إلى الأماكن العامة، تصبح الثقة بأهمية الأداء التقني نفسها.

يعتمد جانب كبير من القطاع اليوم على المطورين لاختبار أداء أنظمتهم والإبلاغ عنه. وهذا مفهوم في هذه المرحلة، لكن مع دخول مزيد من الأنظمة الذاتية إلى البيئات اليومية، سيطالب العملاء والجهات التنظيمية والجمهور على نحو متزايد بأدلة مستقلة تثبت أن هذه الأنظمة تعمل بموثوقية.

لقد شهدنا صورًا من هذا التحدي في قطاعات أخرى. فعندما تقود سيارة، يكون هناك إطار راسخ لترخيص السائقين وفحص المركبات وتحديد متطلبات السلامة. وسيحتاج الذكاء الاصطناعي الفيزيائي إلى أساليب خاصة به لإثبات الجاهزية والأداء. وبالنسبة إلى المركبات الذاتية، قد يشبه ذلك رخصة قيادة: اختبارًا موحدًا يبيّن أن أداء النظام يضاهي أداء السائق البشري أو يتجاوزه.

السؤال هو كيف نضع مقاييس مرجعية مجدية تعكس ظروف العالم الحقيقي بدلًا من الاعتماد حصريًا على الاختبارات الخاضعة للرقابة أو عمليات المحاكاة. وينبغي أن تستند هذه المقاييس إلى بيانات العالم الحقيقي، وأن تأخذ في الحسبان السيناريوهات النادرة والخطرة، وأن تتيح تقييم الأداء باتساق عبر الأنظمة المختلفة.

وهنا يمكن لـ Empiric Earth أن تؤدي دورًا مهمًا. فنحن لا نعتقد أن الشركات التي تطور الأنظمة الذاتية ينبغي أن تكون الجهات الوحيدة التي تقيّم أداءها. ويتمثل دورنا في توفير معلومات مستمدة من العالم الحقيقي، ونماذج، وقدرات للتحقق من الصحة بصورة مستقلة، بما يتيح للآخرين تقييم الأداء وإدارة المخاطر وبناء الثقة. ومن خلال الحفاظ على الحياد وقابلية التشغيل البيني، يمكننا دعم التقييم عبر التقنيات والمنصات المختلفة بدلًا من تفضيل نهج بعينه.

في نهاية المطاف، سيتطلب وضع المعايير تعاون المطورين والباحثين والجهات التنظيمية وسائر الأطراف المعنية. ونريد المساعدة في توفير الأساس الذي يجعل التقييم المستقل ممكنًا، بحيث تستند الثقة إلى الأدلة لا إلى الادعاءات.

مع تفاعل أنظمة الذكاء الاصطناعي المتطورة على نحو متزايد مع العالم المادي، يتعين على المؤسسات الموازنة بين الحاجة إلى بيانات شاملة من العالم الحقيقي وبين الخصوصية والأمن والإدارة المسؤولة للبيانات. كيف تتعامل Empiric Earth مع هذه التحديات، وما الضمانات الأساسية لبناء ثقة الجمهور في البنية التحتية واسعة النطاق للذكاء الاصطناعي المادي؟

تبدأ الثقة بكيفية جمع البيانات وحمايتها واستخدامها. في Empiric Earth، ندمج الخصوصية في نهجنا منذ البداية. ونركز على رصد الأحداث الواقعية التي توفر معلومات قيّمة، بدلًا من التعامل مع كل لحظة قيادة على أنها ذات قيمة متساوية. ويُعد إخفاء الهوية والتعامل المسؤول مع البيانات من الركائز الأساسية لهذه العملية.

ولا تقل أهمية مصدر البيانات عن ذلك. فمع اقتراب الذكاء الاصطناعي المادي من الاستخدام التجاري، يحتاج المطورون إلى معرفة مصدر بياناتهم وكيفية جمعها والحقوق التي تنظّم استخدامها. ومن دون هذا الأساس، يصعب بناء الثقة اللازمة للتوسع.

تختلف الأسواق أيضًا في متطلباتها المتعلقة بالخصوصية والموافقة ومكان تخزين البيانات. وتطبّق منصتنا إعدادات خاصة بكل بلد، حتى نتمكن من الامتثال للقواعد المحلية من دون إعادة بناء النظام. وعلينا أخذ هذه الاختلافات في الحسبان عند تقييم أين وكيف نتوسع.

المبدأ الأوسع هو الشفافية. ينبغي لكل من يعمل على بناء بنية تحتية للذكاء الاصطناعي المادي أن يكون قادرًا على توضيح البيانات التي يجمعها وكيفية حمايتها والجهات التي يمكنها استخدامها. فالممارسات المسؤولة في التعامل مع البيانات ليست منفصلة عن بناء مشروع تجاري ناجح، بل هي جزء مما يتيح انتشار استخدامها على نطاق واسع.

أتاح لك عملك في Uber تحويل التقنيات الناشئة والشراكات الاستراتيجية إلى مشاريع تجارية قابلة للتوسع. وفي منصبك الجديد، تتولين مسؤولية استراتيجية المنتجات والتطوير المؤسسي والتسويق التجاري في Empiric Earth. ما الدروس التي اكتسبتها في Uber، والتي تنطبق أكثر من غيرها على توسيع نطاق الذكاء الاصطناعي المادي؟ وكيف تقررين متى تطورون القدرات داخليًا، ومتى تسعون إلى الاستحواذ أو إقامة شراكات؟

علّمتني Uber أن الإجابة الصحيحة قد تتغير. أنشأنا برنامجنا الخاص للقيادة الذاتية، ATG، لأننا اعتقدنا أن علينا امتلاك المجموعة التقنية بأكملها. ثم تخلّينا عنه لصالح Aurora، وعدنا إلى مجال القيادة الذاتية من خلال الشراكات. وكان كلا القرارين منطقيًا في حينه. أما ما تغير فهو معاييرنا المتعلقة بالسرعة والتكلفة والمخاطر.

لذلك نطرح الأسئلة نفسها عند اتخاذ كل قرار بالتطوير أو الشراء أو الشراكة: ما المخاطر؟ وما الموارد ورأس المال اللازمان؟ ما مدى سرعة وصولنا إلى السوق، وما الذي يفعله المنافسون في أثناء ذلك؟ وهل يتوافق ذلك مع استراتيجيتنا؟

تنطلق Empiric Earth من موقع مختلف عن معظم الشركات، لأننا نمتلك بالفعل أصعب عنصر يمكن بناؤه، وهو البيانات. ونطور قدراتنا في المجالات التي يمنحنا فيها هذا الأساس ميزة يصعب على الآخرين تكرارها. وتكون عمليات الاستحواذ مجدية عندما تضيف قدرات مكملة أو تسرّع تنفيذ استراتيجيتنا. أما الشراكات، فكثيرًا ما تكون أسرع طريق للوصول إلى العملاء والأسواق الجديدة والتوسع التجاري. فالذكاء الاصطناعي المادي مجال واسع للغاية بحيث لا تستطيع شركة واحدة بناء كل شيء؛ لذا نريد التعاون مع الشركاء القادرين على تعزيز المنظومة بأكملها، وترتيب نهجنا وفقًا لظروف السوق ومدى توافقها مع ميزتنا التنافسية، أي أصولنا.

شاركتِ أيضًا في منظومة الذكاء الاصطناعي مفتوح المصدر، بما في ذلك العمل مع مجتمع OpenClaw. كيف ترين إسهام الابتكار مفتوح المصدر في تطوير الذكاء الاصطناعي المادي؟ وهل يمكن لمزيد من الشفافية والتعاون تسريع تبنيه مع الحفاظ على معايير السلامة والحوكمة التي تتطلبها هذه الأنظمة؟

غيّر المصدر المفتوح وتيرة تطور الذكاء الاصطناعي في البرمجيات. فعندما يتاح لعدد أكبر من الناس البناء على الأدوات نفسها، تقصر دورات البحث، وتأتي الأفكار الجيدة من كل مكان، لا من أكبر المختبرات وحدها. ولا يزال الذكاء الاصطناعي المادي في مرحلة مبكرة من هذا المسار. فما زال جانب كبير من هذا المجال يقتصر على الأبحاث والعروض التجريبية، والسؤال الآن هو كيف نحول هذا العمل إلى مشاريع تجارية تدوم.

كنت مسؤولة الشراكات في OpenClaw Foundation، التي أُطلقت لدعم رؤية Peter Steinberger بشأن الذكاء الاصطناعي الشخصي القائم على الوكلاء ومفتوح المصدر. وهو من أوضح الأمثلة التي رأيتها على قدرة مشروع مفتوح على تسريع إنجاز العمل الفعلي، إذ استطاع الناس استخدامه وتشغيله على أنظمتهم الخاصة وتوظيفه بما يلائم احتياجاتهم العملية.

هذا هو الدرس الذي أرى أن على مجال الذكاء الاصطناعي المادي أن يأخذه على محمل الجد. فالأدوات المفتوحة تتيح لمزيد من الفرق البناء والتجريب من دون البدء من الصفر. كما أن إبقاء البيانات في بيئة العميل نفسه، بدلًا من مطالبته بإرسالها إلى مكان آخر، يزيل أحد أكبر أسباب تردد الشركات. ويمكن لأسطول مركبات أو مدينة أو شركة تصنيع توظيف الذكاء الاصطناعي على بياناتها الخاصة، وضمن ضوابطها، وتحقيق الفائدة بسرعة أكبر.

هاتان الفكرتان معًا هما ما ينقل هذا القطاع من الأبحاث والعروض التجريبية إلى منتجات يدفع الناس مقابلها. فالانفتاح وحده لا يجعل النظام آمنًا؛ إذ يظل بحاجة إلى اختبارات فعلية وحوكمة واضحة ومساءلة. لكن المنظومة المفتوحة التي تبقى فيها البيانات لدى أصحابها تتيح استخدام مزيد من الأنظمة على أرض الواقع، وهناك تتراكم الخبرات.

في Empiric Earth، نهتم بكيفية مساعدة الأدوات المفتوحة والبيانات التي تظل في بيئة العميل على نمو منظومة الذكاء الاصطناعي الفيزيائي بأكملها، مع حماية بيانات العالم الحقيقي التي تمنح عملنا قيمته. ولا نعتقد أن تطوير المنظومة وبناء نشاط تجاري مستدام هدفان متعارضان.

تحدثت عن أهمية زيادة مشاركة النساء في المناصب القيادية في مجال الذكاء الاصطناعي، لا سيما مع بدء القطاع في وضع معايير السلامة وأطر الحوكمة التي ستحدد كيفية عمل الآلات الذكية في المجتمع. كيف تعتقد أن زيادة التنوع في المناصب القيادية يمكن أن تؤثر في تطوير أنظمة ذكاء اصطناعي أكثر أمانًا ومسؤولية؟

أتعامل بحذر مع هذه المسألة، لأن القول إن «زيادة عدد النساء تجعل الذكاء الاصطناعي أكثر أمانًا» ينطوي بدوره على شكل من أشكال التحيز. فالمسألة أوسع من ذلك. يتعلم الوكلاء الذين نبنيهم مما فعله البشر من قبل، ومن الطريقة التي نعلّمهم بها. وإذا كان جميع المشاركين في تشكيل هذا التعليم يفكرون بالطريقة نفسها، فستكتسب الأنظمة النقاط العمياء نفسها.

تُدخل القيادة المتنوعة وجهات نظر أكثر في القرارات المتعلقة بالقيم التي ينبغي أن يتبناها الوكيل، بما فيها التعاطف والرعاية وأثر القرار على الشخص المعني. فالكثير من مخاطر الذكاء الاصطناعي تقنية، لكن مخاطر أخرى تنشأ عندما تتخذ الأنظمة قرارات لا تعكس قيم الأشخاص المتأثرين بها أو احتياجاتهم. ويساعد إدخال وجهات نظر مختلفة في هذه القرارات على تمييز النقاط العمياء قبل أن تتحول إلى مشكلات في العالم الحقيقي.

ما أريده من هذه الأنظمة بسيط: أن تساعد الناس على اتخاذ قرارات أفضل، وأن تمنحنا مزيدًا من الوقت لنقضيه معًا في الحياة الواقعية. ويتطلب تحقيق ذلك التوازن وضوابط فعلية تستند إلى وجهات نظر كثيرة. فلا تستطيع مجموعة واحدة حل المشكلة بمفردها، ونحن بحاجة إلى تحفيز النساء وتشجيعهن على المشاركة والإسهام في تعزيز الروابط بين الوكلاء والبشر، وبين الوكلاء بعضهم بعضًا، وبين البشر بعضهم بعضًا.

بالنظر إلى السنوات الثلاث إلى الخمس المقبلة، أين ترين أكبر الفرص المتاحة أمام Empiric Earth خارج نطاق تطبيقاتها الحالية في السلامة على الطرق واستخبارات أساطيل المركبات؟ ومع تزايد اندماج المركبات ذاتية القيادة والروبوتات وغيرها من تقنيات الذكاء الاصطناعي الفيزيائي في حياتنا اليومية، ما الدور الذي تتصورين أن تؤديه Empiric Earth في البنية التحتية الداعمة لهذا التحول؟

بدأنا العمل في مجال السلامة على الطرق وأسطول المركبات، ولا يزال هذان المجالان من ركائز أعمالنا. لكن الفرصة الأكبر تكمن في دعم الذكاء الاصطناعي الفيزيائي عبر الحد من المخاطر، وتوفير معيار للتحقق، والعمل في نهاية المطاف على جعل العالم الحقيقي أكثر أمانًا.

تتشابه التحديات الأساسية سواء أكنت تطوّر مركبة ذاتية القيادة، أم روبوتًا للتوصيل، أم نظامًا لاستخبارات قطاع التجزئة يدير شبكة إعلانية وتجارية في العالم الحقيقي. كيف تفهم ما يحدث في العالم الحقيقي؟ وكيف تعرف ما إذا كان النظام قادرًا على التعامل مع المواقف غير المتوقعة؟ وكيف تقيّم الأداء وتدير المخاطر مع انتقال هذه الأنظمة إلى مرحلة النشر التجاري؟

أرى أن Empiric Earth ستصبح طبقة استخبارات مهمة في منظومة الذكاء الاصطناعي الفيزيائي، إذ توفر بيانات ونماذج وتطبيقات وخدمات من العالم الحقيقي تساعد المطورين والشركاء والمشغلين على الإجابة عن تلك الأسئلة. وسيكون الحياد وقابلية النقل والتشغيل البيني عناصر مهمة لتحقيق هذه الرؤية. ونريد أن تعمل قدراتنا عبر تقنيات ومنصات مختلفة، كي يتمكن العملاء من اعتماد الحلول الأنسب لهم.

لدينا قاعدة استثنائية في مجال استخبارات القيادة في العالم الحقيقي، وتتمثل الفرصة الآن في البناء عليها من خلال قدرات وشراكات ونماذج تجارية جديدة.

لن ينتشر الذكاء الاصطناعي الفيزيائي على نطاق واسع لمجرد أن شركة واحدة صنعت أفضل روبوت أو أفضل نموذج؛ بل سيحدث ذلك عندما تمتلك المنظومة الأوسع نطاقًا ما يلزم من استخبارات وأدوات وتدابير سلامة لتشغيل هذه الأنظمة في العالم الحقيقي. وهذا هو الدور الذي نريد أن تؤديه Empiric Earth.

شكرًا على هذا الحوار الرائع. وننصح القراء الراغبين في استكشاف استخبارات العالم الحقيقي والتحقق المستقل للذكاء الاصطناعي الفيزيائي بزيارة Empiric Earth.