Jen Vescio, præsident for Empiric Earth – interviewserie

Jen Vescio er præsident for Empiric Earth, hvor hun står i spidsen for produktstrategi, virksomhedsudvikling og kommercialisering. Tidligere var hun Chief Business Development Officer hos Uber, hvor hun ledede den globale forretningsudvikling og indgik nye partnerskaber inden for mobilitet og autonom kørsel. Hendes erfaring omfatter også investering i og rådgivning af nye teknologivirksomheder med fokus på at hjælpe fysisk AI fra forskning til kommerciel implementering.

Empiric Earth samler Nexar og Nauto for at levere indsigt i kørsel i den virkelige verden, sikkerhedsmodeller og valideringsmuligheder. Virksomheden kombinerer milliarder af kilometers kørselsdata med registreringer af sjældne hændelser for at hjælpe udviklere, flådeoperatører og andre organisationer med at forstå ydeevne og risiko. I dette interview taler Vescio om uafhængig evaluering, ansvarlig datastyring, kommercialisering og den infrastruktur, der skal til for at skalere fysisk AI.

Du har haft en omfattende karriere, der spænder over global forretningsudvikling hos Uber, investeringer i nye teknologier og rådgivning af virksomheder inden for fysisk AI. Du kom først ind i Empiric Earths bestyrelse i april og er for nylig tiltrådt som præsident. Hvad tiltrak dig ved virksomheden, og hvad overbeviste dig i sidste ende om at påtage dig en mere aktiv lederrolle?

Som investor og rådgiver inden for fysisk AI blev jeg ved med at se det samme hul. Mange teams gennemførte eksperimenter, men meget få havde data fra den virkelige verden, der kunne bevise, at deres systemer fungerede uden for et testmiljø. Empiric Earth havde allerede disse data. Mere end 10 milliarder kilometers reel kørsel og 60 millioner ekstreme tilfælde er ikke noget, man kan købe eller forfalske.

Det stiller virksomheden i en usædvanlig position. Vi behøver ikke konkurrere med de virksomheder, der bygger robotter, køretøjer eller modeller. Vi kan hjælpe dem alle med at komme hurtigere på markedet ved at levere den indsigt fra den virkelige verden, de har brug for til at håndtere risiko, validere ydeevne og opbygge tillid. Fra min plads i bestyrelsen så jeg muligheden for at skabe noget grundlæggende for hele økosystemet for fysisk AI.

Det, der fik mig til at påtage mig rollen som præsident, var Zach og hans vision. Jeg har kendt ham, siden vi begge arbejdede med at skabe partnerskaber inden for mobilitet – jeg hos Uber og han hos Lyft. Når en person, du har stolet på i så lang tid, kommer til dig med et svært problem og et aktiv, som ingen andre har, lytter man. Vi supplerer hinanden. Han tænker på kategorien og dens fremtid. Jeg har brugt min karriere på at omsætte ny teknologi til virksomheder, der kan skaleres. Fysisk AI bevæger sig lige nu fra forskning til reel implementering, og jeg ville ikke nøjes med at følge udviklingen fra et bestyrelsesmøde.

Empiric Earth blev dannet ved en fusion mellem Nexar og Nauto, hvorved to virksomheder med stor ekspertise inden for indsigt i kørsel i den virkelige verden og AI-baseret sikkerhed blev samlet. Hvilke unikke muligheder åbner denne kombination for, og hvordan forestiller du dig, at den samlede virksomhed vil skille sig ud på det hastigt udviklende marked for fysisk AI?

Nexar og Nauto blev begge grundlagt i 2015 og har tilsammen brugt over to årtier på at undersøge det samme problem fra to forskellige perspektiver. Sammen kan vi forstå, hvad der sker på vejen, og hvordan førerne reagerer på det, hvilket giver os et langt mere nuanceret billede af adfærd og risiko i den virkelige verden.

For det bredere marked bygger det bro mellem simulering og den virkelige verden. De fleste teams udvikler og tester i simuleringer, men den svære del er at bevise, at et system kan fungere pålideligt under virkelige forhold. Vi kan hjælpe vores partnere med at finde scenarier, deres systemer endnu ikke har mødt, forbedre deres modeller og validere ydeevnen i forhold til det, der faktisk sker. Det kan forkorte udviklingsforløbene, mindske risikoen og fremskynde kommercialiseringen.

Det, der adskiller os, er vores evne til at muliggøre uafhængig evaluering på tværs af økosystemet for fysisk AI. Vi bygger ikke de køretøjer, robotter eller autonome systemer, som vores kunder udvikler. Vi leverer indsigt fra den virkelige verden, der hjælper dem med at forstå ydeevne, håndtere risiko og opbygge tillid. Det kræver, at vi forpligter os til neutralitet, portabilitet og interoperabilitet. Når vi lancerer nye applikationer, modeller og tjenester, skal kunderne kunne bruge dem på tværs af forskellige hardware- og teknologistakke uden at være bundet til én bestemt leverandør. Vores mål er at fungere som en »dommer« for hele økosystemet – ikke at udpege vindere.

Fysisk AI er ved at blive en af de næste store frontlinjer inden for kunstig intelligens med anvendelser inden for blandt andet autonome køretøjer, robotteknologi og intelligent infrastruktur. Hvad mener du er de største hindringer for, at disse systemer kan fungere pålideligt i uforudsigelige miljøer i den virkelige verden, og hvorfor er adgang til data fra den virkelige verden så afgørende for at overvinde dem?

Den største hindring er, at den fysiske verden aldrig er blevet dokumenteret. Sprogmodeller blev hurtigt gode, fordi de blev trænet på årtiers tekst, som mennesker allerede havde produceret. Der findes ikke noget tilsvarende for en vej, et lagergulv eller et fortov. Det meste af det, der sker dér – for eksempel en nærvedulykke eller en vejbane, der blev lukket her til morgen – bliver slet ikke registreret.

Det skaber to problemer. Det første er, at den fysiske verden hele tiden forandrer sig. Et system skal vide, hvad der er sandt lige nu, og et foto fra sidste forår kan ikke fortælle det om en vej, der blev ændret i morges. Man kan heller ikke gå tilbage og indsamle det, der skete i går. Det andet problem er fragmentering. Ingen enkelt virksomhed har indblik i nok af verden på egen hånd, så udviklerne gennemfører separate eksperimenter med forskellige datasæt, modeller og teknologistakke. Det gør det sværere at sammenligne resultater, dele det, der virker, og omsætte lovende forskning til kommercielt levedygtige produkter.

Data fra den virkelige verden gør det muligt at løse begge problemer. De sjældne hændelser, der får et system til at svigte, sker et eller andet sted hver dag, og man kan kun finde dem ved løbende at observere en lang række virkelige forhold. I vores amerikanske data er der omkring 19 nærved-hændelser for hver kollision, og næsten ingen af dem fremgår af en politirapport eller et forsikringskrav. Zach formulerede det godt i et nyligt essay: Sikkerhed handler om at undersøge det, der ikke skete. Det kan man ikke undersøge, hvis ingen har registreret det.

Empiric Earth har samlet over 10 milliarder miles kørselshistorik og mere end 60 millioner grænsetilfælde, og der indsamles yderligere flere hundrede millioner miles hver måned. Hvordan kan dette omfattende datasæt hjælpe AI-udviklere med at træne og validere mere pålidelige autonome systemer, især i sjældne eller farlige situationer, som traditionelle simuleringer har svært ved at genskabe?

De fleste systemer håndterer almindelig kørsel godt nu. Det, der stadig får dem til at svigte, er den lange hale: en kollision, en fodgænger, der træder frem mellem parkerede biler, et dyr på vejen eller et vejarbejdsområde, der ikke var der i sidste uge. De situationer er for sjældne til, at en testflåde kan indfange dem i et brugbart antal, og simulering kan kun genskabe det, som nogen allerede har tænkt på at modellere.

Empiric Earth blev skabt for at finde dem. Vi behandler ikke hver eneste mile, vores netværk tilbagelægger. Vi gemmer den lille andel, som vores modeller markerer som usædvanlig eller risikofyldt, og på den måde bliver 10 milliarder miles til 60 millioner grænsetilfælde, som en udvikler rent faktisk kan bruge.

Teams bruger disse data på tre måder. De søger i dem: Et team, der arbejder med vejarbejdsområder, kan hente tusindvis af virkelige eksempler på menneskelige bilister, der kommer igennem dem, i stedet for at skrive nogle få scenarier. De efterspørger det, der mangler: Hvis et system har svært ved venstresving i travle kryds, kan vi rette netværket præcist mod det og indsamle nye eksempler, efterhånden som de opstår. Og de sammenholder deres simulering med virkeligheden. Når en partner rekonstruerer virkelige kollisioner og nærved-hændelser med fodgængere og cyklister, kan partneren se, om den simulerede verden opfører sig som den virkelige, før systemet lanceres.

Det er det, der gør dette værdifuldt ud over selve dataene. Simulering er afgørende, men den skal bygge på det, der faktisk sker i den virkelige verden. Når udviklere får adgang til disse oplysninger, kan de opdage mangler tidligere, forbedre deres systemer hurtigere og træffe bedre informerede beslutninger om, hvornår de er klar til at blive taget i brug. Det skaber også et grundlag for en mere ensartet, uafhængig evaluering, efterhånden som branchen vokser.

Et af Empiric Earths grundlæggende principper er virksomhedens uafhængighed af de producenter af autonome systemer og køretøjer, som den evaluerer. Hvorfor bliver uafhængig verifikation stadig vigtigere, efterhånden som fysisk AI nærmer sig en bred anvendelse, og hvilke standarder bør branchen indføre for at fastlægge meningsfulde målepunkter for AI-sikkerhed?

Når fysisk AI bevæger sig fra forskningsmiljøer ud i offentlige rum, bliver tillid lige så vigtig som den tekniske ydeevne.

I dag er store dele af branchen afhængige af, at udviklerne selv tester deres systemers ydeevne og rapporterer om den. Det er forståeligt på nuværende tidspunkt, men efterhånden som flere autonome systemer tages i brug i hverdagsmiljøer, vil kunder, myndigheder og offentligheden i stigende grad efterspørge uafhængig dokumentation for, at systemerne fungerer pålideligt.

Vi har set lignende udfordringer i andre brancher. Når man sætter sig ind i en bil, findes der etablerede rammer for udstedelse af kørekort, inspektion af køretøjer og fastlæggelse af sikkerhedskrav. Fysisk AI får brug for sine egne metoder til at dokumentere parathed og ydeevne. For autonome køretøjer kunne det tage form af et kørekort: en standardiseret prøve, der viser, at et system præsterer på niveau med eller bedre end en menneskelig bilist.

Spørgsmålet er, hvordan vi fastlægger meningsfulde målepunkter, der afspejler forholdene i den virkelige verden, i stedet for udelukkende at basere os på kontrollerede tests eller simuleringer. Målepunkterne skal bygge på data fra den virkelige verden, tage højde for sjældne og farlige situationer og gøre det muligt at evaluere ydeevnen ensartet på tværs af forskellige systemer.

Her kan Empiric Earth spille en vigtig rolle. Vi mener ikke, at de virksomheder, der udvikler autonome systemer, bør være de eneste, der evaluerer deres ydeevne. Vores rolle er at levere uafhængig indsigt fra den virkelige verden, modeller og valideringsmuligheder, så andre kan vurdere ydeevnen, håndtere risici og opbygge tillid. Ved at forblive neutrale og interoperable kan vi understøtte evaluering på tværs af forskellige teknologier og platforme i stedet for at favorisere én bestemt tilgang.

I sidste ende kræver fastlæggelsen af standarder samarbejde mellem udviklere, forskere, myndigheder og andre interessenter. Vi vil gerne bidrage med det grundlag, der gør uafhængig evaluering mulig, så tillid bygger på dokumentation frem for påstande.

I takt med at stadig mere avancerede AI-systemer interagerer med den fysiske verden, må organisationer afveje behovet for omfattende data fra den virkelige verden over for hensyn til privatliv, sikkerhed og ansvarlig datastyring. Hvordan håndterer Empiric Earth disse udfordringer, og hvilke sikkerhedsforanstaltninger er afgørende for at opbygge offentlighedens tillid til storskala-infrastruktur til Physical AI?

Tillid begynder med, hvordan data indsamles, beskyttes og anvendes. Hos Empiric Earth er privatliv indbygget i vores tilgang fra begyndelsen. Vi fokuserer på at indsamle hændelser fra den virkelige verden, der giver meningsfuld indsigt, frem for at behandle hvert øjeblik under kørslen som lige værdifuldt. Afidentificering og ansvarlig håndtering af data er grundlæggende for den proces.

Dataenes oprindelse er lige så vigtig. Efterhånden som Physical AI bevæger sig mod kommerciel udrulning, skal udviklere vide, hvor deres data kommer fra, hvordan de blev indsamlet, og hvilke rettigheder der regulerer brugen af dem. Uden dette grundlag er det vanskeligt at skabe den tillid, der skal til for at skalere.

Forskellige markeder har også forskellige krav til privatliv, samtykke og datalagring. Vores platform anvender landespecifikke indstillinger for hvert marked, så vi kan overholde lokale regler uden at skulle genopbygge systemet. Vi er nødt til at tage højde for disse forskelle, når vi vurderer, hvor og hvordan vi skal udvide.

Det overordnede princip er gennemsigtighed. Alle, der bygger infrastruktur til Physical AI, bør kunne forklare, hvilke data de indsamler, hvordan de beskytter dem, og hvem der kan bruge dem. Ansvarlig datapraksis er ikke adskilt fra det at opbygge en succesfuld virksomhed. Den er en del af det, der gør udbredt anvendelse mulig.

Din erfaring hos Uber omfattede arbejdet med at omsætte nye teknologier og strategiske partnerskaber til virksomheder, der kan skaleres. I din nye rolle har du ansvaret for Empiric Earths produktstrategi, virksomhedsudvikling og kommercialisering. Hvilke erfaringer fra din tid hos Uber er mest relevante for at skalere Physical AI, og hvordan afgør du, hvornår man skal opbygge kompetencer internt, og hvornår man skal gå efter opkøb eller partnerskaber?

Uber lærte mig, at det rigtige svar kan ændre sig. Vi opbyggede vores eget program for autonom kørsel, ATG, fordi vi mente, at vi var nødt til at eje hele teknologistakken. Senere afhændede vi det til Aurora og vendte tilbage til autonom kørsel gennem partnerskaber. Begge beslutninger gav mening, da vi traf dem på det pågældende tidspunkt. Det, der ændrede sig, var vores kriterier for hastighed, omkostninger og risiko.

Derfor vurderer vi enhver beslutning om at bygge, købe eller indgå partnerskab ud fra de samme spørgsmål. Hvilken risiko er der? Hvilke ressourcer og hvor meget kapital kræver det? Hvor hurtigt bringer det os ud på markedet, og hvad gør konkurrenterne imens? Passer det til strategien?

Empiric Earth tager udgangspunkt i noget andet end de fleste virksomheder, fordi vi allerede råder over det sværeste at opbygge: dataene. Vi bygger videre på det fundament, når det giver os en fordel, der er vanskelig at efterligne. Opkøb giver mening, når de tilfører komplementære kompetencer eller fremskynder vores strategi. Partnerskaber kan ofte være den hurtigste vej til kunder, nye markeder og kommerciel skalering. Physical AI spænder for vidt til, at én virksomhed kan bygge det hele, så vi vil samarbejde med de partnere, der kan styrke hele økosystemet, og tilrettelægge rækkefølgen af vores tiltag ud fra både markedsforholdene og sammenhængen med vores konkurrencefordel – vores aktiver.

Du har også været involveret i open source-AI-økosystemet, blandt andet gennem dit arbejde med OpenClaw-fællesskabet. Hvordan ser du, at innovation med open source kan bidrage til udviklingen af Physical AI, og kan større gennemsigtighed og samarbejde fremskynde udbredelsen, samtidig med at de sikkerheds- og styringsstandarder, som disse systemer kræver, opretholdes?

Open source ændrede tempoet for AI-udviklingen inden for software. Når flere kan bygge videre på de samme værktøjer, bliver forskningsforløbene kortere, og gode idéer kan komme alle steder fra – ikke kun fra de største laboratorier. Physical AI befinder sig tidligere på den udviklingskurve. Store dele af feltet er stadig på forsknings- og demonstrationsstadiet, og spørgsmålet er nu, hvordan arbejdet kan omsættes til virksomheder, der holder ved.

Jeg var ansvarlig for partnerskaber hos OpenClaw Foundation, der blev lanceret for at støtte Peter Steinbergers vision om open source, personlig agentisk AI. Det er et af de tydeligste eksempler, jeg har set på, hvordan et åbent projekt kan sætte fart på arbejdet i praksis, fordi folk kunne tage det, køre det på deres egne systemer og gøre det nyttigt til netop det, de selv arbejder med.

Det er den erfaring, jeg mener, Physical AI bør tage alvorligt. Åbne værktøjer gør det muligt for flere teams at bygge og eksperimentere uden at skulle begynde fra bunden. Når data bliver i kundens eget miljø i stedet for at skulle sendes et andet sted hen, fjernes en af de største grunde til, at virksomheder tøver. En flåde, en by eller en producent kan anvende AI på sine egne data under egne kontrolforhold og hurtigere se værdien.

Tilsammen gør de to idéer det muligt for branchen at bevæge sig fra forskning og demonstrationer til produkter, som folk betaler for. Åbenhed gør ikke i sig selv et system sikkert, så det kræver stadig grundige afprøvninger, tydelig styring og ansvarlighed. Men et åbent økosystem, hvor data bliver hos dem, de tilhører, får flere systemer i reel brug, og det er dér, læringen forstærkes.

Hos Empiric Earth er vi optaget af, hvordan åbne værktøjer og data, der forbliver i kundens eget miljø, kan bidrage til at udvikle hele økosystemet for fysisk AI, samtidig med at vi beskytter de data fra den virkelige verden, der gør vores arbejde værdifuldt. Vi mener ikke, at udviklingen af økosystemet og opbygningen af en bæredygtig virksomhed behøver at være modstridende mål.

Du har talt om, hvor vigtigt det er at få flere kvinder ind i ledelsen inden for AI, især nu hvor branchen er ved at fastlægge de sikkerhedsstandarder og styringsrammer, der kommer til at forme, hvordan intelligente maskiner fungerer i samfundet. Hvordan mener du, at større mangfoldighed i ledelsen kan påvirke udviklingen af sikrere og mere ansvarlige AI-systemer?

Jeg er forsigtig med det her, for påstanden om, at »flere kvinder gør AI sikrere«, er i sig selv en form for bias. Pointen er bredere. De agenter, vi udvikler, lærer af det, mennesker allerede har gjort, og af den måde, vi lærer dem på. Hvis alle, der former denne læring, tænker ens, får systemerne de samme blinde vinkler.

Mangfoldighed i ledelsen bringer flere perspektiver ind i beslutningerne om, hvad en agent bør værdsætte, herunder empati, omsorg, og hvordan et valg opleves af den person, det berører. Mange AI-risici er tekniske. Andre risici opstår, når systemer træffer beslutninger, der ikke afspejler de berørte personers værdier eller behov. Ved at inddrage forskellige perspektiver i beslutningerne kan vi få øje på blinde vinkler, før de udvikler sig til problemer i den virkelige verden.

Det, jeg ønsker, at disse systemer skal kunne, er enkelt. De skal hjælpe mennesker med at træffe bedre beslutninger og give os mere tid sammen i det virkelige liv. Det kræver balance og reelle kontrolforanstaltninger, der bygger på mange forskellige perspektiver. Ingen enkelt gruppe kan løse opgaven alene, og vi er nødt til at motivere og opmuntre kvinder til at deltage og bidrage til at skabe forbindelser mellem agenter og mennesker, mellem agenter og mellem mennesker.

Når du ser tre til fem år frem, hvor ser du så de største muligheder for Empiric Earth ud over de nuværende anvendelser inden for trafiksikkerhed og flådeintelligens? Efterhånden som selvkørende køretøjer, robotteknologi og andre teknologier inden for fysisk AI bliver mere integreret i hverdagen, hvilken rolle forestiller du dig så, at Empiric Earth vil spille i den infrastruktur, der understøtter denne udvikling?

Trafiksikkerhed og flåder var vores udgangspunkt, og de er fortsat centrale for vores forretning. Men den større mulighed ligger i at understøtte fysisk AI ved at reducere risici, tilbyde en valideringsstandard og i sidste ende gøre den virkelige verden sikrere.

De grundlæggende udfordringer er de samme, uanset om man udvikler et selvkørende køretøj, en leveringsrobot eller et system til detailhandelsanalyse, der indgår i et netværk for annoncering og handel i den virkelige verden. Hvordan forstår man, hvad der sker i den virkelige verden? Hvordan ved man, om et system kan håndtere uventede situationer? Og hvordan evaluerer man systemets ydeevne og håndterer risici, når det tages i kommerciel brug?

Jeg ser Empiric Earth blive et vigtigt intelligenslag i økosystemet for fysisk AI, der leverer data fra den virkelige verden, modeller, applikationer og tjenester, som hjælper udviklere, partnere og operatører med at besvare disse spørgsmål. Neutralitet, portabilitet og interoperabilitet bliver vigtige for denne vision. Vi ønsker, at vores løsninger skal fungere på tværs af forskellige teknologier og platforme, så kunderne kan vælge de løsninger, der giver bedst mening for dem.

Vi har et enestående fundament inden for intelligens baseret på kørsel i den virkelige verden, og nu har vi mulighed for at bygge videre på det med nye funktioner, partnerskaber og kommercielle modeller.

Fysisk AI vil ikke kunne udbredes i stor skala, fordi én virksomhed udvikler den bedste robot eller den bedste model. Det vil først ske, når det bredere økosystem råder over den intelligens, de værktøjer og de sikkerhedsforanstaltninger, der skal til for at tage systemerne i brug i den virkelige verden. Det er den rolle, vi ønsker, at Empiric Earth skal spille.

Tak for et godt interview. Læsere, der ønsker at udforske intelligens baseret på den virkelige verden og uafhængig validering af fysisk AI, kan besøge Empiric Earth.