Jen Vescio, Präsidentin von Empiric Earth – Interviewreihe

Jen Vescio ist Präsidentin von Empiric Earth und verantwortet dort die Produktstrategie, die Unternehmensentwicklung und die Kommerzialisierung. Zuvor war sie Chief Business Development Officer bei Uber. In dieser Funktion leitete sie die globale Geschäftsentwicklung und knüpfte neue Partnerschaften in den Bereichen Mobilität und autonomes Fahren. Ihre Erfahrung umfasst außerdem Investitionen in aufstrebende Technologieunternehmen und deren Beratung. Dabei konzentriert sie sich darauf, physische KI aus der Forschung in den kommerziellen Einsatz zu überführen.

Empiric Earth führt Nexar und Nauto zusammen, um Erkenntnisse zum Fahrgeschehen in der realen Welt, Sicherheitsmodelle und Validierungsmöglichkeiten bereitzustellen. Das Unternehmen verbindet Fahrdaten aus Milliarden von Meilen mit Aufzeichnungen seltener Ereignisse, damit Entwickler, Fuhrparks und andere Organisationen Leistung und Risiken besser einschätzen können. In diesem Interview spricht Vescio über unabhängige Bewertung, verantwortungsvolle Datenverwaltung, Kommerzialisierung und die Infrastruktur, die nötig ist, um physische KI zu skalieren.

Sie blicken auf eine umfangreiche Karriere zurück, die globale Geschäftsentwicklung bei Uber, Investitionen in neue Technologien und die Beratung von Unternehmen im Bereich der physischen KI umfasst. Im April traten Sie zunächst dem Board von Empiric Earth bei, bevor Sie vor Kurzem die Rolle der Präsidentin übernahmen. Was hat Sie an dem Unternehmen gereizt, und was hat Sie letztlich davon überzeugt, eine aktivere Führungsrolle zu übernehmen?

Als Investorin und Beraterin im Bereich der physischen KI stieß ich immer wieder auf dieselbe Lücke. Viele Teams führten Experimente durch, doch nur sehr wenige verfügten über reale Daten, mit denen sie belegen konnten, dass ihre Systeme auch außerhalb einer Testumgebung funktionierten. Empiric Earth verfügte bereits über solche Daten. Mehr als 10 Milliarden Meilen realer Fahrdaten und 60 Millionen Grenzfälle kann man weder kaufen noch künstlich erzeugen.

Das versetzt das Unternehmen in eine ungewöhnliche Lage. Wir müssen nicht mit den Unternehmen konkurrieren, die Roboter, Fahrzeuge oder Modelle entwickeln. Stattdessen können wir ihnen allen helfen, schneller auf den Markt zu kommen, indem wir ihnen die Erkenntnisse aus der realen Welt liefern, die sie benötigen, um Risiken zu steuern, die Leistungsfähigkeit zu überprüfen und Vertrauen aufzubauen. Von meinem Sitz im Board aus erkannte ich die Chance, etwas Grundlegendes für das gesamte Ökosystem der physischen KI aufzubauen.

Was mich dazu bewogen hat, die Rolle der Präsidentin zu übernehmen, war Zach und seine Vision. Ich kenne ihn, seit wir beide Partnerschaften im Mobilitätsbereich aufgebaut haben – ich bei Uber und er bei Lyft. Wenn jemand, dem man so lange vertraut hat, mit einem schwierigen Problem und einer Ressource kommt, über die sonst niemand verfügt, hört man zu. Wir ergänzen uns. Er denkt über das Marktsegment und dessen Entwicklung nach. Ich habe meine gesamte Karriere damit verbracht, neue Technologien in skalierbare Unternehmen zu verwandeln. Die physische KI verlässt gerade die Forschung und findet ihren Weg in den praktischen Einsatz. Ich wollte das nicht nur von einer Board-Sitzung aus beobachten.

Empiric Earth entstand aus dem Zusammenschluss von Nexar und Nauto. Damit kamen zwei Unternehmen mit umfassender Expertise in den Bereichen Erkenntnisse zum Fahrgeschehen in der realen Welt und KI-gestützte Sicherheit zusammen. Welche einzigartigen Fähigkeiten eröffnet dieser Zusammenschluss, und wie soll sich das vereinte Unternehmen Ihrer Ansicht nach im sich rasch wandelnden Markt für physische KI von anderen abheben?

Nexar und Nauto wurden beide 2015 gegründet und haben zusammen mehr als zwei Jahrzehnte lang dasselbe Problem aus zwei unterschiedlichen Blickwinkeln untersucht. Gemeinsam können wir verstehen, was auf der Straße geschieht und wie Fahrerinnen und Fahrer darauf reagieren. So erhalten wir ein deutlich umfassenderes Bild des realen Verhaltens und der damit verbundenen Risiken.

Für den breiteren Markt bildet das die Brücke zwischen Simulation und realer Welt. Die meisten Teams entwickeln und testen in Simulationen. Die Schwierigkeit besteht jedoch darin, nachzuweisen, dass ein System unter realen Bedingungen zuverlässig funktioniert. Wir können Partnern dabei helfen, Szenarien zu entdecken, mit denen ihre Systeme noch nicht konfrontiert waren, ihre Modelle zu verbessern und die Leistungsfähigkeit anhand des tatsächlichen Geschehens zu überprüfen. Dadurch lassen sich Entwicklungszyklen verkürzen, Risiken verringern und die Kommerzialisierung beschleunigen.

Was uns auszeichnet, ist unsere Fähigkeit, unabhängige Bewertungen im gesamten Ökosystem der physischen KI zu ermöglichen. Wir entwickeln weder die Fahrzeuge und Roboter noch die autonomen Systeme, an denen unsere Kunden arbeiten. Wir stellen Erkenntnisse aus der realen Welt bereit, die ihnen helfen, die Leistungsfähigkeit einzuschätzen, Risiken zu steuern und Vertrauen aufzubauen. Dafür braucht es ein klares Bekenntnis zu Neutralität, Übertragbarkeit und Interoperabilität. Wenn wir neue Anwendungen, Modelle und Dienste auf den Markt bringen, sollen unsere Kunden sie mit unterschiedlichen Hardware- und Technologie-Stacks nutzen können, ohne an einen einzelnen Anbieter gebunden zu sein. Unser Ziel ist es, als „Schiedsrichter“ für das gesamte Ökosystem zu fungieren, nicht innerhalb des Ökosystems über Gewinner zu entscheiden.

Die physische KI entwickelt sich zu einem der nächsten großen Grenzbereiche der künstlichen Intelligenz. Ihre Anwendungsfelder reichen von autonomen Fahrzeugen über Robotik bis hin zu intelligenter Infrastruktur. Was sind Ihrer Ansicht nach die größten Hindernisse, die einen zuverlässigen Betrieb dieser Systeme in unvorhersehbaren Umgebungen der realen Welt verhindern, und warum ist der Zugang zu realen Daten so entscheidend, um diese Hindernisse zu überwinden?

Das größte Hindernis besteht darin, dass die physische Welt nie systematisch dokumentiert wurde. Sprachmodelle wurden schnell leistungsfähig, weil sie mit Text trainiert wurden, den Menschen bereits über Jahrzehnte hinweg erstellt hatten. Für eine Straße, eine Lagerhalle oder einen Gehweg gibt es nichts Vergleichbares. Die meisten Ereignisse dort werden überhaupt nicht aufgezeichnet – etwa ein Beinaheunfall oder eine Fahrspur, die heute Morgen gesperrt wurde.

Das führt zu zwei Problemen. Das erste ist, dass sich die physische Welt ständig verändert. Ein System muss wissen, was jetzt gilt, und ein Foto vom vergangenen Frühjahr sagt ihm nicht, dass sich eine Straße heute Morgen verändert hat. Außerdem kann man nicht zurückgehen und die Ereignisse von gestern erfassen. Das zweite Problem ist die Fragmentierung. Kein einzelnes Unternehmen überblickt die Welt umfassend genug. Deshalb führen Entwickler getrennte Experimente mit unterschiedlichen Datensätzen, Modellen und Technologie-Stacks durch. Dadurch wird es schwieriger, Ergebnisse zu vergleichen, erfolgreiche Ansätze weiterzugeben und vielversprechende Forschung in kommerziell tragfähige Produkte zu überführen.

Mit Daten aus der realen Welt lassen sich beide Probleme angehen. Die seltenen Ereignisse, an denen ein System scheitert, treten jeden Tag irgendwo auf. Man entdeckt sie nur, wenn man kontinuierlich eine große Bandbreite realer Bedingungen beobachtet. In unseren US-Daten kommen auf jeden Zusammenstoß etwa 19 Beinaheunfälle, und fast keiner davon wird in einem Polizeibericht oder einer Versicherungsmeldung erfasst. Zach hat es in einem kürzlich veröffentlichten Essay treffend formuliert: Bei Sicherheit geht es darum, Dinge zu untersuchen, die nicht geschehen sind. Man kann sie nicht untersuchen, wenn niemand sie gezählt hat.

Empiric Earth hat inzwischen mehr als 10 Milliarden Meilen Fahrdaten und über 60 Millionen Grenzfälle gesammelt; jeden Monat kommen Hunderte Millionen weitere Meilen hinzu. Wie kann dieser umfangreiche Datensatz KI-Entwicklern dabei helfen, zuverlässigere autonome Systeme zu trainieren und zu validieren – insbesondere bei seltenen oder gefährlichen Szenarien, die sich mit herkömmlichen Simulationen nur schwer nachbilden lassen?

Die meisten Systeme bewältigen den gewöhnlichen Straßenverkehr inzwischen gut. Weiterhin scheitern sie jedoch an seltenen Ausnahmesituationen: einem Unfall, einem Fußgänger, der zwischen parkenden Autos hervortritt, einem Tier auf der Fahrbahn oder einer Baustelle, die es letzte Woche noch nicht gab. Solche Situationen treten zu selten auf, als dass eine Testflotte sie in ausreichender Zahl erfassen könnte. Und eine Simulation kann nur das nachbilden, woran jemand bereits beim Modellieren gedacht hat.

Empiric Earth wurde entwickelt, um solche Fälle aufzuspüren. Wir verarbeiten nicht jeden Kilometer, den unser Netzwerk zurücklegt. Wir behalten den kleinen Anteil, den unsere Modelle als ungewöhnlich oder riskant einstufen. So werden aus 10 Milliarden Meilen 60 Millionen Grenzfälle, die Entwickler tatsächlich nutzen können.

Teams nutzen diese Aufzeichnungen auf drei Arten. Sie durchsuchen sie: Ein Team, das an Baustellen arbeitet, kann Tausende reale Beispiele dafür abrufen, wie menschliche Fahrer solche Bereiche bewältigen, statt nur einige wenige Szenarien zu programmieren. Sie fragen gezielt nach fehlenden Beispielen: Wenn ein System bei Linksabbiegemanövern an stark befahrenen Kreuzungen Schwierigkeiten hat, können wir das Netzwerk genau darauf ausrichten und neue Beispiele erfassen, während sie auftreten. Außerdem gleichen sie ihre Simulation mit der Realität ab. Wenn ein Partner reale Unfälle und Beinaheunfälle mit Fußgängern und Radfahrern rekonstruiert, kann er feststellen, ob sich seine simulierte Welt wie die reale verhält, bevor er sein System auf den Markt bringt.

Genau das macht diese Arbeit über die Daten selbst hinaus wertvoll. Simulationen sind unverzichtbar, müssen aber auf dem beruhen, was tatsächlich in der realen Welt geschieht. Wenn Entwickler Zugang zu diesen Erkenntnissen erhalten, können sie Lücken früher erkennen, ihre Systeme schneller verbessern und fundiertere Entscheidungen darüber treffen, wann diese einsatzbereit sind. Außerdem entsteht so eine Grundlage für eine einheitlichere, unabhängige Bewertung, während die Branche wächst.

Ein Grundprinzip von Empiric Earth ist die Unabhängigkeit von den Herstellern autonomer Systeme und Fahrzeuge, deren Produkte das Unternehmen bewertet. Warum wird eine unabhängige Überprüfung immer wichtiger, während Physical AI vor dem breiten Einsatz steht, und welche Standards sollte die Branche einführen, um aussagekräftige Maßstäbe für die Sicherheit von KI zu schaffen?

Wenn Physical AI aus der Forschung in den öffentlichen Raum gelangt, wird Vertrauen ebenso wichtig wie die technische Leistungsfähigkeit.

Heute verlässt sich die Branche vielfach darauf, dass Entwickler die Leistung ihrer eigenen Systeme testen und darüber berichten. In dieser Phase ist das nachvollziehbar. Doch je mehr autonome Systeme in alltäglichen Umgebungen eingesetzt werden, desto stärker werden Kunden, Aufsichtsbehörden und die Öffentlichkeit unabhängige Nachweise dafür verlangen, dass diese Systeme zuverlässig funktionieren.

Ähnliche Herausforderungen kennen wir aus anderen Branchen. Wer sich in ein Auto setzt, kann sich auf ein etabliertes System zur Zulassung von Fahrern, zur Prüfung von Fahrzeugen und zur Festlegung von Sicherheitsanforderungen verlassen. Für Physical AI braucht es eigene Verfahren, um Einsatzbereitschaft und Leistungsfähigkeit nachzuweisen. Bei autonomen Fahrzeugen könnte das einem Führerschein ähneln: einem standardisierten Test, der zeigt, dass ein System mindestens das Leistungsniveau eines menschlichen Fahrers erreicht.

Die Frage ist, wie wir aussagekräftige Maßstäbe schaffen, die die Bedingungen in der realen Welt abbilden, statt uns ausschließlich auf kontrollierte Tests oder Simulationen zu stützen. Diese Maßstäbe müssen auf Daten aus der realen Welt beruhen, seltene und gefährliche Szenarien berücksichtigen und eine einheitliche Bewertung der Leistung verschiedener Systeme ermöglichen.

Hier kann Empiric Earth eine wichtige Rolle spielen. Wir sind nicht der Ansicht, dass nur die Unternehmen, die autonome Systeme entwickeln, deren Leistungsfähigkeit bewerten sollten. Unsere Aufgabe ist es, unabhängige Erkenntnisse aus der realen Welt, Modelle und Validierungsmöglichkeiten bereitzustellen, die es anderen erlauben, die Leistung zu beurteilen, Risiken zu steuern und Vertrauen aufzubauen. Indem wir neutral und interoperabel bleiben, können wir Bewertungen verschiedener Technologien und Plattformen unterstützen, statt einen bestimmten Ansatz zu bevorzugen.

Letztlich müssen Entwickler, Forschende, Aufsichtsbehörden und andere Interessengruppen zusammenarbeiten, um Standards festzulegen. Wir möchten die Grundlage für unabhängige Bewertungen schaffen, damit Vertrauen auf Nachweisen statt auf Behauptungen beruht.

Wenn immer ausgefeiltere KI-Systeme mit der physischen Welt interagieren, müssen Unternehmen den Bedarf an umfassenden Daten aus der realen Welt mit Datenschutz, Sicherheit und einer verantwortungsvollen Daten-Governance in Einklang bringen. Wie geht Empiric Earth mit diesen Herausforderungen um, und welche Schutzmaßnahmen sind unverzichtbar, um das Vertrauen der Öffentlichkeit in eine groß angelegte Infrastruktur für physische KI aufzubauen?

Vertrauen beginnt damit, wie Daten erhoben, geschützt und verwendet werden. Bei Empiric Earth ist der Datenschutz von Anfang an in unseren Ansatz integriert. Wir konzentrieren uns darauf, Ereignisse aus der realen Welt zu erfassen, die aussagekräftige Erkenntnisse liefern, statt jeden Moment einer Fahrt als gleichermaßen wertvoll zu betrachten. Die De-Identifizierung und der verantwortungsvolle Umgang mit Daten sind grundlegende Bestandteile dieses Prozesses.

Die Herkunft der Daten ist ebenso wichtig. Während die physische KI auf den kommerziellen Einsatz zusteuert, müssen Entwickler wissen, woher ihre Daten stammen, wie sie erhoben wurden und welche Rechte für ihre Nutzung gelten. Ohne diese Grundlage lässt sich das nötige Vertrauen für eine Skalierung nur schwer aufbauen.

Auch die Anforderungen an Datenschutz, Einwilligung und Datenresidenz unterscheiden sich von Markt zu Markt. Unsere Plattform verwendet dafür länderspezifische Einstellungen, sodass wir die lokalen Vorschriften erfüllen können, ohne das System neu aufbauen zu müssen. Bei der Bewertung, wo und wie wir expandieren, müssen wir diese Unterschiede berücksichtigen.

Das übergeordnete Prinzip ist Transparenz. Wer eine Infrastruktur für physische KI aufbaut, sollte erklären können, welche Daten erhoben werden, wie sie geschützt werden und wer sie nutzen kann. Verantwortungsvolle Datenpraktiken sind vom Aufbau eines erfolgreichen Unternehmens nicht zu trennen. Sie tragen dazu bei, eine breite Einführung überhaupt möglich zu machen.

In Ihrer Zeit bei Uber haben Sie neue Technologien und strategische Partnerschaften in skalierbare Geschäftsmodelle überführt. In Ihrer neuen Rolle sind Sie für die Produktstrategie, die Unternehmensentwicklung und die Kommerzialisierung bei Empiric Earth verantwortlich. Welche Erkenntnisse aus Ihrer Zeit bei Uber sind für die Skalierung physischer KI besonders relevant, und wie entscheiden Sie, wann Sie Kompetenzen intern aufbauen und wann Sie Übernahmen oder Partnerschaften anstreben?

Bei Uber habe ich gelernt, dass sich die richtige Antwort ändern kann. Wir bauten mit ATG ein eigenes Programm für autonomes Fahren auf, weil wir davon ausgingen, dass wir die gesamte Technologieplattform selbst besitzen mussten. Später veräußerten wir es an Aurora und kehrten über Partnerschaften zum autonomen Fahren zurück. Beide Entscheidungen waren zu dem jeweiligen Zeitpunkt sinnvoll. Geändert haben sich unsere Maßstäbe für Geschwindigkeit, Kosten und Risiko.

Bei jeder Entscheidung, ob wir etwas selbst entwickeln, kaufen oder eine Partnerschaft eingehen, stellen wir dieselben Fragen: Wie hoch ist das Risiko? Welche Ressourcen und welches Kapital sind erforderlich? Wie schnell können wir damit auf den Markt kommen, und was macht die Konkurrenz in der Zwischenzeit? Passt es zur Strategie?

Empiric Earth geht von einer anderen Ausgangslage aus als die meisten Unternehmen, denn den schwierigsten Teil – die Daten – haben wir bereits. Wir entwickeln dort eigene Lösungen, wo uns diese Grundlage einen schwer nachahmbaren Vorteil verschafft. Übernahmen sind sinnvoll, wenn sie ergänzende Kompetenzen einbringen oder unsere Strategie beschleunigen. Partnerschaften können oft der schnellste Weg zu Kunden, neuen Märkten und kommerzieller Skalierung sein. Die physische KI ist ein zu weites Feld, als dass ein einzelnes Unternehmen alles selbst entwickeln könnte. Deshalb wollen wir mit Partnern zusammenarbeiten, die das gesamte Ökosystem stärken können, und unser Vorgehen so staffeln, dass es sowohl den Marktbedingungen als auch unserem Wettbewerbsvorteil – unseren Ressourcen – Rechnung trägt.

Sie waren auch im Open-Source-KI-Ökosystem aktiv, unter anderem in der OpenClaw-Community. Welchen Beitrag kann Open-Source-Innovation Ihrer Ansicht nach zur Weiterentwicklung der physischen KI leisten, und können mehr Transparenz und Zusammenarbeit die Einführung beschleunigen und zugleich die für diese Systeme erforderlichen Sicherheits- und Governance-Standards gewährleisten?

Open Source hat das Entwicklungstempo der KI im Softwarebereich verändert. Wenn mehr Menschen auf denselben Werkzeugen aufbauen können, verkürzen sich die Forschungszyklen, und gute Ideen kommen von überall – nicht nur aus den größten Forschungslaboren. Die physische KI steht an diesem Punkt noch am Anfang. Ein großer Teil des Bereichs besteht nach wie vor aus Forschung und Demonstrationen, und nun geht es darum, wie sich diese Arbeit in dauerhaft tragfähige Unternehmen überführen lässt.

Ich leitete die Partnerschaften bei der OpenClaw Foundation, die gegründet wurde, um Peter Steinbergers Vision einer quelloffenen, persönlichen agentischen KI zu unterstützen. Das ist eines der deutlichsten Beispiele, die ich für ein offenes Projekt kenne, das praktische Arbeit beschleunigt: Die Menschen konnten es übernehmen, auf ihren eigenen Systemen ausführen und für ihre konkreten Aufgaben nutzbar machen.

Das ist die Lehre, die die physische KI meiner Meinung nach ernst nehmen sollte. Offene Werkzeuge ermöglichen es mehr Teams, etwas zu entwickeln und zu erproben, ohne bei null anzufangen. Wenn Daten in der eigenen Umgebung des Kunden bleiben, statt ihn aufzufordern, sie an einen anderen Ort zu senden, fällt einer der Hauptgründe weg, aus denen Unternehmen zögern. Ein Flottenbetreiber, eine Stadt oder ein Hersteller kann KI mit den eigenen Daten und unter eigener Kontrolle einsetzen und schneller einen Mehrwert erzielen.

Zusammen ermöglichen diese beiden Ansätze der Branche den Schritt von Forschung und Demonstrationen hin zu Produkten, für die Menschen bezahlen. Offenheit allein macht ein System nicht sicher; es braucht weiterhin gründliche Tests, klare Governance und Verantwortlichkeit. Doch ein offenes Ökosystem, in dem die Daten bei den Menschen bleiben, denen sie gehören, bringt mehr Systeme in den praktischen Einsatz – und dort verstärken sich die Lerneffekte.

Bei Empiric Earth beschäftigen wir uns damit, wie offene Werkzeuge und Daten, die in der Umgebung des Kunden verbleiben, das gesamte Ökosystem der physischen KI wachsen lassen können – während wir zugleich die Daten aus der realen Welt schützen, die unsere Arbeit wertvoll machen. Wir glauben nicht, dass die Weiterentwicklung des Ökosystems und der Aufbau eines nachhaltigen Unternehmens konkurrierende Ziele sein müssen.

Sie haben darüber gesprochen, wie wichtig es ist, mehr Frauen in Führungspositionen im Bereich KI zu bringen – insbesondere jetzt, da die Branche beginnt, Sicherheitsstandards und Governance-Rahmen zu entwickeln, die prägen werden, wie intelligente Maschinen in der Gesellschaft eingesetzt werden. Wie kann Ihrer Meinung nach mehr Vielfalt in Führungspositionen dazu beitragen, sicherere und verantwortungsvollere KI-Systeme zu entwickeln?

Bei diesem Thema bin ich vorsichtig, denn die Aussage „Mehr Frauen, und KI wird sicherer“ ist eine eigene Form von Voreingenommenheit. Es geht um mehr als das. Die Agenten, die wir entwickeln, lernen aus dem, was Menschen bereits getan haben, und daraus, wie wir ihnen etwas beibringen. Wenn alle, die diese Vermittlung gestalten, gleich denken, übernehmen die Systeme dieselben blinden Flecken.

Vielfältig besetzte Führungsteams bringen mehr Perspektiven in Entscheidungen darüber ein, was einem Agenten wichtig sein sollte – etwa Empathie, Fürsorge und die Frage, wie sich eine Entscheidung auf die Person am anderen Ende auswirkt. Viele Risiken im Bereich KI sind technischer Natur. Andere entstehen, wenn Systeme Entscheidungen treffen, die nicht den Werten oder Bedürfnissen der davon betroffenen Menschen entsprechen. Unterschiedliche Perspektiven in diese Entscheidungen einzubeziehen hilft uns, blinde Flecken zu erkennen, bevor daraus Probleme in der realen Welt werden.

Was ich mir von diesen Systemen wünsche, ist einfach: Sie sollten Menschen dabei helfen, bessere Entscheidungen zu treffen, und uns mehr Zeit miteinander im wirklichen Leben geben. Dafür braucht es Ausgewogenheit und wirksame Kontrollen, die auf vielen unterschiedlichen Perspektiven beruhen. Keine einzelne Gruppe kann das allein lösen. Wir müssen Frauen dazu motivieren und ermutigen, sich zu beteiligen und dazu beizutragen, Verbindungen zwischen Agenten und Menschen, zwischen Agenten sowie zwischen Menschen zu fördern.

Wenn Sie drei bis fünf Jahre in die Zukunft blicken: Wo sehen Sie für Empiric Earth die größten Chancen jenseits der bestehenden Anwendungen in den Bereichen Verkehrssicherheit und Flottenintelligenz? Welche Rolle soll Empiric Earth Ihrer Vorstellung nach in der Infrastruktur spielen, die den Übergang unterstützt, wenn autonome Fahrzeuge, Robotik und andere Technologien der physischen KI zunehmend Teil des Alltags werden?

Verkehrssicherheit und Flotten waren unsere Ausgangspunkte und bleiben ein Kernbereich unseres Geschäfts. Die größere Chance besteht jedoch darin, die physische KI zu unterstützen, indem wir Risiken verringern, einen Validierungsstandard bereitstellen und letztlich die reale Welt sicherer machen.

Die grundlegenden Herausforderungen sind ähnlich, ganz gleich, ob man ein autonomes Fahrzeug, einen Lieferroboter oder ein System für Einzelhandelsintelligenz entwickelt, das ein Werbe- und Handelsnetzwerk in der realen Welt betreibt. Wie versteht man, was in der realen Welt geschieht? Woher weiß man, ob ein System mit unerwarteten Situationen umgehen kann? Und wie bewertet man die Leistung und steuert Risiken, wenn diese Systeme in den kommerziellen Einsatz übergehen?

Ich sehe Empiric Earth als eine wichtige Intelligenzschicht für das Ökosystem der physischen KI, die Daten aus der realen Welt, Modelle, Anwendungen und Dienste bereitstellt, mit denen Entwickler, Partner und Betreiber Antworten auf diese Fragen finden können. Neutralität, Portabilität und Interoperabilität werden für diese Vision wichtig sein. Unsere Fähigkeiten sollen mit unterschiedlichen Technologien und Plattformen funktionieren, damit Kunden die Lösungen nutzen können, die für sie am sinnvollsten sind.

Wir verfügen über eine außergewöhnlich starke Grundlage im Bereich der Fahrintelligenz für die reale Welt. Nun bietet sich die Chance, darauf mit neuen Fähigkeiten, Partnerschaften und Geschäftsmodellen aufzubauen.

Die physische KI wird sich nicht deshalb durchsetzen, weil ein einzelnes Unternehmen den besten Roboter oder das beste Modell entwickelt. Sie wird sich dann durchsetzen, wenn das gesamte Ökosystem über die Intelligenz, Werkzeuge und Sicherheitsmaßnahmen verfügt, um diese Systeme in der realen Welt einzusetzen. Genau diese Rolle soll Empiric Earth übernehmen.

Vielen Dank für das tolle Interview. Leserinnen und Leser, die mehr über Intelligenz für die reale Welt und unabhängige Validierung im Bereich der physischen KI erfahren möchten, sollten Empiric Earth besuchen.