Jen Vescio, Presiden Empiric Earth – Seri Wawancara

Jen Vescio adalah Presiden Empiric Earth. Ia mengawasi strategi produk, pengembangan perusahaan, dan komersialisasi. Sebelumnya, ia menjabat sebagai Direktur Pengembangan Bisnis di Uber. Di sana, ia memimpin pengembangan bisnis global dan menjalin kemitraan baru di bidang mobilitas dan teknologi otonom. Pengalamannya juga mencakup investasi di perusahaan teknologi yang sedang berkembang dan pemberian nasihat kepada perusahaan-perusahaan tersebut, dengan fokus membantu AI fisik beralih dari riset ke penerapan komersial.

Empiric Earth menyatukan Nexar dan Nauto untuk menyediakan intelijen berkendara di dunia nyata, model keselamatan, dan kemampuan validasi. Perusahaan ini menggabungkan data perjalanan berkendara selama miliaran mil dengan catatan peristiwa langka untuk membantu pengembang, pengelola armada, dan organisasi lain memahami kinerja dan risiko. Dalam wawancara ini, Vescio membahas evaluasi independen, tata kelola data yang bertanggung jawab, komersialisasi, serta infrastruktur yang dibutuhkan untuk mengembangkan AI fisik dalam skala besar.

Anda memiliki karier panjang yang mencakup pengembangan bisnis global di Uber, investasi di bidang teknologi baru, dan pemberian nasihat kepada perusahaan-perusahaan di bidang AI Fisik. Anda bergabung dengan dewan direksi Empiric Earth pada April, lalu baru-baru ini mulai menjabat sebagai Presiden. Apa yang menarik Anda pada perusahaan ini, dan apa yang akhirnya meyakinkan Anda untuk mengambil peran kepemimpinan yang lebih aktif?

Sebagai investor dan penasihat di bidang AI fisik, saya terus melihat kesenjangan yang sama. Banyak tim melakukan eksperimen, tetapi sangat sedikit yang memiliki data dunia nyata untuk membuktikan bahwa sistem mereka berfungsi di luar lingkungan pengujian. Empiric Earth sudah memilikinya. Lebih dari 10 miliar mil perjalanan berkendara nyata dan 60 juta kasus khusus adalah sesuatu yang tidak bisa dibeli ataupun dipalsukan.

Hal itu menempatkan perusahaan ini pada posisi yang tidak biasa. Kami tidak perlu bersaing dengan perusahaan yang membuat robot, kendaraan, atau model. Kami dapat membantu mereka semua memasuki pasar lebih cepat dengan menyediakan intelijen dunia nyata yang mereka butuhkan untuk mengelola risiko, memvalidasi kinerja, dan membangun kepercayaan. Dari posisi saya di dewan direksi, saya melihat peluang untuk membangun sesuatu yang menjadi fondasi seluruh ekosistem AI Fisik.

Yang mendorong saya mengambil peran Presiden adalah Zach dan visinya. Saya mengenalnya sejak kami sama-sama membangun kemitraan di bidang mobilitas—saya di Uber dan dia di Lyft. Jika seseorang yang sudah lama Anda percayai datang kepada Anda dengan masalah pelik dan aset yang tidak dimiliki siapa pun, Anda akan mendengarkan. Kami saling melengkapi. Dia memikirkan bidang ini dan arah perkembangannya. Sepanjang karier, saya berfokus mengubah teknologi baru menjadi bisnis yang dapat berkembang dalam skala besar. AI fisik kini beralih dari riset ke penerapan nyata, dan saya tidak ingin hanya menyaksikan proses itu dari ruang rapat dewan direksi.

Empiric Earth dibentuk melalui merger Nexar dan Nauto, yang menyatukan dua perusahaan dengan keahlian mendalam dalam intelijen berkendara dunia nyata dan keselamatan berbasis AI. Kemampuan unik apa yang dihasilkan oleh penggabungan ini, dan bagaimana Anda membayangkan perusahaan gabungan ini membedakan dirinya di pasar AI Fisik yang berkembang pesat?

Nexar dan Nauto sama-sama didirikan pada 2015 dan selama lebih dari dua dekade jika digabungkan telah mengukur masalah yang sama dari dua sudut pandang berbeda. Bersama-sama, kami dapat memahami apa yang terjadi di jalan dan bagaimana pengemudi meresponsnya, sehingga kami memperoleh gambaran yang jauh lebih lengkap tentang perilaku dan risiko di dunia nyata.

Bagi pasar yang lebih luas, inilah jembatan antara simulasi dan dunia nyata. Kebanyakan tim membangun dan menguji sistem dalam simulasi, tetapi bagian tersulitnya adalah membuktikan bahwa sistem dapat bekerja secara andal dalam kondisi dunia nyata. Kami dapat membantu mitra menemukan skenario yang belum pernah dihadapi sistem mereka, meningkatkan model mereka, dan memvalidasi kinerja berdasarkan apa yang benar-benar terjadi. Hal ini dapat mempersingkat siklus pengembangan, mengurangi risiko, dan mempercepat komersialisasi.

Yang membedakan kami adalah kemampuan kami untuk mendukung evaluasi independen di seluruh ekosistem AI Fisik. Kami tidak membuat kendaraan, robot, atau sistem otonom yang dikembangkan pelanggan kami. Kami menyediakan intelijen dunia nyata untuk membantu mereka memahami kinerja, mengelola risiko, dan membangun kepercayaan. Hal ini menuntut komitmen pada netralitas, portabilitas, dan interoperabilitas. Saat menghadirkan aplikasi, model, dan layanan baru ke pasar, kami ingin pelanggan dapat menggunakannya di berbagai perangkat keras dan tumpukan teknologi tanpa terikat pada satu penyedia saja. Tujuan kami adalah menjadi “wasit” bagi seluruh ekosistem, bukan menentukan siapa yang menang di dalamnya.

AI Fisik berkembang sebagai salah satu bidang terdepan berikutnya dalam kecerdasan buatan, dengan penerapan yang mencakup kendaraan otonom, robotika, dan infrastruktur cerdas. Menurut Anda, apa hambatan terbesar yang membuat sistem-sistem ini sulit beroperasi secara andal di lingkungan dunia nyata yang tak terduga, dan mengapa akses ke data dunia nyata sangat penting untuk mengatasinya?

Hambatan terbesarnya adalah dunia fisik tidak pernah didokumentasikan. Model bahasa berkembang pesat karena dilatih menggunakan teks selama puluhan tahun yang telah dihasilkan manusia. Tidak ada data sepadan untuk jalan, lantai gudang, atau trotoar. Sebagian besar kejadian di sana—seperti nyaris terjadi kecelakaan atau lajur yang ditutup pagi ini—sama sekali tidak pernah tercatat.

Hal itu menimbulkan dua masalah. Pertama, dunia fisik terus berubah. Sebuah sistem harus mengetahui keadaan terkini, sementara foto dari musim semi lalu tidak dapat memberitahunya tentang jalan yang berubah pagi ini. Kita juga tidak bisa kembali untuk mengumpulkan data kemarin. Masalah kedua adalah fragmentasi. Tidak ada satu perusahaan pun yang dapat mengamati dunia secara memadai sendirian, sehingga para pengembang menjalankan eksperimen terpisah dengan kumpulan data, model, dan tumpukan teknologi yang berbeda-beda. Akibatnya, hasil penelitian lebih sulit dibandingkan, hal-hal yang berhasil lebih sulit dibagikan, dan riset yang menjanjikan lebih sulit dikembangkan menjadi produk yang layak secara komersial.

Data dunia nyata membantu mengatasi kedua masalah tersebut. Peristiwa langka yang dapat merusak sistem terjadi di suatu tempat setiap hari, dan satu-satunya cara menemukannya adalah dengan terus-menerus mengamati beragam kondisi nyata. Dalam data kami di AS, untuk setiap tabrakan terdapat sekitar 19 kejadian nyaris tabrakan, dan hampir tidak satu pun tercatat dalam laporan polisi atau klaim asuransi. Zach merumuskannya dengan tepat dalam esai terbarunya: keselamatan adalah studi tentang hal-hal yang tidak terjadi. Kita tidak bisa mempelajarinya jika tidak ada yang menghitungnya.

Empiric Earth telah mengumpulkan riwayat berkendara sepanjang lebih dari 10 miliar mil dan lebih dari 60 juta kasus tidak umum, serta merekam ratusan juta mil tambahan setiap bulan. Bagaimana kumpulan data yang sangat besar ini dapat membantu para pengembang AI melatih dan memvalidasi sistem otonom yang lebih andal, khususnya dalam menghadapi skenario langka atau berbahaya yang sulit direproduksi oleh simulasi tradisional?

Kini, sebagian besar sistem mampu menangani situasi berkendara sehari-hari dengan baik. Namun, sistem masih dapat gagal dalam situasi langka di ujung distribusi: tabrakan, pejalan kaki yang tiba-tiba muncul di antara mobil-mobil yang terparkir, hewan di jalan, atau zona pekerjaan jalan yang belum ada pekan lalu. Kejadian-kejadian seperti itu terlalu jarang untuk dikumpulkan dalam jumlah yang memadai oleh armada uji, sementara simulasi hanya dapat mereproduksi hal-hal yang sebelumnya sudah terpikirkan oleh seseorang untuk dimodelkan.

Empiric Earth dibangun untuk menemukan kejadian-kejadian tersebut. Kami tidak memproses setiap mil yang ditempuh jaringan kami. Kami menyimpan sebagian kecil perjalanan yang ditandai oleh model kami sebagai tidak biasa atau berisiko. Dengan cara inilah 10 miliar mil menjadi 60 juta kasus tidak umum yang benar-benar dapat dimanfaatkan pengembang.

Tim memanfaatkan catatan tersebut dengan tiga cara. Mereka menelusurinya: tim yang menangani zona pekerjaan jalan dapat mengambil ribuan contoh nyata tentang pengemudi manusia yang berhasil melewatinya, alih-alih membuat skrip untuk beberapa contoh saja. Mereka meminta data yang belum tersedia: jika sebuah sistem kesulitan berbelok ke kiri di persimpangan yang ramai, kami dapat mengarahkan jaringan untuk mencari kejadian tersebut secara spesifik dan mengumpulkan contoh baru saat kejadian itu berlangsung. Mereka juga membandingkan simulasi dengan kenyataan. Ketika mitra merekonstruksi tabrakan nyata dan kejadian nyaris tabrakan yang melibatkan pejalan kaki dan pesepeda, mereka dapat melihat apakah dunia simulasi berperilaku seperti dunia nyata sebelum meluncurkan sistem mereka.

Inilah yang membuat data ini bernilai lebih dari sekadar data itu sendiri. Simulasi sangat penting, tetapi harus berpijak pada apa yang benar-benar terjadi di dunia nyata. Dengan memberi pengembang akses ke bukti tersebut, mereka dapat lebih dini mengidentifikasi kesenjangan, lebih cepat menyempurnakan sistem, dan mengambil keputusan yang lebih baik berdasarkan informasi tentang kapan sistem siap diterapkan. Hal ini juga menjadi landasan bagi evaluasi yang lebih konsisten dan independen seiring berkembangnya industri.

Salah satu prinsip utama Empiric Earth adalah independensinya dari perusahaan pengembang sistem otonom dan produsen kendaraan yang dievaluasinya. Mengapa verifikasi independen semakin penting seiring Physical AI menuju penerapan secara luas, dan standar apa yang sebaiknya diadopsi industri untuk menetapkan tolok ukur keselamatan AI yang bermakna?

Seiring AI Fisik beralih dari lingkungan penelitian ke ruang publik, kepercayaan menjadi sama pentingnya dengan kinerja teknis.

Saat ini, sebagian besar industri mengandalkan para pengembang untuk menguji sistem mereka sendiri dan melaporkan kinerjanya. Hal itu dapat dimaklumi pada tahap ini, tetapi ketika semakin banyak sistem otonom memasuki lingkungan sehari-hari, pelanggan, regulator, dan masyarakat akan semakin menginginkan bukti independen bahwa sistem tersebut bekerja secara andal.

Kita telah melihat bentuk tantangan serupa di industri lain. Saat mengendarai mobil, ada kerangka kerja yang sudah mapan untuk menerbitkan surat izin mengemudi, memeriksa kendaraan, dan menetapkan standar keselamatan. AI Fisik akan memerlukan pendekatan tersendiri untuk menunjukkan kesiapan dan kinerjanya. Untuk kendaraan otonom, pendekatan itu dapat berupa semacam surat izin mengemudi: tes terstandardisasi yang menunjukkan bahwa kinerja sistem setara atau lebih baik daripada pengemudi manusia.

Pertanyaannya adalah bagaimana menetapkan tolok ukur bermakna yang mencerminkan kondisi dunia nyata, bukan hanya mengandalkan pengujian terkendali atau simulasi. Tolok ukur tersebut harus berpijak pada data dunia nyata, mencakup skenario langka dan berbahaya, serta memungkinkan kinerja berbagai sistem dievaluasi secara konsisten.

Di sinilah Empiric Earth dapat memainkan peran penting. Kami tidak percaya bahwa perusahaan yang mengembangkan sistem otonom seharusnya menjadi satu-satunya pihak yang mengevaluasi kinerja sistem tersebut. Peran kami adalah menyediakan intelijen, model, dan kemampuan validasi independen berbasis dunia nyata agar pihak lain dapat menilai kinerja, mengelola risiko, dan membangun kepercayaan. Dengan tetap netral dan dapat dioperasikan bersama, kami dapat mendukung evaluasi berbagai teknologi dan platform, alih-alih mengutamakan satu pendekatan tertentu.

Pada akhirnya, penetapan standar memerlukan kolaborasi antara para pengembang, peneliti, regulator, dan pemangku kepentingan lainnya. Kami ingin membantu menyediakan landasan yang memungkinkan evaluasi independen, sehingga kepercayaan dibangun berdasarkan bukti, bukan klaim.

Seiring makin canggihnya sistem AI berinteraksi dengan dunia fisik, organisasi harus menyeimbangkan kebutuhan akan data dunia nyata yang komprehensif dengan privasi, keamanan, dan tata kelola data yang bertanggung jawab. Bagaimana Empiric Earth menyikapi tantangan ini, dan perlindungan apa yang penting untuk membangun kepercayaan publik terhadap infrastruktur AI fisik berskala besar?

Kepercayaan berawal dari cara data dikumpulkan, dilindungi, dan digunakan. Di Empiric Earth, privasi sudah menjadi bagian dari pendekatan kami sejak awal. Kami berfokus merekam peristiwa di dunia nyata yang menghasilkan informasi bermakna, alih-alih menganggap setiap momen berkendara sama berharganya. Penghilangan identitas dan penanganan data yang bertanggung jawab merupakan hal mendasar dalam proses tersebut.

Asal-usul data juga sama pentingnya. Saat AI fisik bergerak menuju penerapan komersial, pengembang perlu mengetahui dari mana data mereka berasal, bagaimana data itu dikumpulkan, dan hak apa yang mengatur penggunaannya. Tanpa landasan tersebut, sulit membangun keyakinan yang diperlukan untuk mengembangkan skala.

Setiap pasar juga memiliki persyaratan berbeda terkait privasi, persetujuan, dan penyimpanan data di dalam wilayahnya. Platform kami menerapkan pengaturan khusus untuk setiap negara agar kami dapat memenuhi peraturan setempat tanpa harus membangun ulang sistem. Kami harus memperhitungkan perbedaan tersebut saat menilai di mana dan bagaimana kami akan berekspansi.

Prinsip yang lebih luas adalah transparansi. Siapa pun yang membangun infrastruktur AI fisik harus dapat menjelaskan data apa yang mereka kumpulkan, bagaimana mereka melindunginya, dan siapa yang dapat menggunakannya. Praktik data yang bertanggung jawab bukanlah sesuatu yang terpisah dari upaya membangun bisnis yang sukses. Praktik tersebut turut memungkinkan adopsi secara luas.

Pengalaman Anda di Uber mencakup upaya mengubah teknologi baru dan kemitraan strategis menjadi bisnis yang dapat dikembangkan dalam skala besar. Dalam peran baru Anda, Anda bertanggung jawab atas strategi produk, pengembangan korporat, dan komersialisasi Empiric Earth. Pelajaran apa dari masa Anda di Uber yang paling relevan untuk mengembangkan AI fisik, dan bagaimana Anda memutuskan kapan harus membangun kapabilitas secara internal, alih-alih melakukan akuisisi atau menjalin kemitraan?

Uber mengajari saya bahwa jawaban yang tepat bisa berubah. Kami membangun program kendaraan otonom sendiri, ATG, karena kami merasa harus menguasai seluruh tumpukan teknologinya. Belakangan, kami melepasnya ke Aurora dan kembali menggarap kendaraan otonom melalui kemitraan. Kedua keputusan itu masuk akal pada saat diambil. Yang berubah adalah kriteria kami terkait kecepatan, biaya, dan risiko.

Jadi, setiap keputusan untuk membangun sendiri, membeli, atau bermitra selalu mempertimbangkan pertanyaan yang sama. Apa risikonya? Sumber daya dan modal apa yang dibutuhkan? Seberapa cepat hal itu dapat membawa kita ke pasar, dan apa yang dilakukan pesaing sementara itu? Apakah hal itu sesuai dengan strategi kita?

Empiric Earth memulai dari posisi yang berbeda dibandingkan kebanyakan perusahaan karena kami sudah memiliki bagian tersulit untuk dibangun, yaitu data. Kami membangun kapabilitas di bidang yang memberi kami keunggulan berkat landasan tersebut, keunggulan yang sulit ditiru. Akuisisi masuk akal jika menambahkan kapabilitas yang saling melengkapi atau mempercepat strategi kami. Kemitraan juga sering kali menjadi jalan tercepat untuk menjangkau pelanggan, memasuki pasar baru, dan mencapai skala komersial. Cakupan AI fisik terlalu luas untuk ditangani satu perusahaan saja, sehingga kami ingin bekerja sama dengan mitra yang dapat membantu memperkuat seluruh ekosistem dan menyusun pendekatan kami secara bertahap berdasarkan kondisi pasar sekaligus kesesuaiannya dengan keunggulan kompetitif kami—aset yang kami miliki.

Anda juga pernah terlibat dalam ekosistem AI sumber terbuka, termasuk bekerja dengan komunitas OpenClaw. Menurut Anda, bagaimana inovasi sumber terbuka berkontribusi terhadap kemajuan AI fisik, dan dapatkah transparansi serta kolaborasi yang lebih besar mempercepat adopsi sekaligus mempertahankan standar keselamatan dan tata kelola yang dibutuhkan sistem ini?

Sumber terbuka mengubah kecepatan perkembangan AI di bidang perangkat lunak. Ketika lebih banyak orang dapat mengembangkan sesuatu dengan menggunakan perangkat yang sama, siklus penelitian menjadi lebih singkat dan gagasan bagus muncul dari mana saja, bukan hanya dari laboratorium terbesar. AI fisik masih berada di tahap awal perkembangan tersebut. Sebagian besar bidang ini masih berkutat pada penelitian dan demonstrasi, dan kini pertanyaannya adalah bagaimana mengubah hasil kerja itu menjadi bisnis yang bertahan lama.

Saya memimpin kemitraan di OpenClaw Foundation, yang dibentuk untuk mendukung visi Peter Steinberger tentang AI agen personal bersumber terbuka. Ini salah satu contoh paling nyata yang pernah saya lihat tentang bagaimana proyek terbuka dapat mempercepat pekerjaan nyata, karena orang-orang dapat mengambilnya, menjalankannya di sistem mereka sendiri, dan memanfaatkannya sesuai kebutuhan mereka.

Menurut saya, itulah pelajaran penting yang harus diperhatikan bidang AI fisik. Perangkat terbuka memungkinkan lebih banyak tim membangun dan bereksperimen tanpa harus memulai dari nol. Dengan menyimpan data di lingkungan pelanggan sendiri, alih-alih meminta mereka mengirimkannya ke tempat lain, kita menghilangkan salah satu alasan terbesar perusahaan untuk ragu. Operator armada, pemerintah kota, atau produsen dapat menerapkan AI pada data mereka sendiri, dengan kendali mereka sendiri, dan melihat manfaatnya lebih cepat.

Kedua gagasan itu bersama-sama dapat membawa industri ini dari penelitian dan demonstrasi menuju produk yang bersedia dibayar orang. Keterbukaan saja tidak membuat sistem aman, sehingga pengujian nyata, tata kelola yang jelas, dan akuntabilitas tetap diperlukan. Namun, ekosistem terbuka yang membuat data tetap berada di tangan pihak yang berhak memilikinya memungkinkan lebih banyak sistem digunakan secara nyata, dan di situlah pembelajaran terus berkembang.

Di Empiric Earth, kami tertarik pada bagaimana perangkat terbuka dan data yang tetap berada di lingkungan pelanggan dapat membantu seluruh ekosistem AI fisik berkembang, sembari melindungi data dunia nyata yang membuat pekerjaan kami bernilai. Kami tidak percaya bahwa memajukan ekosistem dan membangun bisnis yang berkelanjutan harus menjadi dua tujuan yang saling bertentangan.

Anda pernah berbicara tentang pentingnya melibatkan lebih banyak perempuan dalam kepemimpinan AI, terutama saat industri ini mulai menetapkan standar keselamatan dan kerangka tata kelola yang akan membentuk cara mesin cerdas beroperasi di tengah masyarakat. Menurut Anda, bagaimana keberagaman yang lebih besar dalam kepemimpinan dapat memengaruhi pengembangan sistem AI yang lebih aman dan bertanggung jawab?

Saya berhati-hati menanggapi hal ini, karena anggapan bahwa “menambah jumlah perempuan akan membuat AI lebih aman” juga merupakan bentuk bias tersendiri. Intinya lebih luas dari itu. Agen yang kita bangun belajar dari tindakan manusia selama ini dan dari cara kita mengajari mereka. Jika semua orang yang membentuk proses pengajaran itu berpikir dengan cara yang sama, sistem akan menyerap titik buta yang sama.

Kepemimpinan yang beragam menghadirkan lebih banyak perspektif dalam menentukan hal-hal yang seharusnya dianggap penting oleh sebuah agen, termasuk empati, kepedulian, dan dampak suatu pilihan bagi orang yang terkena dampaknya. Banyak risiko AI bersifat teknis. Risiko lainnya muncul ketika sistem mengambil keputusan yang tidak mencerminkan nilai atau kebutuhan orang-orang yang terdampak. Melibatkan beragam perspektif dalam pengambilan keputusan tersebut membantu kita mengenali titik buta sebelum menjadi masalah di dunia nyata.

Keinginan saya terhadap sistem ini sederhana. Sistem tersebut harus membantu orang mengambil keputusan yang lebih baik dan memberi kita lebih banyak waktu untuk berinteraksi langsung satu sama lain. Untuk mencapainya, diperlukan keseimbangan dan pengendalian yang nyata dengan mempertimbangkan banyak perspektif. Tidak ada satu kelompok pun yang dapat menyelesaikan masalah ini sendirian, dan kita perlu mendorong serta menyemangati perempuan agar berpartisipasi dan membantu membangun hubungan antara agen dan manusia, antaragen, serta antarmanusia.

Menilik tiga hingga lima tahun ke depan, di mana Anda melihat peluang terbesar bagi Empiric Earth di luar penerapannya saat ini dalam keselamatan jalan raya dan intelijen armada? Seiring kendaraan otonom, robotika, dan teknologi AI fisik lainnya semakin menyatu dengan kehidupan sehari-hari, apa peran yang Anda bayangkan akan dimainkan Empiric Earth dalam infrastruktur yang mendukung peralihan ini?

Keselamatan jalan raya dan armada adalah bidang yang menjadi titik awal kami, dan keduanya tetap menjadi inti bisnis kami. Namun, peluang yang lebih besar adalah mendukung AI fisik dengan mengurangi risiko, menyediakan standar validasi, dan pada akhirnya membuat dunia nyata lebih aman.

Tantangan mendasarnya serupa, baik saat Anda membangun kendaraan otonom, robot pengantar barang, maupun sistem intelijen ritel yang beroperasi dalam jaringan periklanan dan perdagangan di dunia nyata. Bagaimana Anda memahami apa yang sedang terjadi di dunia nyata? Bagaimana Anda mengetahui apakah suatu sistem mampu menangani situasi yang tidak terduga? Lalu, bagaimana Anda mengevaluasi kinerja dan mengelola risiko saat sistem tersebut memasuki tahap penerapan komersial?

Saya melihat Empiric Earth akan menjadi lapisan intelijen penting bagi ekosistem AI fisik, dengan menyediakan data dunia nyata, model, aplikasi, dan layanan yang membantu pengembang, mitra, dan operator menjawab pertanyaan-pertanyaan tersebut. Netralitas, portabilitas, dan interoperabilitas akan menjadi unsur penting dalam mewujudkan visi itu. Kami ingin kapabilitas kami dapat digunakan di berbagai teknologi dan platform, sehingga pelanggan bisa mengadopsi solusi yang paling sesuai bagi mereka.

Kami memiliki fondasi luar biasa dalam bidang intelijen berkendara di dunia nyata, dan kini berpeluang mengembangkannya melalui kapabilitas, kemitraan, dan model komersial baru.

AI fisik tidak akan berkembang luas hanya karena satu perusahaan membangun robot atau model terbaik. Perkembangan itu akan terjadi ketika ekosistem yang lebih luas memiliki intelijen, perangkat, dan langkah-langkah keselamatan untuk menerapkan sistem tersebut di dunia nyata. Itulah peran yang ingin dijalankan Empiric Earth.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin menjelajahi intelijen dunia nyata dan validasi independen untuk AI fisik dapat mengunjungi Empiric Earth.