Jen Vescio, presidente di Empiric Earth – Serie di interviste

Jen Vescio è presidente di Empiric Earth, dove si occupa di strategia di prodotto, sviluppo societario e commercializzazione. In precedenza è stata responsabile dello sviluppo commerciale di Uber, dove ha guidato lo sviluppo commerciale a livello globale e la creazione di nuove partnership nei settori della mobilità e della guida autonoma. La sua esperienza comprende anche investimenti in aziende tecnologiche emergenti e attività di consulenza a loro favore, con l’obiettivo di aiutare l’IA fisica a passare dalla ricerca alla diffusione commerciale.

Empiric Earth riunisce Nexar e Nauto per offrire informazioni sulla guida nel mondo reale, modelli di sicurezza e capacità di convalida. L’azienda combina miliardi di miglia percorse con dati su eventi rari, per aiutare sviluppatori, flotte e altre organizzazioni a comprendere prestazioni e rischi. In questa intervista, Vescio parla di valutazione indipendente, gestione responsabile dei dati, commercializzazione e infrastrutture necessarie per far crescere l’IA fisica.

Hai alle spalle una lunga carriera, che spazia dallo sviluppo commerciale globale in Uber agli investimenti nelle tecnologie emergenti, fino alla consulenza a favore di aziende nel settore dell’IA fisica. Sei entrata inizialmente nel consiglio di amministrazione di Empiric Earth ad aprile, prima di assumere di recente il ruolo di presidente. Che cosa ti ha attratto dell’azienda e che cosa ti ha infine convinta ad assumere un ruolo dirigenziale più operativo?

Da investitrice e consulente nel campo dell’IA fisica, continuavo a vedere sempre la stessa lacuna. Molti team conducevano esperimenti, ma ben pochi disponevano di dati del mondo reale per dimostrare che i loro sistemi funzionassero al di fuori di un ambiente di test. Empiric Earth li aveva già. Oltre 10 miliardi di miglia percorse nella realtà e 60 milioni di casi limite sono qualcosa che non si può comprare né falsificare.

Questo colloca l’azienda in una posizione insolita. Non dobbiamo competere con le aziende che costruiscono robot, veicoli o modelli. Possiamo aiutare tutte queste aziende a raggiungere il mercato più rapidamente, fornendo le informazioni sul mondo reale di cui hanno bisogno per gestire i rischi, convalidare le prestazioni e costruire fiducia. Dal mio posto nel consiglio di amministrazione, ho intravisto l’opportunità di costruire qualcosa di fondamentale per l’intero ecosistema dell’IA fisica.

A spingermi ad assumere il ruolo di presidente sono stati Zach e la sua visione. Lo conosco da quando entrambi lavoravamo alla creazione di partnership nel settore della mobilità: io in Uber e lui in Lyft. Quando una persona di cui ti fidi da così tanto tempo ti presenta un problema difficile e una risorsa che nessun altro possiede, la ascolti. Ci completiamo a vicenda. Lui pensa al settore e alla direzione che sta prendendo. Io ho dedicato la mia carriera a trasformare le nuove tecnologie in attività capaci di crescere. In questo momento l’IA fisica sta uscendo dai laboratori di ricerca per passare a impieghi concreti, e non volevo assistere a questa evoluzione soltanto durante le riunioni del consiglio.

Empiric Earth è nata dalla fusione di Nexar e Nauto, riunendo due aziende con una profonda esperienza nell’intelligenza applicata alla guida nel mondo reale e nella sicurezza basata sull’IA. Quali capacità uniche rende possibile questa combinazione e in che modo immagini che la nuova azienda si distingua nel mercato dell’IA fisica, in rapida evoluzione?

Nexar e Nauto sono state entrambe fondate nel 2015 e, nell’arco di oltre vent’anni complessivi, hanno analizzato lo stesso problema da due prospettive diverse. Insieme, possiamo capire che cosa succede sulla strada e come reagiscono i conducenti, ottenendo così un quadro molto più completo dei comportamenti e dei rischi nel mondo reale.

Per il mercato nel suo complesso, questo rappresenta il collegamento tra la simulazione e il mondo reale. La maggior parte dei team sviluppa e testa i sistemi in simulazione, ma la difficoltà sta nel dimostrare che un sistema sia in grado di funzionare in modo affidabile nelle condizioni del mondo reale. Possiamo aiutare i partner a individuare scenari mai affrontati dai loro sistemi, a migliorare i modelli e a convalidarne le prestazioni rispetto a ciò che accade davvero. Questo può abbreviare i cicli di sviluppo, ridurre i rischi e accelerare la commercializzazione.

Ciò che ci distingue è la capacità di rendere possibile una valutazione indipendente nell’intero ecosistema dell’IA fisica. Non costruiamo i veicoli, i robot o i sistemi autonomi che i nostri clienti stanno sviluppando. Forniamo informazioni sul mondo reale che li aiutano a comprendere le prestazioni, gestire i rischi e costruire fiducia. Questo richiede un impegno a favore della neutralità, della portabilità e dell’interoperabilità. Man mano che portiamo sul mercato nuove applicazioni, modelli e servizi, vogliamo che i clienti possano utilizzarli con diversi componenti hardware e stack tecnologici, senza essere vincolati a un unico fornitore. Il nostro obiettivo è fare da «arbitro» per l’intero ecosistema, non scegliere chi avrà successo al suo interno.

L’IA fisica si sta affermando come una delle prossime grandi frontiere dell’intelligenza artificiale, con applicazioni che spaziano dai veicoli autonomi alla robotica e alle infrastrutture intelligenti. Quali ritieni siano i principali ostacoli che impediscono a questi sistemi di funzionare in modo affidabile in ambienti reali imprevedibili, e perché l’accesso ai dati del mondo reale è così fondamentale per superarli?

Il principale ostacolo è che il mondo fisico non è mai stato documentato. I modelli linguistici sono diventati rapidamente efficaci perché sono stati addestrati su decenni di testi già prodotti dalle persone. Per una strada, il pavimento di un magazzino o un marciapiede non esiste nulla di equivalente. La maggior parte di ciò che accade in questi luoghi, come un quasi incidente o una corsia chiusa proprio stamattina, non viene mai registrata.

Questo crea due problemi. Il primo è che il mondo fisico cambia continuamente. Un sistema deve sapere cosa è vero adesso, e una foto della primavera scorsa non può dirgli com’è una strada che è cambiata stamattina. Inoltre, non si può tornare indietro e raccogliere i dati di ieri. Il secondo problema è la frammentazione. Nessuna azienda, da sola, riesce a osservare una porzione sufficientemente ampia del mondo, quindi gli sviluppatori conducono esperimenti separati, usando dataset, modelli e architetture tecnologiche diversi. Questo rende più difficile confrontare i risultati, condividere ciò che funziona e trasformare ricerche promettenti in prodotti commercialmente sostenibili.

I dati del mondo reale permettono di affrontare entrambi i problemi. Gli eventi rari che mandano in crisi un sistema si verificano ogni giorno da qualche parte, e si riescono a individuare solo osservando continuamente un’enorme varietà di condizioni reali. Nei nostri dati statunitensi, per ogni collisione si verificano circa 19 incidenti sfiorati, e quasi nessuno viene riportato in un verbale di polizia o in una richiesta di risarcimento assicurativo. Zach l’ha spiegato bene in un recente saggio: la sicurezza è lo studio di ciò che non è accaduto. Non è possibile studiarlo se nessuno lo ha conteggiato.

Empiric Earth ha raccolto oltre 10 miliardi di miglia di dati storici sulla guida e più di 60 milioni di casi limite, registrando ogni mese centinaia di milioni di miglia aggiuntive. In che modo questo vasto dataset può aiutare gli sviluppatori di IA ad addestrare e convalidare sistemi autonomi più affidabili, soprattutto nei casi rari o pericolosi che le simulazioni tradizionali faticano a riprodurre?

Oggi la maggior parte dei sistemi gestisce bene la guida ordinaria. A metterli ancora in difficoltà è la coda lunga degli eventi: un incidente, un pedone che sbuca tra auto parcheggiate, un animale sulla strada, un cantiere che la settimana scorsa non c’era. Questi episodi sono troppo rari perché una flotta di prova possa rilevarne un numero significativo, e le simulazioni possono riprodurre solo ciò che qualcuno ha già pensato di modellare.

Empiric Earth è stata creata proprio per individuarli. Non elaboriamo ogni miglio percorso dalla nostra rete. Conserviamo la piccola parte che i nostri modelli segnalano come insolita o rischiosa: è così che 10 miliardi di miglia si trasformano in 60 milioni di casi limite effettivamente utilizzabili dagli sviluppatori.

I team utilizzano questi dati in tre modi. Li consultano: un team che lavora sulle zone di cantiere può recuperare migliaia di esempi reali di conducenti che le attraversano, invece di limitarsi a crearne artificialmente alcuni. Individuano ciò che manca: se un sistema ha difficoltà a svoltare a sinistra agli incroci trafficati, possiamo indirizzare la rete proprio su questo aspetto e raccogliere nuovi esempi man mano che si verificano. Infine, confrontano le simulazioni con la realtà. Quando un partner ricostruisce collisioni reali e incidenti sfiorati che coinvolgono pedoni e ciclisti, può verificare se il mondo simulato si comporta come quello reale prima di distribuire il sistema.

È questo che rende preziosi questi dati, al di là dei dati stessi. La simulazione è essenziale, ma deve basarsi su ciò che accade davvero nel mondo reale. Dare agli sviluppatori accesso a queste evidenze li aiuta a individuare prima le lacune, migliorare più rapidamente i propri sistemi e decidere con maggiore consapevolezza quando sono pronti per essere implementati. Inoltre, crea le basi per valutazioni più coerenti e indipendenti, man mano che il settore cresce.

Uno dei principi distintivi di Empiric Earth è la sua indipendenza dai produttori di sistemi autonomi e di veicoli che valuta. Perché la verifica indipendente sta diventando sempre più importante mentre l’IA fisica si avvicina a una diffusione su vasta scala, e quali standard dovrebbe adottare il settore per definire parametri di riferimento significativi per la sicurezza dell’IA?

Quando l’IA fisica passa dagli ambienti di ricerca agli spazi pubblici, la fiducia diventa importante quanto le prestazioni tecniche.

Oggi gran parte del settore affida agli sviluppatori il compito di testare i propri sistemi e riferirne le prestazioni. In questa fase è comprensibile, ma man mano che un numero crescente di sistemi autonomi entra negli ambienti di tutti i giorni, clienti, autorità di regolamentazione e cittadini vorranno sempre più spesso prove indipendenti della loro affidabilità.

Abbiamo già visto sfide simili in altri settori. Quando ci si mette alla guida di un’auto, esiste un quadro normativo consolidato per il rilascio delle patenti, le ispezioni dei veicoli e la definizione dei requisiti di sicurezza. Anche l’IA fisica avrà bisogno di metodi specifici per dimostrare il proprio grado di preparazione e le proprie prestazioni. Per i veicoli autonomi, si potrebbe introdurre una sorta di patente di guida: un test standardizzato che dimostri che un sistema offre prestazioni pari o superiori a quelle di un conducente umano.

La questione è come definire parametri di riferimento significativi, che rispecchino le condizioni del mondo reale invece di basarsi esclusivamente su test controllati o simulazioni. Questi parametri devono fondarsi su dati reali, tenere conto degli scenari rari e pericolosi e consentire di valutare le prestazioni in modo coerente tra sistemi diversi.

È qui che Empiric Earth può svolgere un ruolo importante. Non crediamo che le aziende che sviluppano sistemi autonomi debbano essere le uniche a valutarne le prestazioni. Il nostro compito è fornire informazioni indipendenti sul mondo reale, modelli e capacità di convalida che consentano ad altri di valutare le prestazioni, gestire i rischi e costruire fiducia. Restando neutrali e interoperabili, possiamo contribuire alla valutazione di tecnologie e piattaforme diverse, senza favorire un approccio specifico.

In definitiva, per definire standard sarà necessaria la collaborazione tra sviluppatori, ricercatori, autorità di regolamentazione e altri portatori di interesse. Vogliamo contribuire a creare le basi per rendere possibile una valutazione indipendente, affinché la fiducia si fondi sulle evidenze e non sulle dichiarazioni.

Man mano che sistemi di IA sempre più sofisticati interagiscono con il mondo fisico, le organizzazioni devono conciliare la necessità di disporre di dati completi provenienti dal mondo reale con la tutela della privacy, la sicurezza e una gestione responsabile dei dati. In che modo Empiric Earth affronta queste sfide e quali misure di salvaguardia sono essenziali per creare fiducia nel pubblico nelle infrastrutture di IA fisica su larga scala?

La fiducia parte da come i dati vengono raccolti, protetti e utilizzati. In Empiric Earth, la tutela della privacy è integrata nel nostro approccio fin dall’inizio. Ci concentriamo sulla raccolta di eventi del mondo reale che forniscono informazioni utili, invece di considerare ogni momento alla guida altrettanto prezioso. La de-identificazione e la gestione responsabile dei dati sono elementi fondamentali di questo processo.

La provenienza dei dati è altrettanto importante. Con l’avvicinarsi della fase di commercializzazione dell’IA fisica, gli sviluppatori devono sapere da dove provengono i dati, come sono stati raccolti e quali diritti ne regolano l’utilizzo. Senza queste basi, è difficile creare la fiducia necessaria per crescere.

Anche i diversi mercati hanno requisiti differenti in materia di privacy, consenso e localizzazione dei dati. La nostra piattaforma applica impostazioni specifiche per ciascun Paese, così possiamo rispettare le normative locali senza dover ricostruire il sistema. Dobbiamo tenere conto di queste differenze quando valutiamo dove e come espanderci.

Il principio più ampio è la trasparenza. Chiunque realizzi infrastrutture per l’IA fisica dovrebbe essere in grado di spiegare quali dati raccoglie, come li protegge e chi può utilizzarli. Le pratiche responsabili di gestione dei dati non sono separate dalla costruzione di un’impresa di successo: sono parte di ciò che rende possibile un’adozione su vasta scala.

La tua esperienza in Uber ti ha portato a trasformare tecnologie emergenti e partnership strategiche in attività scalabili. Nel tuo nuovo ruolo, sei responsabile della strategia di prodotto, dello sviluppo aziendale e della commercializzazione di Empiric Earth. Quali insegnamenti tratti dal tuo periodo in Uber sono più utili per far crescere l’IA fisica e come decidi se sviluppare competenze internamente o puntare su acquisizioni o partnership?

Uber mi ha insegnato che la risposta giusta può cambiare. Abbiamo sviluppato il nostro programma di guida autonoma, ATG, perché ritenevamo di dover controllare l’intero stack tecnologico. In seguito lo abbiamo ceduto ad Aurora e siamo tornati nel settore della guida autonoma attraverso partnership. Entrambe le decisioni erano sensate nel momento in cui le abbiamo prese. A cambiare sono stati i criteri relativi a velocità, costi e rischi.

Perciò, per ogni decisione se sviluppare, acquistare o collaborare, ci poniamo le stesse domande. Quali sono i rischi? Quali risorse e capitali richiede? Quanto velocemente ci consente di arrivare sul mercato e cosa fa la concorrenza nel frattempo? È in linea con la strategia?

Empiric Earth parte da una posizione diversa rispetto alla maggior parte delle aziende, perché possediamo già l’elemento più difficile da realizzare: i dati. Sviluppiamo soluzioni quando queste basi ci offrono un vantaggio difficile da replicare. Le acquisizioni sono opportune quando aggiungono competenze complementari o accelerano la nostra strategia. Le partnership, inoltre, possono spesso essere la via più rapida per raggiungere i clienti, entrare in nuovi mercati e crescere su scala commerciale. L’IA fisica è un ambito troppo ampio perché una sola azienda possa realizzare tutto; per questo vogliamo collaborare con partner in grado di rafforzare l’intero ecosistema e pianificare le fasi del nostro approccio tenendo conto sia delle condizioni di mercato sia della coerenza con il nostro vantaggio competitivo: i nostri asset.

Hai anche partecipato all’ecosistema dell’IA open source, anche collaborando con la comunità OpenClaw. In che modo pensi che l’innovazione open source possa contribuire al progresso dell’IA fisica? Una maggiore trasparenza e collaborazione può accelerarne l’adozione, mantenendo al contempo gli standard di sicurezza e governance richiesti da questi sistemi?

L’open source ha cambiato la velocità con cui l’IA si è evoluta nel software. Quando più persone possono sviluppare partendo dagli stessi strumenti, i cicli di ricerca si accorciano e le buone idee arrivano da ogni parte, non solo dai laboratori più grandi. L’IA fisica si trova in una fase iniziale di questo percorso. Gran parte del settore è ancora concentrata sulla ricerca e sulle dimostrazioni, e ora la questione è come trasformare questo lavoro in attività capaci di durare nel tempo.

Ero responsabile delle partnership presso la OpenClaw Foundation, nata per sostenere la visione di Peter Steinberger di un’IA agentica personale e open source. È uno degli esempi più evidenti che abbia visto di un progetto aperto capace di accelerare il lavoro concreto: le persone potevano adottarlo, eseguirlo sui propri sistemi e renderlo utile per le attività che svolgono davvero.

È una lezione che, secondo me, l’IA fisica dovrebbe tenere in seria considerazione. Gli strumenti aperti permettono a più team di sviluppare e sperimentare senza partire da zero. Conservare i dati nell’ambiente del cliente, invece di chiedergli di inviarli altrove, elimina uno dei principali motivi di esitazione delle aziende. Una flotta, una città o un produttore possono applicare l’IA ai propri dati, secondo le proprie regole, e ottenere risultati più rapidamente.

Insieme, queste due idee consentono al settore di passare dalla ricerca e dalle dimostrazioni a prodotti per cui le persone sono disposte a pagare. La sola apertura non rende sicuro un sistema: servono comunque test concreti, una governance chiara e responsabilità definite. Ma un ecosistema aperto, in cui i dati restano nelle mani di chi ne è titolare, porta più sistemi a un utilizzo reale, ed è lì che l’apprendimento si accumula.

In Empiric Earth ci interessa capire come strumenti aperti e dati che rimangono nell’ambiente del cliente possano favorire la crescita dell’intero ecosistema dell’IA fisica, proteggendo al contempo i dati del mondo reale che rendono prezioso il nostro lavoro. Non crediamo che far progredire l’ecosistema e costruire un’attività sostenibile debbano essere obiettivi in conflitto.

Hai parlato dell’importanza di coinvolgere più donne nei ruoli di leadership nell’IA, soprattutto ora che il settore comincia a definire gli standard di sicurezza e i quadri di governance che plasmeranno il modo in cui le macchine intelligenti opereranno nella società. In che modo pensi che una maggiore diversità nei ruoli di leadership possa influire sullo sviluppo di sistemi di IA più sicuri e responsabili?

Su questo tema sono prudente, perché l’idea che «basti aggiungere più donne perché l’IA diventi più sicura» è, a sua volta, una forma di pregiudizio. La questione è più ampia. Gli agenti che stiamo sviluppando imparano da ciò che gli esseri umani hanno già fatto e da come insegniamo loro. Se tutte le persone che contribuiscono a questo insegnamento la pensano allo stesso modo, i sistemi finiscono per acquisire gli stessi punti ciechi.

Una leadership diversificata porta più prospettive nelle decisioni su ciò che un agente dovrebbe considerare importante, compresi l’empatia, la cura e l’impatto che una scelta ha sulla persona che la subisce. Molti rischi legati all’IA sono di natura tecnica. Altri derivano da sistemi che prendono decisioni non in linea con i valori o le esigenze delle persone coinvolte. Integrare prospettive diverse in queste decisioni ci aiuta a individuare i punti ciechi prima che diventino problemi concreti nel mondo reale.

Quello che desidero da questi sistemi è semplice: dovrebbero aiutare le persone a prendere decisioni migliori e lasciarci più tempo da trascorrere insieme nella vita reale. Per riuscirci servono equilibrio e controlli concreti, basati su molte prospettive diverse. Nessun gruppo può risolvere il problema da solo: dobbiamo motivare e incoraggiare le donne a partecipare e a contribuire a promuovere le connessioni tra agenti e persone, tra agenti e tra persone.

Guardando ai prossimi tre-cinque anni, quali sono, secondo te, le maggiori opportunità per Empiric Earth al di là delle applicazioni già esistenti per la sicurezza stradale e l’intelligence delle flotte? Man mano che i veicoli autonomi, la robotica e altre tecnologie di IA fisica si integrano sempre più nella vita quotidiana, quale ruolo immagini per Empiric Earth nell’infrastruttura che sostiene questa transizione?

La sicurezza stradale e le flotte sono gli ambiti da cui siamo partiti e restano centrali per la nostra attività. Ma l’opportunità più grande consiste nel sostenere l’IA fisica riducendo i rischi, fornendo uno standard di convalida e, in ultima analisi, rendendo più sicuro il mondo reale.

Le sfide fondamentali sono simili, che si stia sviluppando un veicolo autonomo, un robot per le consegne o un sistema di intelligence per il commercio al dettaglio che gestisce una rete pubblicitaria e commerciale nel mondo reale. Come si fa a capire che cosa sta accadendo nel mondo reale? Come si può sapere se un sistema è in grado di gestire situazioni impreviste? E come si valutano le prestazioni e si gestiscono i rischi mentre questi sistemi passano alla distribuzione commerciale?

Immagino che Empiric Earth diventi un importante livello di intelligence per l’ecosistema dell’IA fisica, fornendo dati del mondo reale, modelli, applicazioni e servizi che aiutino sviluppatori, partner e operatori a rispondere a queste domande. Neutralità, portabilità e interoperabilità saranno aspetti importanti di questa visione. Vogliamo che le nostre capacità funzionino con tecnologie e piattaforme diverse, così che i clienti possano adottare le soluzioni più adatte alle loro esigenze.

Disponiamo di basi straordinarie nell’ambito dell’intelligence sulla guida nel mondo reale, e ora possiamo valorizzarle sviluppando nuove capacità, partnership e modelli commerciali.

L’IA fisica non si diffonderà su larga scala perché un’azienda costruisce il robot o il modello migliore. Si diffonderà quando l’intero ecosistema disporrà dell’intelligence, degli strumenti e delle misure di sicurezza necessari per impiegare questi sistemi nel mondo reale. È questo il ruolo che vogliamo svolgere con Empiric Earth.

Grazie per la splendida intervista. I lettori che desiderano approfondire l’intelligence nel mondo reale e la convalida indipendente per l’IA fisica possono visitare Empiric Earth.