Empiric Earth社長、Jen Vescio氏 ― インタビューシリーズ

Jen Vescio氏はEmpiric Earthの社長として、製品戦略、事業開発、商業化を統括しています。それ以前はUberの最高事業開発責任者を務め、モビリティと自動運転の分野で、グローバルな事業開発と新たなパートナーシップを主導しました。また、新興テクノロジー企業への投資や助言にも携わり、フィジカルAIを研究段階から商用展開へと進めることに重点を置いてきました。

Empiric EarthはNexarとNautoを統合し、実世界の運転データに基づくインテリジェンス、安全性モデル、検証機能を提供しています。同社は、数十億マイルに及ぶ運転履歴とまれな事象の記録を組み合わせ、開発者や車両運行事業者をはじめとする組織が、性能とリスクを把握できるよう支援しています。本インタビューでは、Vescio氏が、独立した評価、責任あるデータガバナンス、商業化、そしてフィジカルAIの規模拡大に必要なインフラについて語ります。

Uberでのグローバルな事業開発、新興テクノロジーへの投資、フィジカルAI分野の企業への助言など、幅広いキャリアを歩んでこられました。まず4月にEmpiric Earthの取締役に就任し、その後、最近になって社長として経営の第一線に立たれました。同社に惹かれた理由は何でしょうか。また、より直接的にリーダーシップを担う決断を最終的に後押ししたものは何でしたか？

フィジカルAI分野の投資家、アドバイザーとして活動するなかで、私は同じギャップを何度も目にしてきました。多くのチームが実験を重ねていましたが、テスト環境の外でもシステムが機能することを証明できる実世界のデータを持つチームは、ほとんどありませんでした。Empiric Earthはすでにそのデータを持っていました。実際の走行距離100億マイル超と6000万件のエッジケースは、買うことも、捏造することもできません。

そのことが、同社を独特の立場に置いています。ロボットや車両、モデルを開発する企業と競争する必要はありません。リスク管理や性能検証、信頼の構築に必要な実世界のインテリジェンスを提供することで、そうした企業すべての市場投入を加速できます。取締役として、フィジカルAIのエコシステム全体を支える基盤を築く機会があると感じました。

私が社長に就任する決め手となったのは、Zachと彼のビジョンでした。私たちがモビリティ分野でパートナーシップを築いていた頃から、彼とは知り合いです。私はUberで、彼はLyftで仕事をしていました。長年信頼してきた人が、難題と、ほかの誰も持っていない資産を携えて訪ねてきたら、話を聞くものです。私たちは互いを補い合う関係です。彼はこの分野の方向性や今後の展開を考え、私は新しいテクノロジーを拡大可能な事業へと転換することにキャリアを費やしてきました。フィジカルAIは今、研究段階を離れ、実際の導入へと進みつつあります。その動きを取締役会の会議室から眺めているだけではいたくありませんでした。

Empiric EarthはNexarとNautoの合併によって誕生し、実世界の運転データに基づくインテリジェンスとAIを活用した安全性に関する深い専門知識を持つ2社が統合されました。この統合によってどのような独自の能力が実現し、急速に進化するフィジカルAI市場で統合後の会社はどのように差別化できるとお考えですか？

NexarとNautoはどちらも2015年に創業し、2社合わせて20年以上にわたり、同じ課題を異なる視点から測定してきました。両社が一つになることで、道路上で何が起きているかだけでなく、ドライバーがそれにどう反応するかも把握でき、実世界の行動やリスクをより立体的に捉えられます。

より広い市場にとって、これはシミュレーションと実世界をつなぐ橋渡しとなります。多くのチームはシミュレーションでシステムを構築し、テストしていますが、実世界の状況でシステムが安定して動作することを証明するのが難題です。私たちはパートナーが、システムがまだ遭遇していないシナリオを見つけ、モデルを改善し、実際に起きることに照らして性能を検証できるよう支援します。その結果、開発期間の短縮、リスクの低減、商業化の加速につながります。

私たちの強みは、フィジカルAIのエコシステム全体で独立した評価を可能にすることです。私たちは、顧客が開発している車両やロボット、自律システムを作っているわけではありません。性能の把握、リスク管理、信頼の構築に役立つ実世界のインテリジェンスを提供しています。そのためには、中立性、可搬性、相互運用性への取り組みが欠かせません。新しいアプリケーションやモデル、サービスを市場に投入する際には、特定のプロバイダーに縛られることなく、顧客がさまざまなハードウェアや技術スタックで利用できるようにしたいと考えています。私たちの目標は、エコシステム内で勝者を選ぶことではなく、エコシステム全体の「審判役」を務めることです。

フィジカルAIは人工知能における次の大きなフロンティアの一つとして台頭しており、自動運転車、ロボット工学、インテリジェントインフラなど、幅広い分野への応用が進んでいます。予測不能な実世界の環境でこれらのシステムが安定して稼働するうえで、最大の障壁は何だとお考えですか。また、それを乗り越えるために実世界のデータへのアクセスが極めて重要なのはなぜでしょうか？

最大の障壁は、物理世界の出来事が記録されてこなかったことです。言語モデルが急速に高性能化したのは、人々がすでに何十年にもわたって作り続けてきたテキストで学習できたからです。しかし、道路や倉庫の床、歩道には、それに相当するものがありません。そこで起きることの大半は、たとえばニアミスや今朝閉鎖された車線のような出来事でさえ、そもそも記録されていないのです。

そこには二つの問題があります。第一に、現実世界は絶えず変化します。システムは今何が起きているかを把握する必要がありますが、去年の春に撮影された写真では、今朝変わった道路の状況は分かりません。また、昨日に戻ってデータを集めることもできません。第二の問題は、データや取り組みが分断されていることです。一社だけで世界を十分に把握することはできないため、開発者はそれぞれ異なるデータセット、モデル、技術スタックを使って別個に実験を進めています。その結果、成果を比較し、効果のあった取り組みを共有し、有望な研究を商業的に実現可能な製品へと発展させることが難しくなります。

この二つの問題を乗り越える鍵となるのが、現実世界のデータです。システムを破綻させるようなまれな事象は、毎日どこかで発生しています。それを見つけるには、実際に起きている多種多様な状況を継続的に観察するしかありません。米国のデータでは、衝突事故1件につき、その背景にはニアミスが約19件ありますが、そのほとんどは警察の事故報告書にも保険請求にも記録されません。Zachは最近のエッセイで、こう述べています。「安全とは、起きなかったことを研究する学問だ」と。誰も数えていなければ、それを研究することはできません。

Empiric Earthは、走行履歴を100億マイル以上、エッジケースを6,000万件以上蓄積しており、さらに毎月、数億マイル分のデータを追加で収集しています。この膨大なデータセットは、従来のシミュレーションでは再現が難しい、まれな状況や危険なシナリオを含め、AI開発者がより信頼性の高い自律システムを訓練・検証するうえで、どのように役立つのでしょうか。

現在、ほとんどのシステムは通常の運転にはうまく対応できます。それでもシステムを破綻させるのは、発生頻度の低いさまざまな事象です。衝突事故、駐車車両の間から歩行者が飛び出してくること、道路上の動物、先週まではなかった工事区域などがその例です。こうした事象はまれなため、テスト車両を走らせても有用な数を集めるのは困難です。また、シミュレーションで再現できるのは、誰かがすでにモデル化を考えた事象に限られます。

Empiric Earthは、そうした事象を見つけるために構築されました。私たちは、ネットワークが走行するすべてのマイルを処理するわけではありません。モデルが異常またはリスクが高いと判定した一部のデータだけを保持します。これにより、100億マイルの走行データから、開発者が実際に活用できる6,000万件のエッジケースを抽出しています。

チームは、この記録を三つの方法で活用します。まず、記録を検索します。工事区域に取り組むチームは、いくつかの事例をスクリプトで作る代わりに、人間のドライバーが工事区域を通過した実例を何千件も抽出できます。次に、不足しているデータを求めます。たとえば、システムが交通量の多い交差点での左折に苦戦している場合、その状況を狙ってネットワークにデータ収集を指示し、実際に発生した事例を新たに集められます。そして、シミュレーションを現実と照らし合わせて検証します。パートナーが歩行者や自転車利用者の関わる実際の衝突事故やニアミスを再現すれば、製品をリリースする前に、シミュレーション内の世界が現実と同じように振る舞うかどうかを確認できます。

この点に、データそのものを超えた価値があります。シミュレーションは不可欠ですが、現実世界で実際に起きていることに根差していなければなりません。開発者がそうした証拠を利用できれば、より早い段階で不足を特定し、システムをより迅速に改善するとともに、導入の準備が整ったかどうかを、より確かな情報に基づいて判断できます。また、業界の拡大に伴い、より一貫性のある独立した評価を行うための基盤にもなります。

Empiric Earthを特徴づける基本原則の一つは、評価対象となる自律システムや車両のメーカーから独立していることです。フィジカルAIが広く導入される段階へと進むなかで、なぜ独立した検証の重要性が高まっているのでしょうか。また、AIの安全性を測る有意義な基準を確立するために、業界はどのような規格を採用すべきでしょうか。

フィジカルAIが研究環境から公共の場へと広がるにつれて、技術的な性能と同じくらい、信頼が重要になります。

現在、業界の多くは、開発者自身が自社システムをテストし、その性能を報告する形をとっています。この段階では理解できることですが、自律システムが日常生活の環境にさらに導入されるにつれて、顧客、規制当局、そして一般の人々は、そうしたシステムが安定した性能を発揮することを示す独立した証拠を、ますます求めるようになるでしょう。

ほかの業界でも、これと似た課題がありました。車に乗るときには、運転免許の交付、車両検査、安全に関する期待水準の設定について、確立された枠組みがあります。フィジカルAIにも、導入準備や性能を実証するための独自の方法が必要になります。自動運転車の場合、運転免許のような仕組みが考えられます。つまり、そのシステムが人間のドライバーと同等以上の性能を発揮することを示す標準化された試験です。

課題は、管理された試験やシミュレーションだけに頼るのではなく、現実世界の状況を反映した有意義な基準をどう確立するかです。そうした基準は現実世界のデータに根差し、まれで危険な状況も考慮したうえで、異なるシステム間の性能を一貫した方法で評価できるものでなければなりません。

ここでEmpiric Earthは重要な役割を果たせます。自律システムを開発する企業だけが、その性能を評価すべきだとは考えていません。私たちの役割は、ほかの組織が性能を評価し、リスクを管理し、信頼を築けるよう、独立した現実世界の知見、モデル、検証機能を提供することです。中立性と相互運用性を保つことで、特定の方式を優遇することなく、さまざまな技術やプラットフォームを横断した評価を支援できます。

最終的に、規格の確立には、開発者、研究者、規制当局、その他の関係者の協力が必要です。主張ではなく証拠に基づいて信頼を築けるよう、独立した評価を可能にする基盤づくりに貢献したいと考えています。

AIシステムがますます高度化し、物理世界と相互に作用するようになるなか、組織には、現実世界の包括的なデータを必要とする一方で、プライバシーやセキュリティ、責任あるデータガバナンスにも配慮することが求められます。Empiric Earthはこうした課題にどのように取り組んでいますか。また、大規模なフィジカルAIインフラへの社会的信頼を築くうえで、不可欠な保護策とは何でしょうか。

信頼は、データの収集、保護、利用のあり方から始まります。Empiric Earthでは、当初からプライバシーをアプローチに組み込んでいます。運転中のあらゆる瞬間に等しい価値があるとみなすのではなく、有用な知見につながる現実世界の出来事を捉えることに注力しています。匿名化と責任あるデータの取り扱いは、そのプロセスの根幹です。

データの来歴も同じくらい重要です。フィジカルAIが商用展開に向かうなか、開発者はデータの出所、収集方法、利用を規定する権利関係を把握する必要があります。こうした基盤がなければ、規模を拡大するために必要な信頼を築くのは困難です。

市場によって、プライバシー、同意、データの保管場所に関する要件も異なります。当社のプラットフォームでは、それぞれの国に応じた設定を適用するため、システムを再構築せずに現地の規則に対応できます。事業をどこで、どのように拡大するかを検討する際には、こうした違いを考慮しなければなりません。

より広い原則として重要なのは、透明性です。フィジカルAIのインフラを構築する人は誰でも、どのようなデータを収集し、どう保護し、誰が利用できるのかを説明できるべきです。責任あるデータ運用は、事業の成功とは別のものではありません。それは、広範な普及を可能にする要素の一つです。

Uberでのご経験では、新興技術や戦略的パートナーシップを、拡張可能な事業へと成長させてこられました。現在の役職では、Empiric Earthの製品戦略、事業開発、商業化を担っていらっしゃいます。Uberでの経験から、フィジカルAIの拡大に最も生かせる教訓は何でしょうか。また、能力を社内で構築するのか、それとも買収や提携を進めるのかは、どのように判断していますか。

Uberで学んだのは、正解は変わり得るということです。技術スタック全体を自社で保有する必要があると考え、自社の自動運転プログラムATGを立ち上げました。その後、ATGをAuroraに売却し、パートナーシップを通じて自動運転分野に再び参入しました。どちらの判断も、その時点では理にかなっていました。変わったのは、スピード、コスト、リスクに関する判断基準です。

そのため、内製、買収、提携のいずれを選ぶ場合も、同じ問いを検討します。リスクは何か。どのようなリソースと資本が必要か。どれだけ早く市場に投入できるか。その間、競合は何をしているか。戦略に合致しているか。

Empiric Earthは、構築が最も難しい要素であるデータをすでに保有しているため、多くの企業とは異なる出発点に立っています。その基盤によって再現困難な優位性を得られる領域で、私たちは開発を進めます。補完的な能力を加えたり、戦略を加速させたりする場合には、買収が有効です。また、顧客、新たな市場、商業規模の拡大への最短経路となることが多いのは、パートナーシップです。フィジカルAIの領域は、一社ですべてを構築するには広すぎます。そこで、エコシステム全体の強化に貢献できるパートナーと協力し、市場環境と、競争上の優位性である当社の資産との整合性の両方を踏まえて、取り組みを段階的に進めたいと考えています。

OpenClawコミュニティとの取り組みなど、オープンソースAIのエコシステムにも携わってこられました。オープンソースのイノベーションはフィジカルAIの進歩にどのように貢献するとお考えですか。また、透明性と協力を高めることで、これらのシステムに求められる安全性やガバナンスの基準を維持しながら、普及を加速できるでしょうか。

オープンソースは、ソフトウェア分野におけるAIの進歩のスピードを変えました。より多くの人が同じツールを使って開発できれば、研究サイクルは短くなり、優れたアイデアは最大手の研究所だけでなく、あらゆるところから生まれます。フィジカルAIは、その進展の初期段階にあります。この分野の多くは、いまだ研究やデモの段階にあり、今問われているのは、その成果を長く続く事業へとつなげる方法です。

私は、オープンソースのパーソナルなエージェント型AIに関するPeter Steinbergerのビジョンを支援するために設立されたOpenClaw Foundationで、パートナーシップ責任者を務めていました。これは、オープンなプロジェクトが実際の業務を加速させることを示す、私が見てきたなかでも特に明快な例の一つです。誰もがプロジェクトを利用し、自分のシステム上で実行して、実際の用途に役立てることができたからです。

フィジカルAIが真剣に受け止めるべき教訓はそこにあります。オープンなツールがあれば、ゼロから始めずに、より多くのチームが開発や実験に取り組めます。顧客にデータをどこか別の場所へ送るよう求めるのではなく、顧客自身の環境内にデータを保管することで、企業が導入をためらう最大の理由の一つを取り除けます。フリート、自治体、メーカーは、自ら管理するデータに、自らの管理下でAIを適用し、より早く価値を実感できます。

この二つの考え方がそろうことで、この業界は研究やデモの段階から、人々がお金を払って利用する製品へと進めます。オープンであるだけではシステムの安全性は保証されないため、実際のテスト、明確なガバナンス、説明責任が引き続き必要です。それでも、データを本来の所有者のもとに保つオープンなエコシステムなら、より多くのシステムが実用化され、そこで得られる学びが積み重なっていきます。

Empiric Earthでは、顧客の環境内にとどまるオープンなツールやデータが、私たちの仕事の価値を支える実世界のデータを守りながら、Physical AIエコシステム全体の成長にどう貢献できるかに関心を持っています。エコシステムの発展と持続可能な事業の構築は、両立できない目標だとは考えていません。

業界が、知能を持つ機械が社会でどのように動作するかを左右する安全基準やガバナンスの枠組みを整え始めるなか、AI分野のリーダーシップに女性をもっと迎えることの重要性についてお話しされています。リーダー層の多様性が高まることで、より安全で責任あるAIシステムの開発にどのような影響があるとお考えですか？

この点については慎重に考えています。「女性を増やせばAIが安全になる」という考え方自体が、一種の偏見だからです。問題はもっと広いものです。私たちが構築しているエージェントは、人間がこれまでにしてきたことや、私たちがエージェントに何をどう教えるかから学びます。その教育に関わる人々が皆同じ考え方をしていれば、システムも同じ盲点を引き継いでしまいます。

多様なリーダーシップは、エージェントが何を重視すべきかを決める際に、より多くの視点をもたらします。そこには、共感や思いやり、そしてある選択が相手にどう受け止められるかという視点も含まれます。AIのリスクには、技術的なものが数多くあります。それ以外にも、影響を受ける人々の価値観やニーズを反映しない判断をシステムが下すことで生じるリスクがあります。こうした判断に多様な視点を持ち込むことで、盲点が現実世界の問題になる前に気づきやすくなります。

私がこうしたシステムに望むことはシンプルです。人々がより良い判断を下せるよう支援し、現実の世界で互いに過ごす時間をもっと増やせるようにすることです。その実現には、多様な視点を取り入れたバランスと、実効性のある管理策が必要です。ひとつのグループだけで解決することはできません。女性の参加を促し、エージェントと人間、エージェント同士、そして人間同士のつながりを築き、推進する役割を担ってもらう必要があります。

今後3〜5年を見据えたとき、道路安全や車両運行管理インテリジェンスという既存の用途以外に、Empiric Earthにはどのような大きな機会があるとお考えですか？自動運転車やロボティクスをはじめとするPhysical AI技術が日常生活にますます浸透するなか、この移行を支えるインフラにおいて、Empiric Earthはどのような役割を果たすとお考えですか？

道路安全と車両運行管理は、私たちが事業を始めた分野であり、今も事業の中核です。しかし、より大きな機会は、リスクを低減し、検証基準を提供することでPhysical AIを支え、最終的に実世界をより安全にすることにあります。

自動運転車、配送ロボット、あるいは実世界の広告・コマースネットワークを運用する小売インテリジェンスシステムのいずれを開発する場合でも、根本的な課題は共通しています。実世界で何が起きているかを、どう把握するのか。予期しない状況にシステムが対処できるかどうかを、どう確認するのか。そして、そうしたシステムが商用展開へ進むなかで、性能をどう評価し、リスクをどう管理するのか。

Empiric Earthは、Physical AIエコシステムにとって重要なインテリジェンス層となり、開発者、パートナー、運用者がそうした問いに答えるのに役立つ実世界のデータ、モデル、アプリケーション、サービスを提供していくと考えています。この構想においては、中立性、可搬性、相互運用性が重要になります。私たちは、自社の機能がさまざまな技術やプラットフォームで利用できるようにし、顧客が自らに最も適したソリューションを採用できるようにしたいと考えています。

私たちは、実世界の運転に関するインテリジェンスにおいて、非常に優れた基盤を築いてきました。今後は、新たな機能、パートナーシップ、商業モデルを通じて、その基盤をさらに発展させる機会があります。

Physical AIは、ある一社が最高のロボットやモデルを開発したからといって、規模を拡大できるわけではありません。より広範なエコシステムが、実世界でシステムを活用するためのインテリジェンス、ツール、安全対策を備えたときに、初めて規模を拡大できます。それこそが、Empiric Earthが果たしたい役割です。

素晴らしいインタビューをありがとうございました。実世界のインテリジェンスやPhysical AIの独立検証について詳しく知りたい方は、Empiric Earthをご覧ください。