Jen Vescio, president van Empiric Earth – Interviewreeks

Jen Vescio is president van Empiric Earth en houdt toezicht op de productstrategie, bedrijfsontwikkeling en commercialisering. Eerder was ze Chief Business Development Officer bij Uber, waar ze leiding gaf aan de wereldwijde bedrijfsontwikkeling en nieuwe samenwerkingen op het gebied van mobiliteit en autonomie. Ze heeft ook ervaring met investeren in en adviseren van technologiebedrijven in opkomst, met als doel fysieke AI van onderzoek naar commerciële toepassing te helpen brengen.

Empiric Earth brengt Nexar en Nauto samen om inzicht te bieden in het rijgedrag in de echte wereld, veiligheidsmodellen en mogelijkheden voor validatie. Het bedrijf combineert miljarden mijlen aan rijgeschiedenis met gegevens over zeldzame gebeurtenissen, zodat ontwikkelaars, wagenparkbeheerders en andere organisaties inzicht krijgen in prestaties en risico’s. In dit interview bespreekt Vescio onafhankelijke evaluatie, verantwoord databeheer, commercialisering en de infrastructuur die nodig is om fysieke AI op te schalen.

Je hebt een uitgebreide carrière achter de rug, met onder meer wereldwijde bedrijfsontwikkeling bij Uber, investeringen in opkomende technologieën en advies aan bedrijven op het gebied van fysieke AI. In april trad je eerst toe tot de raad van bestuur van Empiric Earth, voordat je onlangs de rol van president op je nam. Wat trok je aan in het bedrijf en wat heeft je uiteindelijk overtuigd om een actievere leidinggevende rol op je te nemen?

Als investeerder en adviseur op het gebied van fysieke AI zag ik steeds hetzelfde hiaat. Veel teams voerden experimenten uit, maar slechts weinigen beschikten over gegevens uit de echte wereld om aan te tonen dat hun systemen buiten een testomgeving werkten. Empiric Earth beschikte daar al over. Meer dan 10 miljard mijl aan daadwerkelijke rijervaring en 60 miljoen randgevallen kun je niet kopen en niet vervalsen.

Daardoor neemt het bedrijf een bijzondere positie in. We hoeven niet te concurreren met de bedrijven die robots, voertuigen of modellen bouwen. We kunnen al die bedrijven helpen hun producten sneller op de markt te brengen door de inzichten uit de echte wereld te leveren die ze nodig hebben om risico’s te beheersen, prestaties te valideren en vertrouwen op te bouwen. Vanuit mijn zetel in de raad van bestuur zag ik de kans om iets op te bouwen dat de basis vormt voor het hele ecosysteem van fysieke AI.

Wat me ertoe bracht de rol van president op me te nemen, was Zach en zijn visie. Ik ken hem al sinds we allebei samenwerkingen op het gebied van mobiliteit opbouwden: ik bij Uber en hij bij Lyft. Als iemand die je al zo lang vertrouwt met een moeilijk probleem en een uniek bedrijfsmiddel naar je toe komt, luister je. We vullen elkaar aan. Hij denkt na over de sector en de richting waarin die zich ontwikkelt. Ik heb mijn hele carrière nieuwe technologie omgezet in bedrijven die kunnen opschalen. Fysieke AI verlaat nu het onderzoeksstadium en wordt in de praktijk toegepast, en ik wilde dat niet vanaf een bestuursvergadering aan me voorbij laten gaan.

Empiric Earth is ontstaan uit de fusie van Nexar en Nauto, waarmee twee bedrijven met diepgaande expertise op het gebied van inzicht in het rijgedrag in de echte wereld en AI-gestuurde veiligheid zijn samengebracht. Welke unieke mogelijkheden biedt deze combinatie en hoe denkt u dat het samengevoegde bedrijf zich kan onderscheiden in de snel veranderende markt voor fysieke AI?

Nexar en Nauto zijn beide opgericht in 2015 en hebben samen ruim twintig jaar besteed aan het meten van hetzelfde probleem vanuit twee verschillende perspectieven. Samen kunnen we begrijpen wat er op de weg gebeurt en hoe bestuurders daarop reageren, waardoor we een veel vollediger beeld krijgen van gedrag en risico’s in de echte wereld.

Voor de bredere markt vormt dat de brug tussen simulatie en de echte wereld. De meeste teams bouwen en testen in simulaties, maar de uitdaging is aantonen dat een systeem betrouwbaar kan presteren onder omstandigheden in de echte wereld. We kunnen partners helpen scenario’s te ontdekken die hun systemen nog niet zijn tegengekomen, hun modellen te verbeteren en de prestaties te valideren aan de hand van wat er daadwerkelijk gebeurt. Dat kan ontwikkelcycli verkorten, risico’s verminderen en de commercialisering versnellen.

Wat ons onderscheidt, is ons vermogen om onafhankelijke evaluatie binnen het hele ecosysteem van fysieke AI mogelijk te maken. We bouwen niet de voertuigen, robots of autonome systemen die onze klanten ontwikkelen. We leveren inzichten uit de echte wereld waarmee ze prestaties kunnen begrijpen, risico’s kunnen beheersen en vertrouwen kunnen opbouwen. Dat vereist een sterke inzet voor neutraliteit, overdraagbaarheid en interoperabiliteit. Wanneer we nieuwe toepassingen, modellen en diensten op de markt brengen, willen we dat klanten die op uiteenlopende hardware en technologiestacks kunnen gebruiken, zonder aan één bepaalde aanbieder gebonden te zijn. Ons doel is om als ‘scheidsrechter’ voor het hele ecosysteem op te treden, niet om daarin winnaars aan te wijzen.

Fysieke AI ontwikkelt zich tot een van de volgende grote grensgebieden binnen kunstmatige intelligentie, met toepassingen op het gebied van autonome voertuigen, robotica en intelligente infrastructuur. Wat zijn volgens u de grootste obstakels die deze systemen ervan weerhouden betrouwbaar te functioneren in onvoorspelbare omgevingen in de echte wereld, en waarom is toegang tot gegevens uit de echte wereld zo cruciaal om die obstakels te overwinnen?

Het grootste obstakel is dat de fysieke wereld nooit is vastgelegd. Taalmodellen werden snel goed omdat ze zijn getraind op tientallen jaren aan tekst die mensen al hadden geproduceerd. Voor een weg, een magazijnvloer of een trottoir bestaat geen vergelijkbaar materiaal. Het meeste van wat daar gebeurt, zoals een bijna-ongeval of een rijstrook die vanochtend werd afgesloten, wordt helemaal nooit vastgelegd.

Dat leidt tot twee problemen. Ten eerste verandert de fysieke wereld voortdurend. Een systeem moet weten wat er nú aan de hand is, en een foto van afgelopen voorjaar kan het niet vertellen dat een weg vanochtend is veranderd. Je kunt ook niet teruggaan om gegevens van gisteren te verzamelen. Het tweede probleem is versnippering. Geen enkel bedrijf heeft in zijn eentje voldoende zicht op de wereld. Daarom voeren ontwikkelaars afzonderlijke experimenten uit met verschillende datasets, modellen en technologiestacks. Daardoor wordt het lastiger om resultaten te vergelijken, te delen wat werkt en veelbelovend onderzoek om te zetten in commercieel levensvatbare producten.

Met gegevens uit de echte wereld kun je beide problemen aanpakken. De zeldzame gebeurtenissen die een systeem op de proef stellen, vinden elke dag wel ergens plaats. Je ontdekt ze alleen door voortdurend een breed scala aan situaties in de echte wereld te observeren. In onze Amerikaanse dataset zijn er tegenover elke botsing ongeveer 19 bijna-ongevallen, en bijna geen daarvan komt terecht in een politierapport of een verzekeringsclaim. Zach verwoordde het treffend in een recent essay: veiligheid is de studie van dingen die niet zijn gebeurd. Je kunt ze niet bestuderen als niemand ze heeft geteld.

Empiric Earth heeft meer dan 10 miljard mijl aan rijgeschiedenis en ruim 60 miljoen randgevallen verzameld, en legt daar elke maand honderden miljoenen extra mijlen aan gegevens bij vast. Hoe kan deze enorme dataset AI-ontwikkelaars helpen betrouwbaardere autonome systemen te trainen en te valideren, vooral bij zeldzame of gevaarlijke scenario’s die met traditionele simulaties moeilijk zijn na te bootsen?

De meeste systemen kunnen inmiddels goed overweg met alledaagse verkeerssituaties. Wat ze nog steeds in de problemen brengt, is de lange staart: een botsing, een voetganger die tussen geparkeerde auto’s de weg op stapt, een dier op de rijbaan of een wegwerkzaamhedenzone die er vorige week nog niet was. Zulke situaties komen te weinig voor om ze met een testvloot in bruikbare aantallen tegen te komen, en een simulatie kan alleen nabootsen wat iemand al bedacht heeft om te modelleren.

Empiric Earth is opgezet om die situaties te vinden. We verwerken niet elke mijl die ons netwerk aflegt. We bewaren het kleine deel dat onze modellen als ongebruikelijk of risicovol aanmerken. Zo worden 10 miljard mijl aan gegevens 60 miljoen randgevallen waar een ontwikkelaar daadwerkelijk mee aan de slag kan.

Teams gebruiken die gegevens op drie manieren. Ze doorzoeken ze: een team dat werkt aan wegwerkzaamhedenzones kan duizenden echte voorbeelden opvragen van menselijke bestuurders die daar veilig doorheen rijden, in plaats van er een paar te scripten. Ze vragen om wat ontbreekt: als een systeem moeite heeft met links afslaan op drukke kruispunten, kunnen we het netwerk precies daarop richten en nieuwe voorbeelden verzamelen zodra die zich voordoen. En ze toetsen hun simulaties aan de werkelijkheid. Wanneer een partner echte botsingen en bijna-ongevallen met voetgangers en fietsers reconstrueert, kan die nagaan of de gesimuleerde wereld zich net zo gedraagt als de echte wereld, voordat het systeem wordt uitgebracht.

Daardoor is deze informatie ook waardevol om meer redenen dan alleen de gegevens zelf. Simulatie is essentieel, maar moet wel aansluiten bij wat er daadwerkelijk in de echte wereld gebeurt. Door ontwikkelaars toegang te geven tot dat bewijsmateriaal kunnen ze tekortkomingen eerder opsporen, hun systemen sneller verbeteren en beter onderbouwde beslissingen nemen over het moment waarop die klaar zijn voor inzet. Zo ontstaat ook een basis voor consistentere, onafhankelijke evaluatie naarmate de sector groeit.

Een van de bepalende principes van Empiric Earth is de onafhankelijkheid van de autonome systemen en voertuigfabrikanten die het bedrijf beoordeelt. Waarom wordt onafhankelijke verificatie steeds belangrijker nu fysieke AI op grote schaal wordt ingezet, en welke normen moet de sector invoeren om betekenisvolle maatstaven voor AI-veiligheid vast te stellen?

Nu fysieke AI zich verplaatst van onderzoeksomgevingen naar de openbare ruimte, is vertrouwen net zo belangrijk als technische prestaties.

Momenteel vertrouwt een groot deel van de sector erop dat ontwikkelaars hun eigen systemen testen en verslag uitbrengen over de prestaties ervan. In deze fase is dat begrijpelijk, maar naarmate meer autonome systemen hun intrede doen in alledaagse omgevingen, zullen klanten, toezichthouders en het publiek steeds vaker onafhankelijk bewijs willen dat die systemen betrouwbaar presteren.

In andere sectoren hebben we vergelijkbare uitdagingen gezien. Als je in een auto stapt, bestaat er een gevestigd kader voor het verlenen van rijbewijzen, het keuren van voertuigen en het vaststellen van veiligheidseisen. Voor fysieke AI zijn eigen methoden nodig om aan te tonen dat systemen klaar zijn voor gebruik en goed presteren. Voor autonome voertuigen zou dat kunnen lijken op een rijbewijs: een gestandaardiseerde test die laat zien dat een systeem minstens even goed presteert als een menselijke bestuurder.

De vraag is hoe we betekenisvolle maatstaven vaststellen die aansluiten bij de omstandigheden in de echte wereld, in plaats van uitsluitend te vertrouwen op gecontroleerde tests of simulaties. Die maatstaven moeten gebaseerd zijn op gegevens uit de echte wereld, rekening houden met zeldzame en gevaarlijke scenario’s en het mogelijk maken de prestaties van verschillende systemen op consistente wijze te beoordelen.

Daar kan Empiric Earth een belangrijke rol spelen. Wij vinden niet dat alleen de bedrijven die autonome systemen ontwikkelen, de prestaties ervan moeten beoordelen. Het is onze taak om onafhankelijke inzichten in de echte wereld, modellen en validatiemogelijkheden te bieden, zodat anderen de prestaties kunnen beoordelen, risico’s kunnen beheersen en vertrouwen kunnen opbouwen. Doordat we neutraal en interoperabel blijven, kunnen we de beoordeling van uiteenlopende technologieën en platforms ondersteunen, zonder één bepaalde aanpak te bevoordelen.

Om normen vast te stellen, moeten ontwikkelaars, onderzoekers, toezichthouders en andere belanghebbenden uiteindelijk samenwerken. We willen helpen de basis te leggen voor onafhankelijke evaluatie, zodat vertrouwen berust op bewijs en niet op beweringen.

Nu steeds geavanceerdere AI-systemen met de fysieke wereld interageren, moeten organisaties de behoefte aan uitgebreide gegevens uit de praktijk afwegen tegen privacy, beveiliging en verantwoord gegevensbeheer. Hoe gaat Empiric Earth met deze uitdagingen om, en welke waarborgen zijn essentieel om het vertrouwen van het publiek te winnen in grootschalige infrastructuur voor fysieke AI?

Vertrouwen begint bij de manier waarop gegevens worden verzameld, beschermd en gebruikt. Bij Empiric Earth is privacy vanaf het begin ingebouwd in onze aanpak. We richten ons op het vastleggen van gebeurtenissen uit de praktijk die waardevolle inzichten opleveren, in plaats van elk moment tijdens het rijden als even waardevol te beschouwen. Het ontdoen van gegevens van identificerende kenmerken en een verantwoorde omgang met gegevens zijn fundamenteel voor dat proces.

Ook de herkomst van gegevens is van belang. Nu fysieke AI steeds dichter bij commerciële toepassing komt, moeten ontwikkelaars weten waar hun gegevens vandaan komen, hoe ze zijn verzameld en welke rechten het gebruik ervan bepalen. Zonder die basis is het moeilijk om het vertrouwen op te bouwen dat nodig is om op te schalen.

Ook gelden er in verschillende markten uiteenlopende eisen op het gebied van privacy, toestemming en de locatie waar gegevens worden opgeslagen. Ons platform hanteert hiervoor landspecifieke instellingen, zodat we aan lokale regels kunnen voldoen zonder het systeem opnieuw op te bouwen. Bij het beoordelen waar en hoe we uitbreiden, moeten we rekening houden met die verschillen.

Het overkoepelende principe is transparantie. Iedereen die infrastructuur voor fysieke AI bouwt, moet kunnen uitleggen welke gegevens die verzamelt, hoe die worden beschermd en wie ze kan gebruiken. Verantwoord gegevensbeheer staat niet los van het opbouwen van een succesvol bedrijf. Het draagt juist bij aan een brede toepassing.

In je tijd bij Uber zette je opkomende technologieën en strategische partnerschappen om in schaalbare bedrijven. In je nieuwe functie ben je verantwoordelijk voor de productstrategie, bedrijfsontwikkeling en commercialisering van Empiric Earth. Welke lessen uit je tijd bij Uber zijn het meest relevant voor het opschalen van fysieke AI, en hoe bepaal je wanneer je capaciteiten intern opbouwt en wanneer je kiest voor overnames of partnerschappen?

Uber heeft me geleerd dat het juiste antwoord kan veranderen. We bouwden ons eigen programma voor autonoom rijden, ATG, omdat we dachten dat we de volledige technologiestack in eigen beheer moesten hebben. Later hebben we het afgestoten en aan Aurora overgedragen, en zijn we via partnerschappen teruggekeerd naar autonoom rijden. Beide beslissingen waren op dat moment logisch. Wat veranderde, waren onze criteria voor snelheid, kosten en risico.

Bij elke beslissing om iets zelf te ontwikkelen, in te kopen of met een partner te doen, stellen we dus dezelfde vragen. Wat is het risico? Welke middelen en hoeveel kapitaal zijn ervoor nodig? Hoe snel kunnen we de markt op, en wat doet de concurrentie ondertussen? Past het bij de strategie?

Empiric Earth begint vanuit een andere positie dan de meeste bedrijven, omdat we het moeilijkste onderdeel om op te bouwen al in huis hebben: de gegevens. We ontwikkelen zelf waar die basis ons een voordeel oplevert dat moeilijk te evenaren is. Overnames zijn zinvol wanneer ze aanvullende capaciteiten toevoegen of onze strategie versnellen. Partnerschappen kunnen vaak de snelste route zijn naar klanten, nieuwe markten en commerciële schaal. Fysieke AI is te breed voor één bedrijf om alles zelf op te bouwen. Daarom willen we samenwerken met partners die het hele ecosysteem kunnen versterken, en onze aanpak faseren op basis van zowel de marktomstandigheden als de aansluiting daarvan op ons concurrentievoordeel: onze bedrijfsmiddelen.

Je bent ook betrokken geweest bij het open-source-ecosysteem voor AI, onder meer bij de OpenClaw-community. Welke bijdrage kan open-source-innovatie volgens jou leveren aan de vooruitgang van fysieke AI, en kunnen meer transparantie en samenwerking de toepassing ervan versnellen zonder afbreuk te doen aan de veiligheids- en beheersnormen die deze systemen vereisen?

Open source heeft veranderd hoe snel AI zich in de softwarewereld ontwikkelde. Als meer mensen op dezelfde hulpmiddelen kunnen voortbouwen, verlopen onderzoekscycli sneller en komen goede ideeën overal vandaan, niet alleen uit de grootste labs. Fysieke AI bevindt zich nog eerder op die ontwikkelingscurve. Een groot deel van het vakgebied bestaat nog uit onderzoek en demonstraties, en de vraag is nu hoe we dat werk kunnen omzetten in bedrijven die standhouden.

Ik was verantwoordelijk voor partnerschappen bij de OpenClaw Foundation, die werd opgericht om Peter Steinbergers visie op open-source persoonlijke agentische AI te ondersteunen. Het is een van de duidelijkste voorbeelden die ik ken van een open project dat echt werk versnelt: mensen konden het gebruiken, op hun eigen systemen uitvoeren en geschikt maken voor wat ze daadwerkelijk doen.

Dat is volgens mij de les die de fysieke AI-sector serieus moet nemen. Met open hulpmiddelen kunnen meer teams bouwen en experimenteren zonder vanaf nul te beginnen. Als gegevens binnen de eigen omgeving van de klant blijven, in plaats van dat die ze ergens anders naartoe moet sturen, verdwijnt een van de belangrijkste redenen waarom bedrijven aarzelen. Een wagenpark, stad of fabrikant kan AI inzetten met eigen gegevens en onder eigen controle, en zo sneller waarde realiseren.

Samen zorgen die twee ideeën ervoor dat deze sector de stap kan zetten van onderzoek en demonstraties naar producten waarvoor mensen willen betalen. Openheid alleen maakt een systeem niet veilig: er zijn nog steeds echte tests, duidelijke regels en verantwoordingsplicht nodig. Maar een open ecosysteem waarin gegevens blijven bij de mensen aan wie ze toebehoren, brengt meer systemen in de praktijk, en daar stapelen de leereffecten zich op.

Bij Empiric Earth zijn we benieuwd hoe open tools en gegevens die in de omgeving van de klant blijven, het hele ecosysteem van fysieke AI kunnen helpen groeien, terwijl we de gegevens uit de echte wereld beschermen die ons werk waardevol maken. Wij geloven niet dat het bevorderen van de groei van het ecosysteem en het opbouwen van een duurzaam bedrijf met elkaar in strijd hoeven te zijn.

Je hebt gesproken over het belang van meer vrouwen in leidinggevende functies binnen AI, vooral nu de sector veiligheidsnormen en bestuurskaders begint vast te stellen die bepalen hoe intelligente machines in de samenleving functioneren. Welke invloed denk je dat meer diversiteit in leidinggevende functies kan hebben op de ontwikkeling van veiligere en verantwoordelijkere AI-systemen?

Hier ben ik voorzichtig mee, want ‘meer vrouwen toevoegen maakt AI veiliger’ is op zichzelf ook een vorm van vooringenomenheid. Het gaat om een breder punt. De agents die we bouwen, leren van wat mensen al hebben gedaan en van de manier waarop we ze trainen. Als iedereen die aan die training vormgeeft er hetzelfde over denkt, nemen de systemen dezelfde blinde vlekken over.

Divers leiderschap zorgt ervoor dat bij beslissingen over wat een agent belangrijk moet vinden meer perspectieven worden meegewogen, waaronder empathie, zorgzaamheid en de uitwerking van een keuze op degene aan de andere kant. Veel AI-risico’s zijn technisch van aard. Andere risico’s ontstaan wanneer systemen beslissingen nemen die niet aansluiten bij de waarden of behoeften van de mensen die erdoor worden geraakt. Door verschillende perspectieven bij die beslissingen te betrekken, kunnen we blinde vlekken herkennen voordat ze in de echte wereld problemen veroorzaken.

Wat ik van deze systemen wil, is eenvoudig. Ze moeten mensen helpen betere beslissingen te nemen en ons meer tijd met elkaar in het echte leven geven. Daarvoor is evenwicht nodig en zijn echte waarborgen vanuit uiteenlopende perspectieven nodig. Geen enkele groep kan dit alleen oplossen. We moeten vrouwen motiveren en aanmoedigen om deel te nemen en contacten tussen agents en mensen, tussen agents onderling en tussen mensen onderling te helpen bevorderen.

Als je vooruitkijkt naar de komende drie tot vijf jaar, waar zie je dan de grootste kansen voor Empiric Earth buiten de bestaande toepassingen op het gebied van verkeersveiligheid en wagenparkintelligentie? Welke rol zie je voor Empiric Earth in de infrastructuur die deze overgang ondersteunt, naarmate autonome voertuigen, robotica en andere technologieën voor fysieke AI steeds meer deel gaan uitmaken van het dagelijks leven?

We zijn begonnen met verkeersveiligheid en wagenparken, en die blijven de kern van ons bedrijf. De grotere kans ligt echter in het ondersteunen van fysieke AI door risico’s te beperken, een validatienorm te bieden en uiteindelijk de echte wereld veiliger te maken.

De fundamentele uitdagingen zijn vergelijkbaar, of je nu een autonoom voertuig, een bezorgrobot of een intelligentiesysteem voor de detailhandel bouwt dat werkt binnen een echt netwerk voor reclame en handel. Hoe begrijp je wat er in de echte wereld gebeurt? Hoe weet je of een systeem onverwachte situaties aankan? En hoe beoordeel je de prestaties en beheers je de risico’s wanneer die systemen commercieel worden ingezet?

Ik zie Empiric Earth uitgroeien tot een belangrijke intelligentielaag voor het ecosysteem van fysieke AI, met gegevens uit de echte wereld, modellen, toepassingen en diensten waarmee ontwikkelaars, partners en operators die vragen kunnen beantwoorden. Neutraliteit, overdraagbaarheid en interoperabiliteit zijn belangrijk voor die visie. We willen dat onze mogelijkheden met verschillende technologieën en platforms werken, zodat klanten de oplossingen kunnen kiezen die voor hen het meest geschikt zijn.

We beschikken over een uitzonderlijk sterke basis op het gebied van intelligentie rond rijden in de echte wereld. Nu ligt er een kans om daarop voort te bouwen met nieuwe mogelijkheden, partnerschappen en commerciële modellen.

Fysieke AI zal niet op grote schaal worden toegepast doordat één bedrijf de beste robot of het beste model bouwt. Dat gebeurt pas wanneer het bredere ecosysteem beschikt over de intelligentie, tools en veiligheidsmaatregelen om die systemen in de echte wereld in te zetten. Dat is de rol die Empiric Earth wil vervullen.

Bedankt voor het boeiende interview. Lezers die meer willen weten over intelligentie uit de echte wereld en onafhankelijke validatie voor fysieke AI, kunnen terecht bij Empiric Earth.