Jen Vescio, prezeska Empiric Earth – cykl wywiadów

Jen Vescio jest prezeską Empiric Earth i odpowiada za strategię produktową, rozwój firmy oraz komercjalizację. Wcześniej pełniła funkcję dyrektorki ds. rozwoju biznesowego w Uber, gdzie kierowała globalnym rozwojem biznesowym oraz nawiązywaniem nowych partnerstw w obszarach mobilności i autonomii. Jej doświadczenie obejmuje również inwestowanie w rozwijające się firmy technologiczne i doradzanie im, ze szczególnym uwzględnieniem wspierania rozwoju sztucznej inteligencji działającej w świecie fizycznym — od badań po wdrożenia komercyjne.

Empiric Earth łączy Nexar i Nauto, aby dostarczać informacje o rzeczywistym ruchu drogowym, modele bezpieczeństwa i możliwości walidacji. Firma zestawia miliardy mil historii jazdy z zapisami rzadkich zdarzeń, pomagając programistom, operatorom flot i innym organizacjom zrozumieć osiągi oraz ryzyko. W tym wywiadzie Vescio opowiada o niezależnej ocenie, odpowiedzialnym zarządzaniu danymi, komercjalizacji i infrastrukturze potrzebnej do rozwoju sztucznej inteligencji działającej w świecie fizycznym.

Ma Pani bogate doświadczenie obejmujące globalny rozwój biznesowy w Uber, inwestycje w rozwijające się technologie oraz doradzanie firmom działającym w obszarze sztucznej inteligencji w świecie fizycznym. Dołączyła Pani do rady nadzorczej Empiric Earth w kwietniu, a niedawno objęła stanowisko prezeski. Co przyciągnęło Panią do tej firmy i co ostatecznie przekonało Panią do podjęcia bardziej bezpośredniej roli kierowniczej?

Jako inwestorka i doradczyni w obszarze sztucznej inteligencji działającej w świecie fizycznym wciąż dostrzegałam tę samą lukę. Wiele zespołów prowadziło eksperymenty, ale bardzo niewiele dysponowało danymi z rzeczywistego świata, które pozwalałyby wykazać, że ich systemy działają poza środowiskiem testowym. Empiric Earth już miała takie dane. Ponad 10 miliardów mil przejazdów w rzeczywistych warunkach i 60 milionów przypadków brzegowych to coś, czego nie da się kupić ani sfabrykować.

Dzięki temu firma zajmuje wyjątkową pozycję. Nie musimy konkurować z firmami budującymi roboty, pojazdy czy modele. Możemy pomóc im wszystkim szybciej wejść na rynek, dostarczając niezbędnych informacji z rzeczywistego świata, które pozwolą im zarządzać ryzykiem, weryfikować osiągi i budować zaufanie. Zasiadając w radzie, dostrzegłam szansę na stworzenie czegoś fundamentalnego dla całego ekosystemu sztucznej inteligencji działającej w świecie fizycznym.

Do objęcia stanowiska prezeski przekonali mnie Zach i jego wizja. Znam go od czasu, gdy oboje rozwijaliśmy partnerstwa w obszarze mobilności — ja w Uber, a on w Lyft. Kiedy ktoś, komu ufasz od tak dawna, przedstawia ci trudny problem i zasób, którego nikt inny nie ma, warto go wysłuchać. Uzupełniamy się. On myśli o tej branży i o tym, dokąd zmierza. Ja poświęciłam karierę przekształcaniu nowych technologii w rozwijające się firmy. Sztuczna inteligencja działająca w świecie fizycznym właśnie przechodzi od badań do rzeczywistych wdrożeń i nie chciałam przyglądać się temu wyłącznie z perspektywy członkini rady.

Empiric Earth powstała w wyniku połączenia Nexar i Nauto, łącząc dwie firmy o bogatym doświadczeniu w zakresie informacji o rzeczywistym ruchu drogowym i bezpieczeństwa opartego na AI. Jakie wyjątkowe możliwości daje to połączenie i czym, Pani zdaniem, połączona firma będzie się wyróżniać na szybko zmieniającym się rynku sztucznej inteligencji działającej w świecie fizycznym?

Nexar i Nauto powstały w 2015 roku i przez łącznie ponad dwie dekady analizowały ten sam problem z dwóch różnych perspektyw. Razem możemy zrozumieć, co dzieje się na drodze i jak reagują na to kierowcy, co daje nam znacznie pełniejszy obraz zachowań i ryzyka w rzeczywistych warunkach.

Dla całego rynku oznacza to połączenie symulacji z rzeczywistym światem. Większość zespołów tworzy i testuje systemy w symulacjach, ale prawdziwym wyzwaniem jest wykazanie, że system może działać niezawodnie w rzeczywistych warunkach. Możemy pomóc partnerom odkrywać scenariusze, z którymi ich systemy jeszcze się nie zetknęły, ulepszać modele i weryfikować osiągi w odniesieniu do tego, co rzeczywiście się dzieje. Może to skrócić cykle rozwoju, ograniczyć ryzyko i przyspieszyć komercjalizację.

Wyróżnia nas zdolność do umożliwiania niezależnej oceny w całym ekosystemie sztucznej inteligencji działającej w świecie fizycznym. Nie budujemy pojazdów, robotów ani systemów autonomicznych tworzonych przez naszych klientów. Dostarczamy informacje z rzeczywistego świata, które pomagają im zrozumieć osiągi, zarządzać ryzykiem i budować zaufanie. Wymaga to zaangażowania na rzecz neutralności, przenośności i interoperacyjności. Wprowadzając na rynek nowe aplikacje, modele i usługi, chcemy, aby klienci mogli korzystać z nich na różnych platformach sprzętowych i technologicznych, bez uzależnienia od jednego dostawcy. Naszym celem jest pełnienie roli „sędziego” dla całego ekosystemu, a nie wskazywanie w nim zwycięzców.

Sztuczna inteligencja działająca w świecie fizycznym staje się jedną z kolejnych ważnych dziedzin rozwoju sztucznej inteligencji, znajdując zastosowanie w pojazdach autonomicznych, robotyce i inteligentnej infrastrukturze. Jakie, Pani zdaniem, są największe przeszkody uniemożliwiające tym systemom niezawodne działanie w nieprzewidywalnych warunkach rzeczywistych i dlaczego dostęp do danych z rzeczywistego świata ma tak kluczowe znaczenie dla ich przezwyciężenia?

Największą przeszkodą jest to, że fizyczny świat nigdy nie został opisany. Modele językowe szybko osiągnęły dobre wyniki, ponieważ trenowano je na tekstach tworzonych przez ludzi przez dziesięciolecia. Nie ma odpowiednika takiego zbioru danych opisującego drogę, podłogę magazynu czy chodnik. Większość zdarzeń w tych miejscach — na przykład sytuacje, w których ledwo dochodzi do wypadku, albo pas ruchu zamknięty dziś rano — w ogóle nie jest rejestrowana.

To rodzi dwa problemy. Po pierwsze, świat fizyczny nieustannie się zmienia. System musi wiedzieć, co jest prawdą w danej chwili, a zdjęcie z zeszłej wiosny nie powie mu, że droga zmieniła się dziś rano. Nie można też cofnąć się w czasie i zebrać danych z wczoraj. Drugim problemem jest rozdrobnienie. Żadna firma nie widzi samodzielnie wystarczająco dużej części świata, dlatego deweloperzy prowadzą osobne eksperymenty, korzystając z różnych zbiorów danych, modeli i stosów technologicznych. Utrudnia to porównywanie wyników, dzielenie się skutecznymi rozwiązaniami i przekształcanie obiecujących badań w produkty, które można z powodzeniem wprowadzić na rynek.

Dane ze świata rzeczywistego pozwalają rozwiązać oba te problemy. Rzadkie zdarzenia, które prowadzą do awarii systemu, każdego dnia zdarzają się gdzieś na świecie. Można je wykryć tylko dzięki nieustannej obserwacji bardzo szerokiego zakresu rzeczywistych warunków. Z naszych danych z USA wynika, że na każdą kolizję przypada około 19 sytuacji, w których o mało do niej nie doszło, a niemal żadna z nich nie trafia do policyjnego raportu ani zgłoszenia szkody ubezpieczeniowej. Zach trafnie ujął to w niedawnym eseju: bezpieczeństwo polega na badaniu tego, co się nie wydarzyło. Nie da się tego badać, jeśli nikt tego nie zliczył.

Empiric Earth zgromadziło dane z ponad 10 miliardów mil przejazdów i ponad 60 milionów przypadków brzegowych, a każdego miesiąca rejestruje setki milionów dodatkowych mil. Jak ten ogromny zbiór danych może pomóc twórcom AI trenować i weryfikować bardziej niezawodne systemy autonomiczne, szczególnie w przypadku rzadkich lub niebezpiecznych scenariuszy, które trudno odtworzyć w tradycyjnych symulacjach?

Większość systemów dobrze radzi sobie dziś ze zwykłą jazdą. Nadal zawodzą jednak w rzadkich, skrajnych sytuacjach: podczas kolizji, gdy pieszy wychodzi zza zaparkowanych samochodów, gdy na drodze pojawia się zwierzę albo gdy pojawia się strefa robót drogowych, której jeszcze w zeszłym tygodniu tam nie było. Takie zdarzenia są zbyt rzadkie, by flota testowa mogła zebrać ich wystarczająco dużo, a symulacja pozwala odtworzyć tylko to, co ktoś wcześniej przewidział i zamodelował.

Empiric Earth powstało po to, by je wykrywać. Nie przetwarzamy każdego kilometra przejechanego przez naszą sieć. Zachowujemy niewielką część danych, którą nasze modele oznaczają jako nietypową lub ryzykowną. Dzięki temu z 10 miliardów mil uzyskujemy 60 milionów przypadków brzegowych, z których deweloperzy mogą faktycznie korzystać.

Zespoły korzystają z tych danych na trzy sposoby. Wyszukują je: zespół pracujący nad strefami robót drogowych może znaleźć tysiące rzeczywistych przykładów tego, jak kierowcy sobie z nimi radzą, zamiast tworzyć skrypty dla kilku takich sytuacji. Wskazują brakujące dane: jeśli system ma trudności ze skręcaniem w lewo na ruchliwych skrzyżowaniach, możemy skierować sieć właśnie na takie sytuacje i zbierać nowe przykłady w miarę ich występowania. Zespoły sprawdzają też symulacje w zestawieniu z rzeczywistością. Gdy partner odtwarza rzeczywiste kolizje i sytuacje bliskie kolizji z udziałem pieszych i rowerzystów, może sprawdzić, czy symulowany świat zachowuje się tak jak rzeczywisty, zanim wdroży system.

Właśnie dlatego te dane są wartościowe nie tylko same w sobie. Symulacja jest niezbędna, ale musi opierać się na tym, co rzeczywiście dzieje się w świecie. Udostępnienie deweloperom tych danych pozwala im wcześniej wykrywać luki, szybciej ulepszać systemy i podejmować lepiej uzasadnione decyzje o tym, kiedy systemy są gotowe do wdrożenia. Tworzy też podstawę do bardziej spójnej, niezależnej oceny w miarę rozwoju branży.

Jedną z kluczowych zasad, którymi kieruje się Empiric Earth, jest niezależność od producentów systemów autonomicznych i pojazdów, których rozwiązania ocenia. Dlaczego niezależna weryfikacja staje się coraz ważniejsza w miarę upowszechniania się AI działającej w świecie fizycznym i jakie standardy powinna przyjąć branża, aby ustanowić miarodajne kryteria oceny bezpieczeństwa AI?

W miarę jak AI działająca w świecie fizycznym przenosi się ze środowisk badawczych do przestrzeni publicznej, zaufanie staje się równie ważne jak jej parametry techniczne.

Obecnie wiele firm z branży polega na tym, że deweloperzy sami testują swoje systemy i informują o ich działaniu. Na tym etapie jest to zrozumiałe, ale w miarę jak coraz więcej systemów autonomicznych trafia do codziennego użytku, klienci, organy regulacyjne i społeczeństwo będą coraz częściej oczekiwać niezależnych dowodów na to, że systemy te działają niezawodnie.

Podobne wyzwania obserwowaliśmy w innych branżach. Wsiadając do samochodu, mamy do czynienia z ustalonymi zasadami dotyczącymi wydawania praw jazdy, przeglądów pojazdów i wymogów w zakresie bezpieczeństwa. AI działająca w świecie fizycznym będzie wymagać własnych sposobów wykazywania gotowości i oceny działania. W przypadku pojazdów autonomicznych mogłoby to przypominać prawo jazdy: ustandaryzowany test potwierdzający, że system działa na poziomie co najmniej równym poziomowi kierowcy.

Pytanie brzmi, jak ustanowić miarodajne kryteria oceny odzwierciedlające rzeczywiste warunki, zamiast polegać wyłącznie na testach w kontrolowanym środowisku lub symulacjach. Kryteria te muszą opierać się na danych ze świata rzeczywistego, uwzględniać rzadkie i niebezpieczne scenariusze oraz umożliwiać spójną ocenę działania różnych systemów.

Właśnie w tym obszarze Empiric Earth może odegrać ważną rolę. Nie uważamy, że firmy tworzące systemy autonomiczne powinny jako jedyne oceniać ich działanie. Naszą rolą jest dostarczanie niezależnych danych o rzeczywistym świecie, modeli i narzędzi do walidacji, które pozwalają innym oceniać działanie systemów, zarządzać ryzykiem i budować zaufanie. Zachowując neutralność i interoperacyjność, możemy wspierać ocenę różnych technologii i platform, zamiast faworyzować jedno konkretne podejście.

Ostatecznie ustanowienie standardów będzie wymagało współpracy deweloperów, badaczy, organów regulacyjnych i innych zainteresowanych stron. Chcemy pomóc stworzyć podstawy umożliwiające niezależną ocenę, tak aby zaufanie opierało się na dowodach, a nie deklaracjach.

W miarę jak coraz bardziej zaawansowane systemy AI wchodzą w interakcje ze światem fizycznym, organizacje muszą godzić potrzebę gromadzenia kompleksowych danych z rzeczywistego świata z ochroną prywatności, bezpieczeństwem i odpowiedzialnym zarządzaniem danymi. Jak Empiric Earth podchodzi do tych wyzwań i jakie zabezpieczenia są niezbędne, by budować zaufanie społeczne do infrastruktury AI działającej w świecie fizycznym na dużą skalę?

Zaufanie zaczyna się od tego, jak dane są gromadzone, chronione i wykorzystywane. W Empiric Earth ochrona prywatności jest uwzględniona w naszym podejściu od samego początku. Koncentrujemy się na rejestrowaniu zdarzeń z rzeczywistego świata, które dostarczają wartościowych informacji, zamiast traktować każdą chwilę jazdy jako równie cenną. Deidentyfikacja i odpowiedzialne postępowanie z danymi mają fundamentalne znaczenie dla tego procesu.

Równie istotne jest pochodzenie danych. W miarę jak AI działająca w świecie fizycznym zbliża się do komercyjnego wdrożenia, deweloperzy muszą wiedzieć, skąd pochodzą ich dane, jak zostały zebrane i jakie prawa regulują ich wykorzystanie. Bez takiego fundamentu trudno zdobyć zaufanie niezbędne do skalowania działalności.

Wymogi dotyczące prywatności, zgody i lokalizacji danych różnią się także w zależności od rynku. Nasza platforma stosuje dla każdego z nich ustawienia dostosowane do danego kraju, dzięki czemu możemy spełniać lokalne przepisy bez przebudowywania systemu. Oceniając, gdzie i jak się rozwijać, musimy uwzględniać te różnice.

Nadrzędną zasadą jest przejrzystość. Każdy, kto tworzy infrastrukturę dla AI działającej w świecie fizycznym, powinien umieć wyjaśnić, jakie dane gromadzi, jak je chroni i kto może z nich korzystać. Odpowiedzialne praktyki dotyczące danych nie są czymś odrębnym od budowania dobrze prosperującej firmy. To one pomagają umożliwić powszechne wdrażanie tych rozwiązań.

Twoje doświadczenie w Uberze obejmowało przekształcanie nowych technologii i strategicznych partnerstw w firmy, które można skalować. Na nowym stanowisku odpowiadasz za strategię produktową, rozwój korporacyjny i komercjalizację w Empiric Earth. Które wnioski z pracy w Uberze są najbardziej przydatne przy skalowaniu AI działającej w świecie fizycznym i jak decydujesz, czy rozwijać kompetencje wewnętrznie, czy też stawiać na przejęcia lub partnerstwa?

Uber nauczył mnie, że właściwa odpowiedź może się zmieniać. Stworzyliśmy własny program autonomicznej jazdy, ATG, ponieważ uważaliśmy, że musimy kontrolować cały stos technologiczny. Później zbyliśmy go na rzecz Aurora i wróciliśmy do autonomicznej jazdy poprzez partnerstwa. Obie te decyzje były słuszne w chwili, gdy je podejmowaliśmy. Zmieniły się nasze kryteria dotyczące szybkości, kosztów i ryzyka.

Przy każdej decyzji o samodzielnym budowaniu, zakupie lub nawiązaniu partnerstwa zadajemy więc te same pytania. Jakie jest ryzyko? Jakich zasobów i kapitału to wymaga? Jak szybko pozwoli nam wejść na rynek i co w tym czasie robi konkurencja? Czy pasuje to do naszej strategii?

Empiric Earth zaczyna z innego punktu niż większość firm, ponieważ dysponujemy już najtrudniejszym do zbudowania elementem, czyli danymi. Rozwijamy te obszary, w których ten fundament daje nam trudną do powielenia przewagę. Przejęcia mają sens, gdy pozwalają zdobyć uzupełniające się kompetencje lub przyspieszyć realizację naszej strategii. Partnerstwa często zaś umożliwiają najszybsze dotarcie do klientów, wejście na nowe rynki i osiągnięcie skali komercyjnej. AI działająca w świecie fizycznym obejmuje zbyt szeroki obszar, by jedna firma mogła zbudować wszystko, dlatego chcemy współpracować z partnerami, którzy pomogą wzmocnić cały ekosystem, oraz planować nasze działania z uwzględnieniem zarówno warunków rynkowych, jak i naszej przewagi konkurencyjnej — posiadanych zasobów.

Angażowałeś się także w rozwój ekosystemu AI opartego na otwartym oprogramowaniu, między innymi współpracując ze społecznością OpenClaw. Jak widzisz wkład innowacji open source w rozwój AI działającej w świecie fizycznym? Czy większa przejrzystość i współpraca mogą przyspieszyć jej wdrażanie przy jednoczesnym zachowaniu wymaganych przez te systemy standardów bezpieczeństwa i zarządzania?

Otwarte oprogramowanie zmieniło tempo rozwoju AI w branży oprogramowania. Gdy więcej osób może korzystać z tych samych narzędzi i rozwijać je dalej, cykle badawcze stają się krótsze, a dobre pomysły mogą pojawić się wszędzie, nie tylko w największych laboratoriach. AI działająca w świecie fizycznym jest na wcześniejszym etapie tej drogi. Wiele prac w tej dziedzinie wciąż ma charakter badawczy lub polega na demonstracjach, a teraz trzeba znaleźć sposób na przekształcenie ich w trwałe przedsięwzięcia biznesowe.

Kierowałem zespołem ds. partnerstw w OpenClaw Foundation, która powstała, by wspierać wizję Petera Steinbergera dotyczącą otwartej, osobistej, agentowej AI. To jeden z najwyraźniejszych przykładów tego, jak otwarty projekt może przyspieszyć realną pracę: ludzie mogli go pobrać, uruchomić we własnych systemach i dostosować do tego, co rzeczywiście robią.

Właśnie tę lekcję AI działająca w świecie fizycznym powinna potraktować poważnie. Otwarte narzędzia pozwalają większej liczbie zespołów tworzyć i eksperymentować bez zaczynania od zera. Przechowywanie danych w środowisku klienta, zamiast proszenia go o przesłanie ich gdzie indziej, usuwa jedną z największych przyczyn wahania firm. Operator floty, miasto czy producent mogą wykorzystywać AI na własnych danych, pod własną kontrolą, i szybciej dostrzec korzyści.

Te dwie idee razem pozwalają tej branży przejść od badań i demonstracji do produktów, za które ludzie płacą. Sama otwartość nie zapewnia bezpieczeństwa systemu, dlatego nadal potrzebne są rzeczywiste testy, jasne zasady zarządzania i odpowiedzialność. Jednak otwarty ekosystem, w którym dane pozostają u tych, do których należą, sprawia, że więcej systemów trafia do rzeczywistego użytku, a zdobywana w ten sposób wiedza i doświadczenie się kumulują.

W Empiric Earth interesuje nas, jak otwarte narzędzia i dane pozostające w środowisku klienta mogą wspierać rozwój całego ekosystemu sztucznej inteligencji fizycznej, przy jednoczesnej ochronie danych ze świata rzeczywistego, które nadają wartość naszej pracy. Nie uważamy, że rozwój tego ekosystemu i budowanie zrównoważonego biznesu muszą być celami, które ze sobą konkurują.

Mówiła Pani o tym, jak ważne jest, by więcej kobiet obejmowało stanowiska kierownicze w branży AI, zwłaszcza teraz, gdy zaczyna ona wypracowywać standardy bezpieczeństwa i ramy zarządzania, które wpłyną na to, jak inteligentne maszyny będą funkcjonować w społeczeństwie. Jak Pani zdaniem większa różnorodność wśród liderów może wpłynąć na rozwój bezpieczniejszych i bardziej odpowiedzialnych systemów AI?

Podchodzę do tego ostrożnie, bo hasło „więcej kobiet, a AI stanie się bezpieczniejsza” samo w sobie jest pewnym rodzajem uprzedzenia. Chodzi o coś więcej. Tworzone przez nas agenty uczą się na podstawie tego, co ludzie już zrobili, i tego, jak je uczymy. Jeśli wszyscy, którzy mają wpływ na ten proces, myślą podobnie, systemy przejmują te same ślepe punkty.

Zróżnicowana kadra kierownicza wnosi więcej perspektyw do decyzji o tym, co powinno być ważne dla agenta, w tym do kwestii empatii, troski i tego, jak dana decyzja wpłynie na osobę po drugiej stronie. Wiele zagrożeń związanych z AI ma charakter techniczny. Inne wynikają z tego, że systemy podejmują decyzje nieuwzględniające wartości ani potrzeb osób, których te decyzje dotyczą. Uwzględnienie różnych perspektyw w tym procesie pomaga dostrzec ślepe punkty, zanim staną się przyczyną problemów w rzeczywistym świecie.

Oczekiwania wobec tych systemów są proste. Powinny pomagać ludziom podejmować lepsze decyzje i dawać nam więcej czasu na bezpośrednie kontakty z innymi. Aby to osiągnąć, potrzeba równowagi i skutecznych mechanizmów kontroli uwzględniających wiele perspektyw. Żadna pojedyncza grupa nie rozwiąże tego problemu sama, dlatego musimy motywować i zachęcać kobiety do udziału w tym procesie oraz do rozwijania relacji między agentami a ludźmi, między agentami oraz między ludźmi.

Patrząc w przyszłość, na okres od trzech do pięciu lat, gdzie widzi Pani największe możliwości rozwoju Empiric Earth poza obecnymi zastosowaniami w zakresie bezpieczeństwa drogowego i analizy flot? W miarę jak pojazdy autonomiczne, robotyka i inne technologie sztucznej inteligencji fizycznej będą coraz mocniej obecne w codziennym życiu, jaką rolę wyobraża sobie Pani dla Empiric Earth w infrastrukturze wspierającej tę transformację?

Zaczynaliśmy od bezpieczeństwa drogowego i flot, a te obszary nadal stanowią podstawę naszej działalności. Większą szansą jest jednak wspieranie rozwoju sztucznej inteligencji fizycznej poprzez ograniczanie ryzyka, zapewnianie standardu walidacji i, ostatecznie, zwiększanie bezpieczeństwa w świecie rzeczywistym.

Podstawowe wyzwania są podobne niezależnie od tego, czy tworzy się pojazd autonomiczny, robota dostawczego, czy system analityczny dla handlu detalicznego, działający w rzeczywistej sieci reklamowo-handlowej. Jak zrozumieć, co dzieje się w świecie rzeczywistym? Jak sprawdzić, czy system poradzi sobie w nieprzewidzianych sytuacjach? I jak oceniać jego działanie oraz zarządzać ryzykiem, gdy takie systemy trafiają do komercyjnego wdrożenia?

Widzę, że Empiric Earth może stać się ważną warstwą dostarczającą inteligencję ekosystemowi sztucznej inteligencji fizycznej, oferując dane ze świata rzeczywistego, modele, aplikacje i usługi, które pomogą deweloperom, partnerom i operatorom znaleźć odpowiedzi na te pytania. Neutralność, przenośność i interoperacyjność będą ważnymi elementami tej wizji. Chcemy, aby nasze rozwiązania działały na różnych technologiach i platformach, dzięki czemu klienci będą mogli wybierać te, które najlepiej odpowiadają ich potrzebom.

Mamy wyjątkowo solidne podstawy w zakresie analizy ruchu drogowego w świecie rzeczywistym, a teraz możemy je rozwijać dzięki nowym możliwościom, partnerstwom i modelom komercyjnym.

Sztuczna inteligencja fizyczna nie upowszechni się dzięki temu, że jedna firma zbuduje najlepszego robota albo najlepszy model. Zyska skalę wtedy, gdy cały ekosystem będzie dysponował wiedzą, narzędziami i rozwiązaniami z zakresu bezpieczeństwa, które pozwolą wykorzystywać te systemy w świecie rzeczywistym. Właśnie taką rolę chcemy odegrać w Empiric Earth.

Dziękuję za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o analizie świata rzeczywistego i niezależnej walidacji sztucznej inteligencji fizycznej, mogą odwiedzić stronę Empiric Earth.