Jen Vescio, president för Empiric Earth – intervjuserie

Jen Vescio är president för Empiric Earth och ansvarar för produktstrategi, företagsutveckling och kommersialisering. Tidigare var hon Chief Business Development Officer på Uber, där hon ledde den globala affärsutvecklingen och arbetet med nya partnerskap inom mobilitet och autonom teknik. Hennes erfarenhet omfattar också investeringar i och rådgivning till framväxande teknikföretag, med fokus på att hjälpa fysisk AI att gå från forskning till kommersiell användning.

Empiric Earth för samman Nexar och Nauto för att tillhandahålla körintelligens från verkligheten, säkerhetsmodeller och valideringskapacitet. Företaget kombinerar miljarder körda mil med dokumentation av sällsynta händelser för att hjälpa utvecklare, fordonsflottor och andra organisationer att förstå prestanda och risker. I den här intervjun diskuterar Vescio oberoende utvärdering, ansvarsfull datahantering, kommersialisering och den infrastruktur som krävs för att skala upp fysisk AI.

Du har haft en omfattande karriär som spänner över global affärsutveckling på Uber, investeringar i ny teknik och rådgivning till företag inom fysisk AI. Du gick först med i Empiric Earths styrelse i april och klev nyligen in i rollen som president. Vad lockade dig till företaget, och vad fick dig till slut att ta dig an en mer operativ ledarroll?

Som investerare och rådgivare inom fysisk AI såg jag gång på gång samma brist. Många team genomförde experiment, men mycket få hade verkliga data som kunde visa att deras system fungerade utanför en testmiljö. Empiric Earth hade redan sådana data. Mer än 10 miljarder körda mil i verklig trafik och 60 miljoner ovanliga händelser är inget man kan köpa eller fejka.

Det ger företaget en ovanlig position. Vi behöver inte konkurrera med företagen som bygger robotar, fordon eller modeller. Vi kan hjälpa dem alla att snabbare nå marknaden genom att tillhandahålla den verklighetsbaserade intelligens de behöver för att hantera risker, validera prestanda och bygga förtroende. Från min plats i styrelsen såg jag möjligheten att bygga något grundläggande för hela ekosystemet för fysisk AI.

Det som fick mig att ta steget in i rollen som president var Zach och hans vision. Jag har känt honom sedan vi båda arbetade med att bygga partnerskap inom mobilitet – jag på Uber och han på Lyft. När någon du har litat på så länge kommer till dig med ett svårt problem och en tillgång som ingen annan har, lyssnar du. Vi kompletterar varandra. Han tänker på branschen och vart den är på väg. Jag har ägnat min karriär åt att omvandla ny teknik till verksamheter som kan skalas upp. Fysisk AI lämnar forskningsstadiet och tas i bruk i verkligheten just nu, och jag ville inte se på det från ett styrelserum.

Empiric Earth bildades genom sammanslagningen av Nexar och Nauto, två företag med djup expertis inom körintelligens från verkligheten och AI-driven säkerhet. Vilka unika möjligheter skapar den här kombinationen, och hur ser du att det sammanslagna företaget kan särskilja sig på den snabbt föränderliga marknaden för fysisk AI?

Nexar och Nauto grundades båda 2015 och har tillsammans ägnat mer än två decennier åt att undersöka samma problem ur två olika perspektiv. Tillsammans kan vi förstå vad som händer på vägen och hur förare reagerar på det, vilket ger oss en mycket mer heltäckande bild av beteenden och risker i verklig trafik.

För den bredare marknaden är det här en länk mellan simulering och verkligheten. De flesta team utvecklar och testar i simuleringar, men den svåra delen är att bevisa att ett system kan prestera tillförlitligt under verkliga förhållanden. Vi kan hjälpa partner att upptäcka situationer som deras system inte har stött på, förbättra sina modeller och validera prestandan mot det som faktiskt händer. Det kan korta utvecklingscyklerna, minska riskerna och påskynda kommersialiseringen.

Det som särskiljer oss är vår förmåga att möjliggöra oberoende utvärdering i hela ekosystemet för fysisk AI. Vi bygger inte de fordon, robotar eller autonoma system som våra kunder utvecklar. Vi tillhandahåller verklighetsbaserad intelligens som hjälper dem att förstå prestanda, hantera risker och bygga förtroende. Det kräver ett åtagande om neutralitet, portabilitet och interoperabilitet. När vi lanserar nya tillämpningar, modeller och tjänster vill vi att kunderna ska kunna använda dem med olika hårdvaru- och tekniklösningar, utan att vara bundna till en enda leverantör. Vårt mål är att vara en ”domare” för hela ekosystemet, inte att utse vinnare inom det.

Fysisk AI växer fram som ett av nästa stora utvecklingsområden inom artificiell intelligens, med tillämpningar inom bland annat autonoma fordon, robotik och intelligent infrastruktur. Vilka ser du som de största hindren för att dessa system ska fungera tillförlitligt i oförutsägbara verkliga miljöer, och varför är tillgång till verkliga data så avgörande för att övervinna dem?

Det största hindret är att den fysiska världen aldrig har dokumenterats i sin helhet. Språkmodeller blev snabbt bra eftersom de tränades på årtionden av texter som människor redan hade producerat. Det finns ingen motsvarighet för en väg, ett lagergolv eller en trottoar. Det mesta som händer där, till exempel ett tillbud eller ett körfält som stängdes i morse, registreras aldrig.

Det skapar två problem. Det första är att den fysiska världen ständigt förändras. Ett system måste veta vad som gäller just nu, och ett foto från förra våren kan inte berätta att en väg förändrades i morse. Det går inte heller att gå tillbaka och samla in gårdagens data. Det andra problemet är fragmentering. Ingen enskild aktör ser tillräckligt mycket av världen på egen hand, så utvecklare genomför separata experiment med olika datamängder, modeller och teknikstackar. Det gör det svårare att jämföra resultat, dela med sig av det som fungerar och omvandla lovande forskning till kommersiellt gångbara produkter.

Verklighetsdata är lösningen på båda problemen. De sällsynta händelser som får ett system att fallera inträffar någonstans varje dag, och de går bara att upptäcka genom att kontinuerligt observera ett stort antal verkliga förhållanden. I våra data från USA finns det omkring 19 tillbud för varje kollision, och nästan inget av dem hamnar i en polisanmälan eller ett försäkringsärende. Zach uttryckte det väl i en nyligen publicerad essä: säkerhet handlar om att studera sådant som inte inträffade. Det går inte att studera sådant om ingen har räknat det.

Empiric Earth har samlat in mer än 10 miljarder miles körhistorik och över 60 miljoner kantfall, och ytterligare hundratals miljoner miles registreras varje månad. Hur kan denna omfattande datamängd hjälpa AI-utvecklare att träna och validera mer tillförlitliga autonoma system, särskilt när det gäller sällsynta eller farliga situationer som traditionella simuleringar har svårt att återskapa?

De flesta system hanterar vanlig körning bra i dag. Det som fortfarande får dem att fallera är de sällsynta undantagsfallen: en krasch, en fotgängare som kliver fram mellan parkerade bilar, ett djur på vägen eller ett vägarbete som inte fanns där förra veckan. Sådana händelser är för ovanliga för att en testflotta ska kunna fånga in tillräckligt många användbara exempel, och en simulering kan bara återskapa sådant som någon redan har kommit på att modellera.

Empiric Earth skapades för att hitta sådana händelser. Vi bearbetar inte varje mile som vårt nätverk kör. Vi behåller den lilla andel som våra modeller flaggar som ovanlig eller riskfylld, och på så sätt blir 10 miljarder miles till 60 miljoner kantfall som utvecklare faktiskt kan använda.

Team använder dessa data på tre sätt. De söker i dem: ett team som arbetar med vägarbetsområden kan hämta tusentals verkliga exempel på hur mänskliga förare tar sig igenom dem, i stället för att skripta några få. De efterfrågar det som saknas: om ett system har svårt med vänstersvängar i trafikerade korsningar kan vi rikta nätverket specifikt mot det och samla in nya exempel efter hand som de inträffar. Och de jämför sina simuleringar med verkligheten. När en partner återskapar verkliga kollisioner och tillbud med fotgängare och cyklister kan de se om den simulerade världen beter sig som den verkliga innan de lanserar systemet.

Det är det som gör detta värdefullt utöver själva dataunderlaget. Simulering är nödvändig, men den måste grundas i det som faktiskt händer i verkligheten. Genom att ge utvecklare tillgång till sådana belägg kan de upptäcka brister tidigare, förbättra sina system snabbare och fatta mer välgrundade beslut om när systemen är redo att tas i bruk. Det skapar också en grund för mer enhetlig, oberoende utvärdering i takt med att branschen växer.

En av Empiric Earths grundprinciper är dess oberoende från de företag som utvecklar autonoma system och fordon som företaget utvärderar. Varför blir oberoende verifiering allt viktigare när fysisk AI närmar sig bred användning, och vilka standarder bör branschen införa för att fastställa meningsfulla riktmärken för AI-säkerhet?

När fysisk AI går från forskningsmiljöer till offentliga platser blir förtroende lika viktigt som teknisk prestanda.

I dag förlitar sig en stor del av branschen på att utvecklarna själva testar sina system och rapporterar om deras prestanda. Det är förståeligt i det här skedet, men i takt med att fler autonoma system tas i bruk i vardagliga miljöer kommer kunder, tillsynsmyndigheter och allmänheten i allt högre grad att vilja se oberoende belägg för att systemen fungerar tillförlitligt.

Vi har sett liknande utmaningar i andra branscher. När man sätter sig i en bil finns det ett etablerat regelverk för förarlegitimation, fordonsbesiktning och säkerhetskrav. Fysisk AI kommer att behöva egna metoder för att visa att systemen är redo och fungerar som de ska. För autonoma fordon skulle det kunna handla om ett slags körkort: ett standardiserat prov som visar att ett system presterar på samma nivå som eller bättre än en mänsklig förare.

Frågan är hur vi fastställer meningsfulla riktmärken som speglar verkliga förhållanden, i stället för att enbart förlita oss på kontrollerade tester eller simuleringar. Riktmärkena måste bygga på verklighetsdata, ta hänsyn till sällsynta och farliga situationer och göra det möjligt att utvärdera prestanda på ett enhetligt sätt mellan olika system.

Det är här Empiric Earth kan spela en viktig roll. Vi anser inte att företagen som utvecklar autonoma system bör vara de enda som utvärderar deras prestanda. Vår roll är att tillhandahålla oberoende kunskap om verkliga förhållanden, modeller och valideringsmöjligheter som gör det möjligt för andra att bedöma prestanda, hantera risker och bygga förtroende. Genom att förbli neutrala och interoperabla kan vi stödja utvärdering av olika tekniker och plattformar utan att gynna något enskilt tillvägagångssätt.

I slutändan kräver utarbetandet av standarder samarbete mellan utvecklare, forskare, tillsynsmyndigheter och andra intressenter. Vi vill bidra med den grund som gör oberoende utvärdering möjlig, så att förtroende bygger på belägg snarare än påståenden.

I takt med att allt mer sofistikerade AI-system samverkar med den fysiska världen måste organisationer balansera behovet av omfattande data från verkligheten mot hänsyn till integritet, säkerhet och ansvarsfull datahantering. Hur hanterar Empiric Earth dessa utmaningar, och vilka skyddsåtgärder är avgörande för att bygga allmänhetens förtroende för storskalig infrastruktur för fysisk AI?

Förtroende börjar med hur data samlas in, skyddas och används. På Empiric Earth är integritet en del av vårt arbetssätt från början. Vi fokuserar på att fånga upp händelser i verkligheten som ger användbar information, i stället för att behandla varje ögonblick bakom ratten som lika värdefullt. Avidentifiering och ansvarsfull datahantering är grundläggande delar av den processen.

Dataursprung är minst lika viktigt. När fysisk AI närmar sig kommersiell användning behöver utvecklare veta varifrån data kommer, hur den har samlats in och vilka rättigheter som styr användningen. Utan den grunden är det svårt att skapa det förtroende som krävs för att kunna skala upp.

Olika marknader har också olika krav på integritet, samtycke och var data lagras. Vår plattform tillämpar landsspecifika inställningar för vart och ett av dessa områden, så att vi kan följa lokala regler utan att bygga om systemet. Vi måste ta hänsyn till de skillnaderna när vi bedömer var och hur vi ska expandera.

Den övergripande principen är transparens. Alla som bygger infrastruktur för fysisk AI bör kunna förklara vilka data de samlar in, hur de skyddar dem och vem som kan använda dem. Ansvarsfull datahantering är inte något som står vid sidan av att bygga ett framgångsrikt företag. Den är en del av det som gör en bred användning möjlig.

I din roll på Uber arbetade du med att omvandla ny teknik och strategiska partnerskap till skalbara verksamheter. I din nya roll ansvarar du för Empiric Earths produktstrategi, företagsutveckling och kommersialisering. Vilka erfarenheter från din tid på Uber är mest relevanta när det gäller att skala upp fysisk AI, och hur avgör du när ni ska utveckla förmågor internt i stället för att genomföra förvärv eller ingå partnerskap?

Uber lärde mig att det rätta svaret kan förändras. Vi byggde upp vårt eget program för autonom körning, ATG, eftersom vi trodde att vi behövde äga hela teknikplattformen. Senare avyttrade vi det till Aurora och återvände till autonom körning genom partnerskap. Båda besluten var rimliga när vi fattade dem. Det som förändrades var våra kriterier för snabbhet, kostnad och risk.

Därför ställer vi samma frågor inför varje beslut om att bygga själva, köpa eller samarbeta. Vilken är risken? Vilka resurser och hur mycket kapital krävs? Hur snabbt tar det oss ut på marknaden, och vad gör konkurrenterna under tiden? Passar det in i strategin?

Empiric Earth utgår från ett annat läge än de flesta företag, eftersom vi redan har den svåraste delen på plats: data. Vi bygger vidare där den grunden ger oss en fördel som är svår att kopiera. Förvärv är meningsfulla när de tillför kompletterande förmågor eller påskyndar vår strategi. Partnerskap kan ofta vara den snabbaste vägen till kunder, nya marknader och kommersiell skala. Fysisk AI är ett alltför brett område för att ett enda företag ska kunna bygga allt. Därför vill vi samarbeta med partner som kan bidra till att stärka hela ekosystemet och anpassa vår strategi utifrån både marknadsläget och vår konkurrensfördel – våra tillgångar.

Du har också varit engagerad i ekosystemet för AI med öppen källkod, bland annat genom ditt arbete med OpenClaw-communityn. Hur ser du på hur innovation med öppen källkod kan bidra till utvecklingen av fysisk AI, och kan ökad transparens och samverkan påskynda användningen samtidigt som de säkerhets- och styrningsstandarder som systemen kräver upprätthålls?

Öppen källkod förändrade takten i AI-utvecklingen inom mjukvara. När fler kan bygga vidare på samma verktyg blir forskningscyklerna kortare, och bra idéer kan komma från alla håll, inte bara från de största forskningslaboratorierna. Fysisk AI befinner sig tidigare i den utvecklingen. En stor del av området är fortfarande på forsknings- och demonstrationsstadiet, och frågan nu är hur det arbetet kan omvandlas till hållbara verksamheter.

Jag var partnerskapsansvarig på OpenClaw Foundation, som grundades för att stödja Peter Steinbergers vision om öppen, personlig AI med agentförmåga. Det är ett av de tydligaste exemplen jag har sett på hur ett öppet projekt kan påskynda konkret arbete, eftersom människor kunde använda det, köra det på sina egna system och anpassa det efter sina faktiska behov.

Det är den lärdom jag tycker att fysisk AI bör ta på allvar. Öppna verktyg gör det möjligt för fler team att bygga och experimentera utan att börja från noll. Att låta data stanna i kundens egen miljö, i stället för att be kunden skicka den någon annanstans, undanröjer ett av de främsta skälen till att företag tvekar. En fordonsflotta, en stad eller en tillverkare kan använda AI på sina egna data, med egna kontroller, och snabbare se nyttan.

Tillsammans gör de här två idéerna det möjligt för branschen att gå från forskning och demonstrationer till produkter som människor betalar för. Öppenhet gör inte i sig ett system säkert, så det behövs fortfarande ordentliga tester, tydlig styrning och ansvarsskyldighet. Men ett öppet ekosystem där data stannar hos dem som den tillhör gör att fler system tas i praktisk användning, och det är där lärandet får en kumulativ effekt.

På Empiric Earth är vi intresserade av hur öppna verktyg och data som stannar i kundens egen miljö kan bidra till att hela ekosystemet för fysisk AI växer, samtidigt som vi skyddar de verkliga data som gör vårt arbete värdefullt. Vi tror inte att det behöver finnas en målkonflikt mellan att utveckla ekosystemet och att bygga en hållbar verksamhet.

Du har talat om vikten av att få in fler kvinnor i ledande roller inom AI, särskilt nu när branschen börjar ta fram säkerhetsstandarder och ramverk för styrning som kommer att forma hur intelligenta maskiner fungerar i samhället. Hur tror du att en större mångfald bland ledare kan bidra till utvecklingen av säkrare och mer ansvarsfulla AI-system?

Jag är försiktig med den här frågan, eftersom påståendet ”fler kvinnor gör AI säkrare” i sig är en form av partiskhet. Frågan är bredare än så. De agenter vi bygger lär sig av det människor redan har gjort och av hur vi lär upp dem. Om alla som formar den undervisningen tänker likadant kommer systemen att få samma blinda fläckar.

En mångfald bland ledare för in fler perspektiv i besluten om vad en agent bör värdesätta, däribland empati, omtanke och hur ett beslut påverkar personen på andra sidan. Många AI-risker är tekniska. Andra risker uppstår när system fattar beslut som inte speglar värderingarna eller behoven hos de människor som påverkas av besluten. Genom att ta in olika perspektiv i beslutsfattandet kan vi upptäcka blinda fläckar innan de leder till problem i verkligheten.

Det jag vill att de här systemen ska göra är enkelt. De ska hjälpa människor att fatta bättre beslut och ge oss mer tid tillsammans i verkliga livet. För att nå dit krävs balans och konkreta skyddsåtgärder utifrån många olika perspektiv. Ingen enskild grupp kan lösa det på egen hand, och vi behöver motivera och uppmuntra kvinnor att delta och bidra till att främja kontakter mellan agenter och människor, mellan agenter och mellan människor.

Om du blickar framåt tre till fem år, var ser du de största möjligheterna för Empiric Earth utöver företagets nuvarande tillämpningar inom trafiksäkerhet och fordonsflottors intelligens? I takt med att autonoma fordon, robotteknik och annan teknik inom fysisk AI blir en allt mer integrerad del av vardagen, vilken roll ser du framför dig att Empiric Earth kommer att spela i den infrastruktur som stöder den här omställningen?

Trafiksäkerhet och fordonsflottor var där vi började, och de är fortfarande centrala för vår verksamhet. Men den större möjligheten är att stödja fysisk AI genom att minska riskerna, tillhandahålla en standard för validering och i slutändan göra den verkliga världen säkrare.

De grundläggande utmaningarna är likartade oavsett om man bygger ett autonomt fordon, en leveransrobot eller ett system för detaljhandelsanalys som verkar i ett verkligt reklam- och handelsnätverk. Hur förstår man vad som händer i den verkliga världen? Hur vet man om ett system kan hantera oväntade situationer? Och hur utvärderar man prestanda och hanterar risker när systemen tas i kommersiell drift?

Jag ser framför mig att Empiric Earth blir ett viktigt intelligenslager i ekosystemet för fysisk AI och tillhandahåller data från verkligheten, modeller, applikationer och tjänster som hjälper utvecklare, partner och operatörer att besvara de frågorna. Neutralitet, portabilitet och interoperabilitet kommer att vara viktiga för den visionen. Vi vill att våra lösningar ska fungera med olika tekniker och på olika plattformar, så att kunderna kan välja de lösningar som passar dem bäst.

Vi har en enastående grund inom intelligens om verklig körning, och nu har vi möjlighet att bygga vidare på den genom nya lösningar, partnerskap och affärsmodeller.

Fysisk AI kommer inte att få bred spridning för att ett företag bygger den bästa roboten eller den bästa modellen. Den får bred spridning när det bredare ekosystemet har den intelligens, de verktyg och de säkerhetsåtgärder som krävs för att ta systemen i bruk i den verkliga världen. Det är den rollen vi vill att Empiric Earth ska spela.

Tack för en mycket givande intervju. Läsare som vill utforska intelligens om verkligheten och oberoende validering för fysisk AI kan besöka Empiric Earth.