Jen Vescio ประธานของ Empiric Earth – บทสัมภาษณ์

Jen Vescio ดำรงตำแหน่งประธานของ Empiric Earth โดยดูแลกลยุทธ์ผลิตภัณฑ์ การพัฒนาองค์กร และการนำธุรกิจออกสู่ตลาด ก่อนหน้านี้ เธอดำรงตำแหน่งประธานเจ้าหน้าที่ฝ่ายพัฒนาธุรกิจของ Uber ซึ่งเธอเป็นผู้นำการพัฒนาธุรกิจทั่วโลกและการสร้างพันธมิตรใหม่ในด้านการเดินทางและยานยนต์ไร้คนขับ ประสบการณ์ของเธอยังครอบคลุมการลงทุนในบริษัทเทคโนโลยีเกิดใหม่และการให้คำปรึกษาแก่บริษัทเหล่านั้น โดยมุ่งเน้นช่วยให้ AI ในโลกกายภาพเปลี่ยนผ่านจากงานวิจัยไปสู่การใช้งานเชิงพาณิชย์

Empiric Earth ผนึกกำลัง Nexar และ Nauto เพื่อให้บริการข้อมูลเชิงลึกเกี่ยวกับการขับขี่ในโลกจริง แบบจำลองด้านความปลอดภัย และความสามารถในการตรวจสอบยืนยัน บริษัทนำประวัติการขับขี่หลายพันล้านไมล์มาผสานกับข้อมูลเหตุการณ์ที่เกิดขึ้นได้ยาก เพื่อช่วยให้นักพัฒนา ผู้ประกอบการกองยานพาหนะ และองค์กรอื่น ๆ เข้าใจประสิทธิภาพและความเสี่ยง ในบทสัมภาษณ์นี้ Vescio พูดถึงการประเมินผลอย่างเป็นอิสระ การกำกับดูแลข้อมูลอย่างรับผิดชอบ การนำเทคโนโลยีออกสู่เชิงพาณิชย์ และโครงสร้างพื้นฐานที่จำเป็นต่อการขยาย AI ในโลกกายภาพ

คุณมีเส้นทางอาชีพที่กว้างขวาง ครอบคลุมทั้งการพัฒนาธุรกิจทั่วโลกที่ Uber การลงทุนในเทคโนโลยีเกิดใหม่ และการให้คำปรึกษาแก่บริษัทในแวดวง AI ในโลกกายภาพ คุณเข้าร่วมคณะกรรมการของ Empiric Earth ครั้งแรกในเดือนเมษายน ก่อนจะเข้ารับตำแหน่งประธานเมื่อไม่นานมานี้ อะไรดึงดูดให้คุณสนใจบริษัทนี้ และอะไรทำให้คุณตัดสินใจรับบทบาทผู้นำที่ลงมือทำงานอย่างใกล้ชิดมากขึ้นในท้ายที่สุด?

ในฐานะนักลงทุนและที่ปรึกษาด้าน AI ในโลกกายภาพ ฉันเห็นช่องว่างเดิมซ้ำแล้วซ้ำเล่า มีทีมจำนวนมากกำลังทดลองระบบ แต่มีเพียงไม่กี่ทีมที่มีข้อมูลจากโลกจริงเพื่อพิสูจน์ว่าระบบของตนทำงานได้จริงนอกสภาพแวดล้อมการทดสอบ Empiric Earth มีข้อมูลดังกล่าวอยู่แล้ว ข้อมูลการขับขี่จริงกว่า 10,000 ล้านไมล์และกรณีสุดขอบ 60 ล้านกรณีเป็นสิ่งที่ซื้อไม่ได้และสร้างขึ้นมาหลอก ๆ ไม่ได้

สิ่งนี้ทำให้บริษัทอยู่ในสถานะที่ไม่เหมือนใคร เราไม่จำเป็นต้องแข่งขันกับบริษัทที่สร้างหุ่นยนต์ ยานพาหนะ หรือโมเดล เราช่วยให้ทุกบริษัทเหล่านั้นนำผลิตภัณฑ์ออกสู่ตลาดได้เร็วขึ้น ด้วยการมอบข้อมูลเชิงลึกจากโลกจริงที่จำเป็นต่อการจัดการความเสี่ยง ตรวจสอบยืนยันประสิทธิภาพ และสร้างความไว้วางใจ จากที่นั่งในคณะกรรมการ ฉันมองเห็นโอกาสในการสร้างสิ่งที่เป็นรากฐานสำคัญของระบบนิเวศ AI ในโลกกายภาพทั้งหมด

สิ่งที่ทำให้ฉันเข้ารับตำแหน่งประธานคือ Zach และวิสัยทัศน์ของเขา ฉันรู้จักเขาตั้งแต่ตอนที่เราต่างกำลังสร้างพันธมิตรในแวดวงการเดินทาง โดยฉันอยู่ที่ Uber ส่วนเขาอยู่ที่ Lyft เมื่อคนที่คุณไว้วางใจมาอย่างยาวนานนำปัญหาท้าทายและทรัพยากรที่ไม่มีใครอื่นมีมาให้ คุณก็ต้องรับฟัง เราเสริมจุดแข็งให้กันและกัน เขามองภาพรวมของแวดวงนี้และทิศทางที่กำลังมุ่งไป ส่วนฉันใช้เวลาตลอดอาชีพเปลี่ยนเทคโนโลยีใหม่ให้กลายเป็นธุรกิจที่ขยายตัวได้ ขณะนี้ AI ในโลกกายภาพกำลังเปลี่ยนจากงานวิจัยไปสู่การใช้งานจริง และฉันไม่อยากได้แต่มองดูเรื่องนี้จากการประชุมคณะกรรมการ

Empiric Earth ก่อตั้งขึ้นจากการควบรวมกิจการของ Nexar และ Nauto ซึ่งนำบริษัทสองแห่งที่มีความเชี่ยวชาญเชิงลึกด้านข้อมูลการขับขี่ในโลกจริงและความปลอดภัยที่ขับเคลื่อนด้วย AI มารวมกัน การผนึกกำลังนี้เปิดโอกาสให้เกิดความสามารถพิเศษอะไรบ้าง และคุณมองว่าบริษัทที่รวมกันแล้วจะแตกต่างจากบริษัทอื่นในตลาด AI ในโลกกายภาพที่เปลี่ยนแปลงอย่างรวดเร็วได้อย่างไร?

Nexar และ Nauto ต่างก่อตั้งขึ้นในปี 2015 และใช้เวลารวมกันกว่าสองทศวรรษในการวัดปัญหาเดียวกันจากมุมมองที่แตกต่างกันสองด้าน เมื่อทำงานร่วมกัน เราจึงเข้าใจได้ทั้งสิ่งที่เกิดขึ้นบนท้องถนนและการตอบสนองของผู้ขับขี่ ทำให้เห็นภาพพฤติกรรมและความเสี่ยงในโลกจริงได้ครบถ้วนยิ่งขึ้น

สำหรับตลาดโดยรวมแล้ว สิ่งนี้เป็นสะพานเชื่อมระหว่างการจำลองกับโลกจริง ทีมส่วนใหญ่พัฒนาและทดสอบระบบในสภาพแวดล้อมจำลอง แต่ความท้าทายคือการพิสูจน์ว่าระบบทำงานได้อย่างน่าเชื่อถือในสภาพจริง เราช่วยพันธมิตรค้นพบสถานการณ์ที่ระบบของตนยังไม่เคยพบ ปรับปรุงโมเดล และตรวจสอบยืนยันประสิทธิภาพเทียบกับสิ่งที่เกิดขึ้นจริงได้ ซึ่งช่วยย่นระยะเวลาการพัฒนา ลดความเสี่ยง และเร่งการนำเทคโนโลยีออกสู่เชิงพาณิชย์

สิ่งที่ทำให้เราแตกต่างคือความสามารถในการสนับสนุนการประเมินผลอย่างเป็นอิสระทั่วทั้งระบบนิเวศ AI ในโลกกายภาพ เราไม่ได้สร้างยานพาหนะ หุ่นยนต์ หรือระบบไร้คนขับที่ลูกค้าของเรากำลังพัฒนา แต่เรามอบข้อมูลเชิงลึกจากโลกจริงเพื่อช่วยให้พวกเขาเข้าใจประสิทธิภาพ จัดการความเสี่ยง และสร้างความไว้วางใจ การทำเช่นนี้ต้องยึดมั่นในความเป็นกลาง ความสามารถในการใช้งานข้ามระบบ และการทำงานร่วมกันได้ ขณะที่เรานำแอปพลิเคชัน โมเดล และบริการใหม่ ๆ ออกสู่ตลาด เราต้องการให้ลูกค้าใช้งานสิ่งเหล่านี้กับฮาร์ดแวร์และชุดเทคโนโลยีที่หลากหลายได้ โดยไม่ต้องผูกติดกับผู้ให้บริการรายใดรายหนึ่ง เป้าหมายของเราคือการทำหน้าที่เป็น “ผู้ตัดสิน” ให้กับระบบนิเวศทั้งหมด ไม่ใช่เลือกผู้ชนะในระบบนิเวศนั้น

AI ในโลกกายภาพกำลังกลายเป็นแนวหน้าใหญ่ลำดับถัดไปด้านปัญญาประดิษฐ์ โดยมีการใช้งานครอบคลุมยานยนต์ไร้คนขับ หุ่นยนต์ และโครงสร้างพื้นฐานอัจฉริยะ คุณมองว่าอุปสรรคสำคัญที่สุดที่ขัดขวางไม่ให้ระบบเหล่านี้ทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมจริงที่คาดเดาไม่ได้คืออะไร และเหตุใดการเข้าถึงข้อมูลจากโลกจริงจึงสำคัญอย่างยิ่งต่อการก้าวข้ามอุปสรรคเหล่านั้น?

อุปสรรคสำคัญที่สุดคือโลกกายภาพไม่เคยถูกบันทึกไว้เป็นลายลักษณ์อักษร โมเดลภาษาพัฒนาเก่งขึ้นอย่างรวดเร็ว เพราะได้รับการฝึกจากข้อความที่ผู้คนสร้างขึ้นมานานหลายทศวรรษ แต่ไม่มีข้อมูลในลักษณะเดียวกันสำหรับถนน พื้นโกดัง หรือทางเท้า เหตุการณ์ส่วนใหญ่ที่เกิดขึ้นในสถานที่เหล่านั้น เช่น เหตุการณ์เฉียดชนหรือช่องจราจรที่ปิดไปเมื่อเช้านี้ ไม่เคยมีการบันทึกไว้เลย

นั่นก่อให้เกิดปัญหาสองประการ ประการแรก โลกทางกายภาพเปลี่ยนแปลงอยู่ตลอดเวลา ระบบต้องรู้ว่าสถานการณ์เป็นอย่างไรในตอนนี้ และภาพถ่ายจากฤดูใบไม้ผลิที่ผ่านมาไม่อาจบอกได้ว่าถนนสายหนึ่งเปลี่ยนไปอย่างไรในเช้าวันนี้ นอกจากนี้ เรายังย้อนกลับไปเก็บข้อมูลของเมื่อวานไม่ได้ ประการที่สองคือการทำงานแยกส่วนกัน ไม่มีบริษัทใดมองเห็นโลกได้มากพอด้วยตัวเอง นักพัฒนาจึงทำการทดลองแยกกัน โดยใช้ชุดข้อมูล โมเดล และชุดเทคโนโลยีที่แตกต่างกัน ทำให้เปรียบเทียบผลลัพธ์ แบ่งปันสิ่งที่ใช้ได้ผล และต่อยอดงานวิจัยที่มีแนวโน้มดีให้เป็นผลิตภัณฑ์ที่ทำตลาดได้ยากขึ้น

ข้อมูลจากโลกจริงช่วยให้ก้าวข้ามปัญหาทั้งสองประการได้ เหตุการณ์ที่เกิดขึ้นไม่บ่อยแต่ทำให้ระบบล้มเหลวเกิดขึ้นที่ใดที่หนึ่งทุกวัน และจะพบเหตุการณ์เหล่านี้ได้ก็ต่อเมื่อสังเกตสภาพการณ์จริงที่หลากหลายอย่างต่อเนื่อง ในข้อมูลของเราในสหรัฐฯ มีเหตุการณ์เกือบชนประมาณ 19 ครั้งต่อการชนหนึ่งครั้ง แต่แทบไม่มีเหตุการณ์เหล่านี้ปรากฏในรายงานของตำรวจหรือการเรียกร้องค่าสินไหมทดแทนจากบริษัทประกันภัยเลย แซคกล่าวไว้ได้ดีในบทความเมื่อไม่นานมานี้ว่า ความปลอดภัยคือการศึกษาเรื่องสิ่งที่ไม่ได้เกิดขึ้น หากไม่มีใครบันทึกไว้ ก็ย่อมศึกษาเรื่องเหล่านั้นไม่ได้

Empiric Earth สะสมประวัติการขับขี่ไว้มากกว่า 10,000 ล้านไมล์ และกรณีเหตุการณ์ที่พบได้ยากกว่า 60 ล้านกรณี โดยบันทึกระยะทางเพิ่มเติมอีกหลายร้อยล้านไมล์ในแต่ละเดือน ชุดข้อมูลขนาดมหาศาลนี้จะช่วยให้นักพัฒนา AI ฝึกและตรวจสอบความถูกต้องของระบบขับเคลื่อนอัตโนมัติให้มีความน่าเชื่อถือยิ่งขึ้นได้อย่างไร โดยเฉพาะเมื่อต้องรับมือกับสถานการณ์ที่เกิดขึ้นไม่บ่อยหรือเป็นอันตราย ซึ่งการจำลองแบบดั้งเดิมทำได้ยาก?

ปัจจุบัน ระบบส่วนใหญ่รับมือกับการขับขี่ทั่วไปได้ดีแล้ว แต่สิ่งที่ยังทำให้ระบบล้มเหลวคือเหตุการณ์หายากที่มีรูปแบบหลากหลาย เช่น อุบัติเหตุ คนเดินถนนก้าวออกมาระหว่างรถที่จอดอยู่ สัตว์บนถนน หรือเขตก่อสร้างที่ไม่มีอยู่เมื่อสัปดาห์ก่อน เหตุการณ์เหล่านี้เกิดขึ้นไม่บ่อยพอที่รถทดสอบจะเก็บตัวอย่างได้ในจำนวนที่เป็นประโยชน์ และการจำลองก็สร้างได้เพียงสถานการณ์ที่มีคนคิดไว้แล้วว่าจะนำมาจำลอง

Empiric Earth สร้างขึ้นเพื่อค้นหาเหตุการณ์เหล่านี้ เราไม่ได้ประมวลผลทุกไมล์ที่เครือข่ายของเราขับขี่ แต่เก็บไว้เฉพาะสัดส่วนเล็กน้อยที่โมเดลของเราระบุว่าผิดปกติหรือมีความเสี่ยง ด้วยวิธีนี้ ระยะทาง 10,000 ล้านไมล์จึงกลายเป็นกรณีเหตุการณ์ที่พบได้ยาก 60 ล้านกรณี ซึ่งนักพัฒนานำไปใช้ได้จริง

ทีมต่าง ๆ ใช้ข้อมูลที่บันทึกไว้นี้ในสามรูปแบบ รูปแบบแรกคือค้นหาข้อมูล ทีมที่ทำงานเกี่ยวกับเขตก่อสร้างสามารถดึงตัวอย่างจริงหลายพันกรณีที่ผู้ขับขี่มนุษย์ขับผ่านพื้นที่เหล่านั้นได้ แทนที่จะเขียนสคริปต์จำลองขึ้นมาเพียงไม่กี่กรณี รูปแบบที่สองคือขอข้อมูลในส่วนที่ยังขาด หากระบบมีปัญหากับการเลี้ยวซ้ายที่ทางแยกซึ่งมีการจราจรหนาแน่น เราก็สามารถกำหนดให้เครือข่ายมุ่งเก็บข้อมูลในสถานการณ์นั้นโดยเฉพาะ และรวบรวมตัวอย่างใหม่ได้ในขณะที่เหตุการณ์เกิดขึ้น ส่วนรูปแบบที่สามคือใช้ตรวจสอบการจำลองโดยเทียบกับความเป็นจริง เมื่อพันธมิตรจำลองเหตุการณ์การชนและเหตุการณ์เกือบชนจริงที่เกี่ยวข้องกับคนเดินเท้าและนักปั่นจักรยานขึ้นใหม่ ก็จะตรวจสอบได้ว่าโลกจำลองมีพฤติกรรมเหมือนโลกจริงหรือไม่ก่อนนำระบบออกใช้งาน

สิ่งนี้ทำให้ข้อมูลมีคุณค่ามากกว่าตัวข้อมูลเอง การจำลองเป็นสิ่งจำเป็น แต่ต้องอิงกับสิ่งที่เกิดขึ้นจริงในโลก การเปิดให้นักพัฒนาเข้าถึงหลักฐานเหล่านี้ช่วยให้ค้นพบช่องโหว่ได้เร็วขึ้น ปรับปรุงระบบได้รวดเร็วยิ่งขึ้น และตัดสินใจได้อย่างรอบคอบขึ้นว่าระบบพร้อมนำไปใช้งานเมื่อใด นอกจากนี้ ยังเป็นรากฐานสำหรับการประเมินที่เป็นอิสระและสอดคล้องกันมากขึ้น เมื่ออุตสาหกรรมขยายตัว

หนึ่งในหลักการสำคัญที่กำหนดแนวทางการทำงานของ Empiric Earth คือการเป็นอิสระจากผู้ผลิตระบบขับเคลื่อนอัตโนมัติและยานยนต์ที่บริษัทประเมิน เหตุใดการตรวจสอบยืนยันอย่างเป็นอิสระจึงมีความสำคัญมากขึ้นเรื่อย ๆ เมื่อ AI เชิงกายภาพกำลังมุ่งสู่การใช้งานอย่างแพร่หลาย และอุตสาหกรรมควรกำหนดมาตรฐานใดเพื่อสร้างเกณฑ์วัดความปลอดภัยของ AI ที่มีความหมาย?

เมื่อ AI เชิงกายภาพเปลี่ยนจากการวิจัยในสภาพแวดล้อมที่มีการควบคุมไปสู่พื้นที่สาธารณะ ความไว้วางใจย่อมสำคัญไม่แพ้ประสิทธิภาพทางเทคนิค

ปัจจุบัน อุตสาหกรรมส่วนใหญ่ให้ผู้พัฒนาทดสอบและรายงานประสิทธิภาพของระบบตนเอง ซึ่งเป็นเรื่องที่เข้าใจได้ในช่วงนี้ แต่เมื่อมีระบบอัตโนมัติเข้ามาอยู่ในสภาพแวดล้อมที่ผู้คนใช้ในชีวิตประจำวันมากขึ้น ลูกค้า หน่วยงานกำกับดูแล และประชาชนก็จะต้องการหลักฐานจากหน่วยงานอิสระที่ยืนยันได้มากขึ้นว่าระบบเหล่านั้นทำงานได้อย่างน่าเชื่อถือ

เราเคยเห็นความท้าทายในลักษณะนี้มาแล้วในอุตสาหกรรมอื่น เมื่อขึ้นรถยนต์ จะมีกรอบการทำงานที่กำหนดไว้ชัดเจนสำหรับการออกใบอนุญาตขับขี่ การตรวจสภาพรถ และการกำหนดมาตรฐานด้านความปลอดภัย AI เชิงกายภาพก็จำเป็นต้องมีแนวทางของตนเองในการแสดงให้เห็นถึงความพร้อมและประสิทธิภาพ สำหรับยานยนต์ขับเคลื่อนอัตโนมัติ แนวทางดังกล่าวอาจคล้ายกับใบอนุญาตขับขี่ กล่าวคือเป็นการทดสอบมาตรฐานที่แสดงให้เห็นว่าระบบทำงานได้ในระดับเทียบเท่าหรือสูงกว่าผู้ขับขี่มนุษย์

คำถามคือเราจะกำหนดเกณฑ์วัดที่มีความหมายและสะท้อนสภาพการณ์จริงได้อย่างไร โดยไม่พึ่งพาเพียงการทดสอบในสภาพแวดล้อมที่ควบคุมได้หรือการจำลอง เกณฑ์เหล่านั้นต้องตั้งอยู่บนข้อมูลจากโลกจริง คำนึงถึงสถานการณ์ที่เกิดขึ้นไม่บ่อยและสถานการณ์อันตราย และเปิดให้ประเมินประสิทธิภาพของระบบต่าง ๆ ได้อย่างสม่ำเสมอ

Empiric Earth มีบทบาทสำคัญในเรื่องนี้ เราไม่เชื่อว่าบริษัทที่พัฒนาระบบขับเคลื่อนอัตโนมัติควรเป็นผู้ประเมินประสิทธิภาพของระบบเหล่านั้นเพียงฝ่ายเดียว บทบาทของเราคือการจัดหาข้อมูลเชิงลึกเกี่ยวกับโลกจริง โมเดล และขีดความสามารถในการตรวจสอบยืนยันอย่างเป็นอิสระ เพื่อให้ผู้อื่นสามารถประเมินประสิทธิภาพ จัดการความเสี่ยง และสร้างความไว้วางใจได้ การดำเนินงานอย่างเป็นกลางและรองรับการทำงานร่วมกันช่วยให้เราสนับสนุนการประเมินเทคโนโลยีและแพลตฟอร์มที่หลากหลาย โดยไม่เข้าข้างแนวทางใดแนวทางหนึ่ง

ท้ายที่สุด การกำหนดมาตรฐานจำเป็นต้องอาศัยความร่วมมือระหว่างนักพัฒนา นักวิจัย หน่วยงานกำกับดูแล และผู้มีส่วนเกี่ยวข้องอื่น ๆ เราต้องการช่วยวางรากฐานที่ทำให้การประเมินอย่างเป็นอิสระเกิดขึ้นได้ เพื่อให้ความไว้วางใจตั้งอยู่บนหลักฐาน ไม่ใช่คำกล่าวอ้าง

เมื่อระบบ AI มีความซับซ้อนมากขึ้นและโต้ตอบกับโลกกายภาพ องค์กรต่าง ๆ ต้องรักษาสมดุลระหว่างความจำเป็นในการมีข้อมูลจากโลกจริงอย่างครอบคลุม กับการคุ้มครองความเป็นส่วนตัว ความปลอดภัย และการกำกับดูแลข้อมูลอย่างมีความรับผิดชอบ Empiric Earth รับมือกับความท้าทายเหล่านี้อย่างไร และมาตรการคุ้มครองใดบ้างที่จำเป็นต่อการสร้างความไว้วางใจจากสาธารณชนต่อโครงสร้างพื้นฐาน Physical AI ขนาดใหญ่?

ความไว้วางใจเริ่มต้นจากวิธีเก็บรวบรวม ปกป้อง และใช้ข้อมูล ที่ Empiric Earth เราผสานการคุ้มครองความเป็นส่วนตัวไว้ในแนวทางการทำงานตั้งแต่แรก เรามุ่งเก็บบันทึกเหตุการณ์ในโลกจริงที่ให้ข้อมูลเชิงลึกอันมีความหมาย แทนที่จะมองว่าทุกช่วงเวลาของการขับขี่มีคุณค่าเท่าเทียมกัน การลบข้อมูลที่ระบุตัวบุคคลได้และการจัดการข้อมูลอย่างมีความรับผิดชอบเป็นหัวใจสำคัญของกระบวนการนี้

ที่มาของข้อมูลก็สำคัญไม่แพ้กัน เมื่อ Physical AI ก้าวไปสู่การใช้งานเชิงพาณิชย์ นักพัฒนาจำเป็นต้องรู้ว่าข้อมูลมาจากไหน เก็บรวบรวมอย่างไร และมีสิทธิใดกำกับการใช้งานข้อมูลนั้น หากไม่มีรากฐานดังกล่าว ก็ยากที่จะสร้างความเชื่อมั่นที่จำเป็นต่อการขยายขนาด

แต่ละตลาดยังมีข้อกำหนดด้านความเป็นส่วนตัว ความยินยอม และการจัดเก็บข้อมูลภายในประเทศที่แตกต่างกัน แพลตฟอร์มของเรากำหนดการตั้งค่าเฉพาะสำหรับแต่ละประเทศ เพื่อให้เราปฏิบัติตามกฎระเบียบในท้องถิ่นได้โดยไม่ต้องสร้างระบบขึ้นใหม่ เราต้องคำนึงถึงความแตกต่างเหล่านี้เมื่อประเมินว่าจะขยายธุรกิจไปที่ใดและอย่างไร

หลักการสำคัญในภาพรวมคือความโปร่งใส ทุกคนที่พัฒนาโครงสร้างพื้นฐานสำหรับ Physical AI ควรอธิบายได้ว่าเก็บข้อมูลอะไร ปกป้องข้อมูลอย่างไร และใครสามารถใช้ข้อมูลนั้นได้ แนวปฏิบัติด้านข้อมูลอย่างมีความรับผิดชอบไม่ใช่สิ่งที่แยกขาดจากการสร้างธุรกิจให้ประสบความสำเร็จ แต่เป็นส่วนหนึ่งที่ทำให้เกิดการยอมรับอย่างแพร่หลายได้

ประสบการณ์ของคุณที่ Uber เกี่ยวข้องกับการนำเทคโนโลยีเกิดใหม่และพันธมิตรเชิงกลยุทธ์มาต่อยอดเป็นธุรกิจที่ขยายขนาดได้ ในบทบาทใหม่ คุณรับผิดชอบด้านกลยุทธ์ผลิตภัณฑ์ การพัฒนาองค์กร และการทำให้ Empiric Earth ออกสู่ตลาด บทเรียนใดจากช่วงเวลาที่คุณทำงานกับ Uber ที่นำมาปรับใช้กับการขยาย Physical AI ได้มากที่สุด และคุณตัดสินใจอย่างไรว่าเมื่อใดควรสร้างขีดความสามารถขึ้นภายในองค์กร แทนที่จะควบรวมกิจการหรือหาพันธมิตร?

Uber สอนให้ผมรู้ว่าคำตอบที่เหมาะสมอาจเปลี่ยนแปลงได้ เราสร้างโครงการพัฒนาระบบขับขี่อัตโนมัติของเราเองชื่อ ATG เพราะเชื่อว่าเราต้องเป็นเจ้าของเทคโนโลยีทั้งหมดทุกชั้น ต่อมาเราได้ขายกิจการดังกล่าวให้ Aurora และกลับมาทำงานด้านระบบขับขี่อัตโนมัติผ่านความร่วมมือกับพันธมิตร การตัดสินใจทั้งสองครั้งต่างสมเหตุสมผลในช่วงเวลาที่เราตัดสินใจ สิ่งที่เปลี่ยนไปคือเกณฑ์ที่เราใช้พิจารณาความเร็ว ต้นทุน และความเสี่ยง

ดังนั้น ทุกครั้งที่ตัดสินใจว่าจะสร้างเอง ซื้อ หรือร่วมมือกับผู้อื่น เราจะถามคำถามชุดเดียวกัน ความเสี่ยงคืออะไร ต้องใช้ทรัพยากรและเงินทุนเท่าใด จะช่วยให้เราเข้าสู่ตลาดได้เร็วแค่ไหน และระหว่างนั้นคู่แข่งกำลังทำอะไรอยู่ เรื่องนี้สอดคล้องกับกลยุทธ์หรือไม่?

Empiric Earth เริ่มต้นจากจุดที่แตกต่างจากบริษัทส่วนใหญ่ เพราะเรามีสิ่งที่สร้างได้ยากที่สุดอยู่แล้ว นั่นคือข้อมูล เราพัฒนาสิ่งต่าง ๆ ในจุดที่รากฐานนี้ทำให้เราได้เปรียบและยากที่ผู้อื่นจะทำซ้ำได้ การควบรวมกิจการสมเหตุสมผลเมื่อช่วยเพิ่มขีดความสามารถที่เกื้อหนุนกัน หรือเร่งกลยุทธ์ของเราให้เดินหน้าได้ ส่วนการเป็นพันธมิตรมักเป็นเส้นทางที่เร็วที่สุดในการเข้าถึงลูกค้า ตลาดใหม่ และการขยายธุรกิจเชิงพาณิชย์ Physical AI มีขอบเขตกว้างเกินกว่าที่บริษัทใดบริษัทหนึ่งจะสร้างทุกอย่างได้เอง เราจึงต้องการทำงานร่วมกับพันธมิตรที่ช่วยเสริมความแข็งแกร่งให้ระบบนิเวศทั้งหมด และวางลำดับแนวทางดำเนินงานโดยพิจารณาทั้งสภาวะตลาดและความได้เปรียบในการแข่งขันของเรา ซึ่งก็คือสินทรัพย์ที่เรามี

คุณยังมีส่วนร่วมในระบบนิเวศ AI แบบโอเพนซอร์ส รวมถึงการทำงานกับชุมชน OpenClaw ด้วย คุณมองว่านวัตกรรมโอเพนซอร์สจะช่วยพัฒนา Physical AI ได้อย่างไร และความโปร่งใสกับความร่วมมือที่เพิ่มขึ้นจะช่วยเร่งการยอมรับได้หรือไม่ โดยยังคงรักษามาตรฐานด้านความปลอดภัยและการกำกับดูแลที่ระบบเหล่านี้ต้องมี?

โอเพนซอร์สเปลี่ยนความเร็วในการพัฒนา AI ในซอฟต์แวร์ เมื่อมีคนจำนวนมากขึ้นสามารถต่อยอดจากเครื่องมือชุดเดียวกัน วงจรการวิจัยก็สั้นลง และแนวคิดดี ๆ ก็มาจากผู้คนทั่วทุกแห่ง ไม่ได้จำกัดอยู่แค่ห้องปฏิบัติการที่ใหญ่ที่สุด Physical AI ยังอยู่ในช่วงต้นของเส้นทางนี้ งานส่วนใหญ่ในวงการยังเป็นงานวิจัยและการสาธิต และคำถามในตอนนี้คือจะเปลี่ยนผลงานเหล่านั้นให้เป็นธุรกิจที่ยั่งยืนได้อย่างไร

ผมเป็นหัวหน้าฝ่ายพันธมิตรที่ OpenClaw Foundation ซึ่งก่อตั้งขึ้นเพื่อสนับสนุนวิสัยทัศน์ของ Peter Steinberger เกี่ยวกับ AI แบบเอเจนต์ส่วนบุคคลที่เป็นโอเพนซอร์ส นี่เป็นหนึ่งในตัวอย่างที่ชัดเจนที่สุดที่ผมเคยเห็นว่าโครงการเปิดช่วยเร่งให้เกิดงานจริงได้อย่างไร เพราะผู้คนสามารถนำไปใช้ ติดตั้งบนระบบของตนเอง และปรับให้เป็นประโยชน์กับสิ่งที่พวกเขาทำจริง ๆ

ผมคิดว่านี่คือบทเรียนที่ Physical AI ควรให้ความสำคัญ เครื่องมือแบบเปิดช่วยให้ทีมต่าง ๆ สร้างและทดลองได้มากขึ้นโดยไม่ต้องเริ่มจากศูนย์ การเก็บข้อมูลไว้ในสภาพแวดล้อมของลูกค้าเอง แทนที่จะขอให้ส่งข้อมูลไปที่อื่น ช่วยขจัดเหตุผลสำคัญข้อหนึ่งที่ทำให้บริษัทลังเล กองยานพาหนะ เมือง หรือผู้ผลิตสามารถนำ AI มาทำงานกับข้อมูลของตนเอง ภายใต้การควบคุมของตนเอง และเห็นคุณค่าได้เร็วขึ้น

แนวคิดทั้งสองนี้ช่วยให้อุตสาหกรรมเปลี่ยนจากงานวิจัยและการสาธิตไปสู่ผลิตภัณฑ์ที่ผู้คนยอมจ่ายเงินเพื่อใช้งานได้ การเปิดกว้างเพียงอย่างเดียวไม่ได้ทำให้ระบบปลอดภัย จึงยังต้องมีการทดสอบจริง การกำกับดูแลที่ชัดเจน และความรับผิดรับชอบ แต่ระบบนิเวศแบบเปิดที่เก็บข้อมูลไว้กับผู้ที่เป็นเจ้าของข้อมูล จะช่วยให้มีการนำระบบไปใช้งานจริงมากขึ้น และการเรียนรู้ก็จะต่อยอดทวีคูณจากจุดนั้น

ที่ Empiric Earth เราสนใจว่าเครื่องมือแบบเปิดและข้อมูลที่จัดเก็บอยู่ในสภาพแวดล้อมของลูกค้าจะช่วยให้ระบบนิเวศปัญญาประดิษฐ์เชิงกายภาพเติบโตได้อย่างไร ขณะเดียวกันก็ปกป้องข้อมูลจากโลกจริงซึ่งทำให้งานของเรามีคุณค่า เราไม่เชื่อว่าการพัฒนาระบบนิเวศกับการสร้างธุรกิจที่ยั่งยืนจะต้องเป็นเป้าหมายที่ขัดแย้งกัน

คุณเคยพูดถึงความสำคัญของการเพิ่มจำนวนผู้หญิงในบทบาทผู้นำด้าน AI โดยเฉพาะในช่วงที่อุตสาหกรรมเริ่มกำหนดมาตรฐานความปลอดภัยและกรอบธรรมาภิบาล ซึ่งจะกำหนดวิธีที่เครื่องจักรอัจฉริยะทำงานในสังคม คุณคิดว่าความหลากหลายในการเป็นผู้นำที่เพิ่มขึ้นจะส่งผลต่อการพัฒนาระบบ AI ที่ปลอดภัยและมีความรับผิดชอบมากขึ้นอย่างไร

ฉันระมัดระวังกับประเด็นนี้ เพราะความคิดที่ว่า «เพิ่มผู้หญิงให้มากขึ้น แล้ว AI จะปลอดภัยขึ้น» ก็เป็นอคติอีกรูปแบบหนึ่ง ประเด็นนี้กว้างกว่านั้น เอเจนต์ที่เรากำลังสร้างเรียนรู้จากสิ่งที่มนุษย์ทำมาแล้ว และจากวิธีที่เราสอนพวกมัน หากทุกคนที่มีส่วนกำหนดการสอนคิดเหมือนกัน ระบบก็จะซึมซับจุดบอดแบบเดียวกัน

ผู้นำที่มีความหลากหลายช่วยเพิ่มมุมมองในการตัดสินใจว่าเอเจนต์ควรให้ความสำคัญกับสิ่งใด รวมถึงความเห็นอกเห็นใจ ความเอาใจใส่ และผลกระทบของทางเลือกที่มีต่อผู้ที่ได้รับผลจากการตัดสินใจนั้น ความเสี่ยงของ AI หลายอย่างเป็นเรื่องทางเทคนิค ส่วนความเสี่ยงอื่น ๆ เกิดจากระบบที่ตัดสินใจโดยไม่สะท้อนค่านิยมหรือความต้องการของผู้ได้รับผลกระทบ การนำมุมมองที่แตกต่างกันมาประกอบการตัดสินใจช่วยให้เรามองเห็นจุดบอดก่อนที่จะกลายเป็นปัญหาในโลกจริง

สิ่งที่ฉันต้องการจากระบบเหล่านี้นั้นเรียบง่าย คือช่วยให้ผู้คนตัดสินใจได้ดีขึ้น และทำให้เรามีเวลาอยู่ร่วมกันในชีวิตจริงมากขึ้น การจะไปถึงจุดนั้นต้องอาศัยความสมดุลและมาตรการควบคุมที่รอบด้านจากหลากหลายมุมมอง ไม่มีกลุ่มใดกลุ่มหนึ่งแก้ปัญหานี้ได้เพียงลำพัง เราจึงต้องกระตุ้นและสนับสนุนให้ผู้หญิงเข้ามามีส่วนร่วม และช่วยผลักดันให้เกิดการเชื่อมโยงระหว่างเอเจนต์กับมนุษย์ ระหว่างเอเจนต์ด้วยกัน และระหว่างมนุษย์ด้วยกัน

เมื่อมองไปข้างหน้าในอีกสามถึงห้าปี คุณเห็นโอกาสสำคัญที่สุดของ Empiric Earth ในด้านใดบ้าง นอกเหนือจากการใช้งานที่มีอยู่แล้วในด้านความปลอดภัยบนท้องถนนและระบบอัจฉริยะสำหรับยานพาหนะ เมื่อรถยนต์ไร้คนขับ หุ่นยนต์ และเทคโนโลยีปัญญาประดิษฐ์เชิงกายภาพอื่น ๆ ผสานเข้ากับชีวิตประจำวันมากขึ้น คุณมองว่า Empiric Earth จะมีบทบาทอย่างไรในโครงสร้างพื้นฐานที่สนับสนุนการเปลี่ยนแปลงนี้

เราเริ่มต้นจากความปลอดภัยบนท้องถนนและการจัดการยานพาหนะ ซึ่งยังคงเป็นหัวใจสำคัญของธุรกิจเรา แต่โอกาสที่ใหญ่กว่านั้นคือการสนับสนุนปัญญาประดิษฐ์เชิงกายภาพด้วยการลดความเสี่ยง กำหนดมาตรฐานการตรวจสอบความถูกต้อง และท้ายที่สุดทำให้โลกจริงปลอดภัยยิ่งขึ้น

ความท้าทายพื้นฐานคล้ายคลึงกัน ไม่ว่าคุณจะกำลังสร้างรถยนต์ไร้คนขับ หุ่นยนต์ส่งของ หรือระบบอัจฉริยะสำหรับธุรกิจค้าปลีกที่ทำงานบนเครือข่ายโฆษณาและการค้าในโลกจริง เราจะทำความเข้าใจได้อย่างไรว่าเกิดอะไรขึ้นในโลกจริง? เราจะรู้ได้อย่างไรว่าระบบรับมือกับสถานการณ์ที่ไม่คาดคิดได้? และเราจะประเมินประสิทธิภาพพร้อมบริหารความเสี่ยงอย่างไร เมื่อระบบเหล่านั้นเริ่มนำไปใช้งานเชิงพาณิชย์?

ฉันมองว่า Empiric Earth จะกลายเป็นชั้นระบบอัจฉริยะสำคัญของระบบนิเวศปัญญาประดิษฐ์เชิงกายภาพ โดยให้บริการข้อมูลจากโลกจริง โมเดล แอปพลิเคชัน และบริการต่าง ๆ ที่ช่วยให้นักพัฒนา พันธมิตร และผู้ปฏิบัติงานตอบคำถามเหล่านั้นได้ ความเป็นกลาง การย้ายระบบได้ และการทำงานร่วมกันระหว่างระบบจะเป็นองค์ประกอบสำคัญของวิสัยทัศน์นี้ เราต้องการให้ขีดความสามารถของเราทำงานได้กับเทคโนโลยีและแพลตฟอร์มที่หลากหลาย เพื่อให้ลูกค้าเลือกใช้โซลูชันที่เหมาะกับตนเองมากที่สุด

เรามีรากฐานอันโดดเด่นด้านระบบอัจฉริยะสำหรับการขับขี่ในโลกจริง และตอนนี้เรามีโอกาสต่อยอดจากรากฐานนี้ด้วยขีดความสามารถใหม่ ๆ ความร่วมมือกับพันธมิตร และรูปแบบธุรกิจเชิงพาณิชย์

ปัญญาประดิษฐ์เชิงกายภาพจะไม่ขยายตัวเพียงเพราะบริษัทใดบริษัทหนึ่งสร้างหุ่นยนต์หรือโมเดลที่ดีที่สุด แต่จะขยายตัวได้เมื่อระบบนิเวศโดยรวมมีระบบอัจฉริยะ เครื่องมือ และมาตรการความปลอดภัยที่ทำให้สามารถนำระบบเหล่านั้นไปใช้งานในโลกจริงได้ นั่นคือบทบาทที่เราต้องการให้ Empiric Earth มีส่วนร่วม

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเพิ่มเติมเกี่ยวกับระบบอัจฉริยะจากโลกจริงและการตรวจสอบความถูกต้องอย่างเป็นอิสระสำหรับปัญญาประดิษฐ์เชิงกายภาพ สามารถเข้าไปที่ Empiric Earth