Jen Vescio, Chủ tịch Empiric Earth – Loạt bài phỏng vấn

Jen Vescio là Chủ tịch Empiric Earth, phụ trách chiến lược sản phẩm, phát triển doanh nghiệp và thương mại hóa. Trước đây, bà từng giữ chức Giám đốc Phát triển Kinh doanh tại Uber, nơi bà dẫn dắt hoạt động phát triển kinh doanh trên toàn cầu và xây dựng các quan hệ đối tác mới trong lĩnh vực di chuyển và tự hành. Kinh nghiệm của bà còn bao gồm đầu tư vào và cố vấn cho các công ty công nghệ mới nổi, tập trung vào việc đưa AI vật lý từ nghiên cứu đến triển khai thương mại.

Empiric Earth kết hợp Nexar và Nauto để cung cấp thông tin chuyên sâu về hoạt động lái xe trong thực tế, các mô hình an toàn và năng lực kiểm định. Công ty kết hợp dữ liệu lịch sử từ hàng tỷ dặm lái xe với hồ sơ về các sự kiện hiếm gặp, giúp nhà phát triển, đội xe và các tổ chức khác hiểu rõ hiệu suất và rủi ro. Trong cuộc phỏng vấn này, Vescio trao đổi về đánh giá độc lập, quản trị dữ liệu có trách nhiệm, thương mại hóa và cơ sở hạ tầng cần thiết để mở rộng AI vật lý.

Bà đã có một sự nghiệp lâu dài, trải rộng từ phát triển kinh doanh toàn cầu tại Uber đến đầu tư vào các công nghệ mới nổi và cố vấn cho các công ty trong lĩnh vực AI vật lý. Ban đầu, bà gia nhập hội đồng quản trị Empiric Earth vào tháng 4, trước khi gần đây đảm nhận vai trò Chủ tịch. Điều gì đã thu hút bà đến với công ty, và cuối cùng điều gì khiến bà quyết định đảm nhận vị trí lãnh đạo trực tiếp hơn?

Với vai trò nhà đầu tư và cố vấn trong lĩnh vực AI vật lý, tôi liên tục nhận thấy cùng một khoảng trống. Nhiều nhóm đang tiến hành thử nghiệm, nhưng rất ít nhóm có dữ liệu thực tế để chứng minh hệ thống của họ hoạt động hiệu quả bên ngoài môi trường thử nghiệm. Empiric Earth đã có sẵn dữ liệu đó. Hơn 10 tỷ dặm lái xe thực tế và 60 triệu tình huống biên là những thứ không thể mua được cũng không thể làm giả.

Điều đó đặt công ty vào một vị thế khác thường. Chúng tôi không cần cạnh tranh với các công ty chế tạo robot, phương tiện hay mô hình. Chúng tôi có thể giúp tất cả họ đưa sản phẩm ra thị trường nhanh hơn bằng cách cung cấp thông tin chuyên sâu từ thực tế để họ quản lý rủi ro, kiểm định hiệu suất và xây dựng niềm tin. Từ vị trí trong hội đồng quản trị, tôi nhận thấy cơ hội xây dựng một nền tảng thiết yếu cho toàn bộ hệ sinh thái AI vật lý.

Điều khiến tôi đảm nhận vai trò Chủ tịch là Zach và tầm nhìn của anh ấy. Tôi đã quen anh từ khi cả hai còn xây dựng các quan hệ đối tác trong lĩnh vực di chuyển: tôi ở Uber, còn anh ở Lyft. Khi một người mà bạn đã tin tưởng suốt thời gian dài mang đến cho bạn một vấn đề khó giải quyết cùng một tài sản mà không ai khác có được, bạn sẽ lắng nghe. Chúng tôi bổ trợ cho nhau. Anh ấy suy nghĩ về lĩnh vực này và hướng phát triển của nó. Tôi đã dành cả sự nghiệp để biến công nghệ mới thành những doanh nghiệp có thể mở rộng quy mô. AI vật lý hiện đang rời khỏi phòng nghiên cứu để bước vào triển khai thực tế, và tôi không muốn chỉ đứng ngoài quan sát trong các cuộc họp hội đồng quản trị.

Empiric Earth được thành lập thông qua thương vụ sáp nhập Nexar và Nauto, kết hợp hai công ty có chuyên môn sâu về thông tin chuyên sâu từ hoạt động lái xe thực tế và an toàn ứng dụng AI. Sự kết hợp này mở ra những năng lực đặc biệt nào, và bà hình dung công ty hợp nhất sẽ tạo khác biệt ra sao trên thị trường AI vật lý đang thay đổi nhanh chóng?

Nexar và Nauto đều được thành lập vào năm 2015, và tổng cộng đã dành hơn hai thập kỷ đo lường cùng một vấn đề từ hai góc độ khác nhau. Khi kết hợp lại, chúng tôi có thể hiểu những gì đang diễn ra trên đường và cách người lái xe phản ứng, qua đó có được bức tranh đầy đủ hơn nhiều về hành vi và rủi ro trong thực tế.

Đối với toàn thị trường, đây chính là cầu nối giữa mô phỏng và thế giới thực. Hầu hết các nhóm đều xây dựng và thử nghiệm trong môi trường mô phỏng, nhưng phần khó là chứng minh hệ thống có thể hoạt động đáng tin cậy trong điều kiện thực tế. Chúng tôi có thể giúp các đối tác phát hiện những tình huống mà hệ thống của họ chưa từng gặp, cải thiện mô hình và kiểm định hiệu suất dựa trên những gì thực sự xảy ra. Điều đó có thể rút ngắn chu kỳ phát triển, giảm rủi ro và đẩy nhanh quá trình thương mại hóa.

Điểm khác biệt của chúng tôi là khả năng hỗ trợ đánh giá độc lập trên toàn hệ sinh thái AI vật lý. Chúng tôi không chế tạo các phương tiện, robot hay hệ thống tự hành mà khách hàng đang phát triển. Chúng tôi cung cấp thông tin chuyên sâu từ thực tế để giúp họ hiểu hiệu suất, quản lý rủi ro và xây dựng niềm tin. Điều đó đòi hỏi cam kết về tính trung lập, khả năng chuyển đổi và khả năng tương tác. Khi đưa các ứng dụng, mô hình và dịch vụ mới ra thị trường, chúng tôi muốn khách hàng có thể sử dụng chúng trên nhiều loại phần cứng và nền tảng công nghệ khác nhau, mà không bị phụ thuộc vào bất kỳ nhà cung cấp đơn lẻ nào. Mục tiêu của chúng tôi là làm “trọng tài” cho toàn bộ hệ sinh thái, chứ không chọn bên thắng cuộc trong đó.

AI vật lý đang nổi lên như một trong những lĩnh vực tiên phong lớn tiếp theo của trí tuệ nhân tạo, với các ứng dụng trải rộng từ xe tự hành, robot đến cơ sở hạ tầng thông minh. Theo bà, những trở ngại lớn nhất khiến các hệ thống này chưa thể hoạt động đáng tin cậy trong môi trường thực tế khó lường là gì, và vì sao việc tiếp cận dữ liệu thực tế lại đóng vai trò thiết yếu trong việc khắc phục những trở ngại đó?

Trở ngại lớn nhất là thế giới vật chất chưa bao giờ được ghi chép lại. Các mô hình ngôn ngữ nhanh chóng trở nên giỏi hơn nhờ được huấn luyện trên hàng chục năm văn bản do con người tạo ra. Đường sá, sàn nhà kho hay vỉa hè không có nguồn dữ liệu tương đương. Phần lớn những gì xảy ra ở đó, chẳng hạn như một vụ suýt va chạm hay một làn đường bị đóng vào sáng nay, hoàn toàn không được ghi lại.

Điều đó tạo ra hai vấn đề. Thứ nhất, thế giới vật chất luôn thay đổi. Một hệ thống phải biết điều gì là đúng ở thời điểm hiện tại, còn một bức ảnh chụp vào mùa xuân năm ngoái không thể cho hệ thống biết con đường đã thay đổi như thế nào vào sáng nay. Bạn cũng không thể quay lại để thu thập dữ liệu của ngày hôm qua. Vấn đề thứ hai là sự phân mảnh. Không công ty nào có thể tự mình quan sát đủ rộng về thế giới, vì vậy các nhà phát triển đang tiến hành những thử nghiệm riêng biệt với các bộ dữ liệu, mô hình và nền tảng công nghệ khác nhau. Điều đó khiến việc so sánh kết quả, chia sẻ những gì hiệu quả và biến các nghiên cứu đầy hứa hẹn thành sản phẩm có khả năng thương mại hóa trở nên khó khăn hơn.

Dữ liệu thực tế giúp giải quyết cả hai vấn đề. Những sự kiện hiếm gặp khiến hệ thống gặp sự cố xảy ra đâu đó mỗi ngày; chỉ có thể phát hiện ra chúng bằng cách liên tục quan sát nhiều điều kiện thực tế khác nhau. Trong dữ liệu của chúng tôi tại Mỹ, cứ mỗi vụ va chạm thì có khoảng 19 tình huống suýt va chạm, và hầu như không tình huống nào được ghi nhận trong báo cáo của cảnh sát hay hồ sơ yêu cầu bồi thường bảo hiểm. Zach đã diễn đạt rất chính xác trong một bài luận gần đây: an toàn là nghiên cứu về những điều đã không xảy ra. Nếu không ai ghi nhận chúng, bạn không thể nghiên cứu chúng.

Empiric Earth đã tích lũy hơn 10 tỷ dặm dữ liệu lịch sử lái xe và hơn 60 triệu trường hợp biên, đồng thời ghi nhận thêm hàng trăm triệu dặm mỗi tháng. Bộ dữ liệu khổng lồ này có thể giúp các nhà phát triển AI huấn luyện và xác thực những hệ thống tự hành đáng tin cậy hơn như thế nào, nhất là với các tình huống hiếm gặp hoặc nguy hiểm mà những phương pháp mô phỏng truyền thống khó tái hiện?

Hiện nay, hầu hết các hệ thống xử lý tốt những tình huống lái xe thông thường. Điều vẫn khiến chúng gặp sự cố là những tình huống hiếm gặp ở phần đuôi của phân bố: một vụ va chạm, người đi bộ bất ngờ bước ra giữa những chiếc ô tô đang đỗ, động vật trên đường hoặc một khu vực thi công chưa xuất hiện vào tuần trước. Những tình huống ấy quá hiếm để đội xe thử nghiệm có thể ghi nhận đủ số lượng hữu ích, còn mô phỏng chỉ có thể tái hiện những gì người ta đã nghĩ đến để đưa vào mô hình.

Empiric Earth được xây dựng để tìm ra những tình huống đó. Chúng tôi không xử lý từng dặm đường mà mạng lưới của mình đi qua. Chúng tôi chỉ giữ lại phần nhỏ mà các mô hình đánh dấu là bất thường hoặc có rủi ro; nhờ vậy, 10 tỷ dặm dữ liệu trở thành 60 triệu trường hợp biên mà các nhà phát triển thực sự có thể sử dụng.

Các nhóm sử dụng kho dữ liệu đó theo ba cách. Họ tìm kiếm trong đó: một nhóm nghiên cứu các khu vực thi công có thể tìm được hàng nghìn ví dụ thực tế về cách người lái xe vượt qua những khu vực này, thay vì chỉ viết kịch bản cho một vài ví dụ. Họ yêu cầu thu thập những gì còn thiếu: nếu một hệ thống gặp khó khăn khi rẽ trái tại các giao lộ đông đúc, chúng tôi có thể hướng mạng lưới tập trung chính xác vào tình huống đó và thu thập ví dụ mới ngay khi chúng xảy ra. Ngoài ra, họ còn đối chiếu mô phỏng với thực tế. Khi một đối tác tái dựng các vụ va chạm và tình huống suýt va chạm thực tế có liên quan đến người đi bộ và người đi xe đạp, họ có thể kiểm tra xem thế giới mô phỏng có hoạt động giống thế giới thực hay không trước khi đưa sản phẩm ra thị trường.

Đó là điều khiến dữ liệu này có giá trị vượt xa bản thân dữ liệu. Mô phỏng là thiết yếu, nhưng cần dựa trên những gì thực sự diễn ra trong thế giới thực. Cho phép các nhà phát triển tiếp cận những bằng chứng đó giúp họ phát hiện thiếu sót sớm hơn, cải thiện hệ thống nhanh hơn và đưa ra quyết định sáng suốt hơn về thời điểm hệ thống sẵn sàng triển khai. Điều này cũng tạo nền tảng cho việc đánh giá nhất quán và độc lập hơn khi ngành phát triển trên quy mô lớn.

Một trong những nguyên tắc cốt lõi của Empiric Earth là độc lập với các nhà sản xuất hệ thống tự hành và phương tiện mà công ty đánh giá. Vì sao việc xác minh độc lập ngày càng quan trọng khi AI vật lý tiến tới triển khai rộng rãi, và ngành nên áp dụng những tiêu chuẩn nào để thiết lập các chuẩn mực có ý nghĩa về an toàn AI?

Khi AI vật lý chuyển từ môi trường nghiên cứu sang không gian công cộng, niềm tin cũng quan trọng như hiệu suất kỹ thuật.

Hiện nay, phần lớn ngành dựa vào các nhà phát triển để tự kiểm thử và báo cáo về hiệu suất của hệ thống mình. Ở giai đoạn này, điều đó cũng dễ hiểu; nhưng khi ngày càng có nhiều hệ thống tự hành đi vào môi trường thường nhật, khách hàng, cơ quan quản lý và công chúng sẽ ngày càng cần bằng chứng độc lập cho thấy các hệ thống ấy hoạt động đáng tin cậy.

Chúng ta đã chứng kiến những hình thức tương tự của thách thức này ở các ngành khác. Khi lái xe, bạn có thể dựa vào một khuôn khổ đã được thiết lập để cấp giấy phép cho người lái, kiểm định phương tiện và xác định các yêu cầu về an toàn. AI vật lý sẽ cần những cách thức riêng để chứng minh mức độ sẵn sàng và hiệu suất. Với xe tự hành, điều đó có thể giống như giấy phép lái xe: một bài kiểm tra tiêu chuẩn chứng minh rằng hệ thống hoạt động ngang bằng hoặc tốt hơn người lái xe.

Vấn đề là làm thế nào thiết lập các chuẩn mực có ý nghĩa, phản ánh điều kiện thực tế thay vì chỉ dựa vào các thử nghiệm có kiểm soát hoặc mô phỏng. Những chuẩn mực đó cần dựa trên dữ liệu thực tế, tính đến các tình huống hiếm gặp và nguy hiểm, đồng thời cho phép đánh giá hiệu suất nhất quán giữa các hệ thống khác nhau.

Đó là lúc Empiric Earth có thể đóng vai trò quan trọng. Chúng tôi không cho rằng chỉ các công ty phát triển hệ thống tự hành mới nên đánh giá hiệu suất của chúng. Vai trò của chúng tôi là cung cấp dữ liệu và phân tích tình hình thực tế độc lập, các mô hình và năng lực xác thực để những bên khác có thể đánh giá hiệu suất, quản lý rủi ro và xây dựng niềm tin. Bằng cách duy trì tính trung lập và khả năng tương tác, chúng tôi có thể hỗ trợ đánh giá trên nhiều công nghệ và nền tảng khác nhau, thay vì ưu tiên một phương pháp cụ thể.

Cuối cùng, việc thiết lập các tiêu chuẩn sẽ đòi hỏi sự hợp tác giữa các nhà phát triển, nhà nghiên cứu, cơ quan quản lý và các bên liên quan khác. Chúng tôi muốn góp phần xây dựng nền tảng giúp việc đánh giá độc lập trở nên khả thi, để niềm tin dựa trên bằng chứng chứ không phải những lời khẳng định.

Khi các hệ thống AI ngày càng tinh vi tương tác với thế giới vật lý, các tổ chức phải cân bằng nhu cầu về dữ liệu thực tế toàn diện với quyền riêng tư, bảo mật và quản trị dữ liệu có trách nhiệm. Empiric Earth tiếp cận những thách thức này như thế nào, và cần có những biện pháp bảo vệ thiết yếu nào để xây dựng lòng tin của công chúng vào cơ sở hạ tầng AI vật lý quy mô lớn?

Lòng tin bắt đầu từ cách dữ liệu được thu thập, bảo vệ và sử dụng. Tại Empiric Earth, quyền riêng tư được tính đến ngay từ đầu trong cách tiếp cận của chúng tôi. Chúng tôi tập trung ghi nhận những sự kiện trong thế giới thực mang lại thông tin hữu ích, thay vì coi mọi khoảnh khắc khi lái xe đều có giá trị như nhau. Khử định danh và xử lý dữ liệu có trách nhiệm là những yếu tố nền tảng của quy trình đó.

Nguồn gốc dữ liệu cũng quan trọng không kém. Khi AI vật lý tiến tới triển khai thương mại, các nhà phát triển cần biết dữ liệu của họ đến từ đâu, được thu thập như thế nào và những quyền nào chi phối việc sử dụng dữ liệu. Nếu thiếu nền tảng đó, sẽ khó tạo dựng được niềm tin cần thiết để mở rộng quy mô.

Các thị trường khác nhau cũng có những yêu cầu riêng về quyền riêng tư, sự đồng ý và nơi lưu trữ dữ liệu. Nền tảng của chúng tôi áp dụng các cài đặt riêng theo từng quốc gia, nhờ đó có thể đáp ứng quy định địa phương mà không cần xây dựng lại hệ thống. Chúng tôi phải tính đến những khác biệt này khi đánh giá nên mở rộng ở đâu và bằng cách nào.

Nguyên tắc bao quát hơn là tính minh bạch. Bất kỳ ai xây dựng cơ sở hạ tầng cho AI vật lý đều cần có khả năng giải thích họ thu thập dữ liệu gì, bảo vệ dữ liệu ra sao và ai có thể sử dụng dữ liệu đó. Các hoạt động xử lý dữ liệu có trách nhiệm không tách rời việc xây dựng một doanh nghiệp thành công. Đó là một phần giúp việc ứng dụng rộng rãi trở nên khả thi.

Kinh nghiệm của bạn tại Uber bao gồm việc biến các công nghệ mới nổi và quan hệ đối tác chiến lược thành những doanh nghiệp có khả năng mở rộng. Trong vai trò mới, bạn chịu trách nhiệm về chiến lược sản phẩm, phát triển doanh nghiệp và thương mại hóa tại Empiric Earth. Những bài học nào từ thời gian làm việc tại Uber hữu ích nhất cho việc mở rộng AI vật lý, và bạn quyết định khi nào nên tự phát triển năng lực nội bộ thay vì theo đuổi các thương vụ mua lại hoặc quan hệ đối tác như thế nào?

Uber dạy tôi rằng câu trả lời đúng có thể thay đổi. Chúng tôi tự xây dựng chương trình xe tự hành của mình, ATG, vì tin rằng phải sở hữu toàn bộ nền tảng công nghệ. Sau đó, chúng tôi thoái vốn khỏi chương trình này, chuyển giao cho Aurora và quay lại lĩnh vực xe tự hành thông qua các quan hệ đối tác. Cả hai quyết định đều hợp lý vào đúng thời điểm được đưa ra. Điều thay đổi là các tiêu chí của chúng tôi về tốc độ, chi phí và rủi ro.

Vì vậy, mọi quyết định tự phát triển, mua lại hay hợp tác đều được cân nhắc bằng cùng một loạt câu hỏi. Rủi ro là gì? Cần bao nhiêu nguồn lực và vốn? Việc đó giúp chúng ta ra thị trường nhanh đến mức nào, và trong lúc đó đối thủ đang làm gì? Việc đó có phù hợp với chiến lược không?

Empiric Earth khởi đầu từ một vị thế khác với hầu hết các công ty, bởi chúng tôi đã có sẵn phần khó xây dựng nhất: dữ liệu. Chúng tôi tự phát triển những gì mà nền tảng đó mang lại cho mình lợi thế khó sao chép. Các thương vụ mua lại hợp lý khi bổ sung những năng lực có tính bổ trợ hoặc đẩy nhanh chiến lược của chúng tôi. Quan hệ đối tác thường có thể là con đường nhanh nhất để tiếp cận khách hàng, thị trường mới và đạt quy mô thương mại. Phạm vi của AI vật lý quá rộng để một công ty có thể tự xây dựng mọi thứ, vì vậy chúng tôi muốn hợp tác với những đối tác có thể góp phần củng cố toàn bộ hệ sinh thái và sắp xếp lộ trình dựa trên cả điều kiện thị trường lẫn sự phù hợp với lợi thế cạnh tranh của chúng tôi — chính là các tài sản của mình.

Bạn cũng từng tham gia vào hệ sinh thái AI mã nguồn mở, trong đó có hoạt động cùng cộng đồng OpenClaw. Theo bạn, đổi mới mã nguồn mở đóng góp như thế nào vào sự phát triển của AI vật lý, và liệu tính minh bạch cùng sự hợp tác cao hơn có thể giúp thúc đẩy việc ứng dụng công nghệ này mà vẫn duy trì các tiêu chuẩn an toàn và quản trị mà những hệ thống này đòi hỏi không?

Mã nguồn mở đã làm thay đổi tốc độ phát triển của AI trong lĩnh vực phần mềm. Khi nhiều người hơn có thể cùng phát triển dựa trên những công cụ giống nhau, các chu kỳ nghiên cứu được rút ngắn và ý tưởng hay có thể đến từ bất cứ đâu, chứ không chỉ từ những phòng thí nghiệm lớn nhất. AI vật lý vẫn đang ở giai đoạn đầu của quá trình đó. Phần lớn lĩnh vực này vẫn tập trung vào nghiên cứu và các bản trình diễn, và câu hỏi hiện nay là làm thế nào để biến những thành quả ấy thành các doanh nghiệp phát triển bền vững.

Tôi từng phụ trách quan hệ đối tác tại OpenClaw Foundation, tổ chức được thành lập nhằm hỗ trợ tầm nhìn của Peter Steinberger về AI tác nhân cá nhân mã nguồn mở. Đây là một trong những ví dụ rõ ràng nhất mà tôi từng thấy về cách một dự án mở có thể đẩy nhanh công việc thực tế, bởi mọi người có thể tải dự án về, chạy trên hệ thống của riêng mình và điều chỉnh để phục vụ công việc họ thực sự làm.

Đó là bài học mà tôi nghĩ lĩnh vực AI vật lý cần nghiêm túc lưu tâm. Các công cụ mở cho phép nhiều nhóm hơn xây dựng và thử nghiệm mà không phải bắt đầu từ con số không. Việc giữ dữ liệu trong chính môi trường của khách hàng, thay vì yêu cầu họ gửi dữ liệu đi nơi khác, xóa bỏ một trong những lý do lớn nhất khiến các công ty ngần ngại. Một đội xe, một thành phố hay một nhà sản xuất có thể ứng dụng AI trên dữ liệu của chính mình, với các biện pháp kiểm soát do mình đặt ra, và nhanh chóng nhận thấy giá trị.

Kết hợp lại, hai ý tưởng đó là cách đưa ngành này từ nghiên cứu và các bản trình diễn đến những sản phẩm mà mọi người sẵn sàng trả tiền để sử dụng. Chỉ riêng tính mở không thể bảo đảm một hệ thống an toàn, vì vậy hệ thống vẫn cần được kiểm thử thực tế, có cơ chế quản trị rõ ràng và trách nhiệm giải trình. Tuy nhiên, một hệ sinh thái mở, nơi dữ liệu vẫn thuộc về những người sở hữu dữ liệu, sẽ đưa nhiều hệ thống hơn vào sử dụng thực tế; chính ở đó, quá trình học hỏi sẽ được tích lũy và nhân lên.

Tại Empiric Earth, chúng tôi quan tâm đến cách các công cụ mở và dữ liệu được lưu lại trong môi trường của khách hàng có thể giúp toàn bộ hệ sinh thái AI vật lý phát triển, đồng thời bảo vệ dữ liệu thực tế vốn tạo nên giá trị cho công việc của chúng tôi. Chúng tôi không cho rằng thúc đẩy hệ sinh thái phát triển và xây dựng một doanh nghiệp bền vững là hai mục tiêu cạnh tranh với nhau.

Bạn từng nói về tầm quan trọng của việc đưa thêm phụ nữ vào các vị trí lãnh đạo trong lĩnh vực AI, đặc biệt khi ngành này bắt đầu thiết lập các tiêu chuẩn an toàn và khuôn khổ quản trị định hình cách máy móc thông minh vận hành trong xã hội. Theo bạn, sự đa dạng lớn hơn trong đội ngũ lãnh đạo có thể ảnh hưởng thế nào đến quá trình phát triển các hệ thống AI an toàn và có trách nhiệm hơn?

Tôi thận trọng khi bàn về vấn đề này, bởi quan niệm “có thêm phụ nữ thì AI sẽ an toàn hơn” cũng là một dạng thiên kiến. Vấn đề rộng hơn thế. Các tác nhân mà chúng ta đang xây dựng học từ những gì con người đã làm và từ cách chúng ta dạy chúng. Nếu tất cả những người định hình cách dạy đó đều suy nghĩ giống nhau, các hệ thống sẽ tiếp nhận những điểm mù giống nhau.

Lãnh đạo đa dạng giúp đưa thêm nhiều góc nhìn vào các quyết định về những giá trị mà một tác nhân nên coi trọng, trong đó có sự đồng cảm, lòng quan tâm và cách một lựa chọn tác động đến người ở đầu bên kia. Nhiều rủi ro của AI mang tính kỹ thuật. Những rủi ro khác nảy sinh khi các hệ thống đưa ra quyết định không phản ánh giá trị hoặc nhu cầu của những người chịu ảnh hưởng. Đưa các góc nhìn khác nhau vào những quyết định đó giúp chúng ta nhận ra các điểm mù trước khi chúng trở thành vấn đề trong thực tế.

Điều tôi mong muốn ở những hệ thống này rất đơn giản: chúng nên giúp mọi người đưa ra quyết định tốt hơn và dành nhiều thời gian hơn cho nhau ngoài đời thực. Để đạt được điều đó, cần có sự cân bằng và những biện pháp kiểm soát thực chất, dựa trên nhiều góc nhìn. Không một nhóm nào có thể tự mình giải quyết vấn đề, và chúng ta cần khuyến khích, động viên phụ nữ tham gia cũng như góp phần thúc đẩy kết nối giữa tác nhân với con người, giữa tác nhân với tác nhân và giữa người với người.

Nhìn về ba đến năm năm tới, bạn thấy đâu là những cơ hội lớn nhất dành cho Empiric Earth, ngoài các ứng dụng hiện có trong lĩnh vực an toàn giao thông và trí tuệ đội xe? Khi xe tự hành, robot và các công nghệ AI vật lý khác ngày càng hòa nhập vào đời sống thường nhật, bạn hình dung Empiric Earth sẽ giữ vai trò gì trong cơ sở hạ tầng hỗ trợ quá trình chuyển đổi này?

An toàn giao thông và đội xe là những lĩnh vực chúng tôi bắt đầu với và vẫn là trọng tâm của doanh nghiệp. Nhưng cơ hội lớn hơn là hỗ trợ AI vật lý bằng cách giảm thiểu rủi ro, cung cấp một tiêu chuẩn thẩm định và cuối cùng là giúp thế giới thực an toàn hơn.

Những thách thức căn bản đều tương tự, dù bạn đang xây dựng xe tự hành, robot giao hàng hay hệ thống trí tuệ bán lẻ vận hành mạng lưới quảng cáo và thương mại trong thế giới thực. Làm thế nào để hiểu được điều gì đang diễn ra trong thế giới thực? Làm sao biết một hệ thống có thể xử lý những tình huống bất ngờ hay không? Và làm thế nào để đánh giá hiệu suất cũng như quản lý rủi ro khi các hệ thống đó được triển khai thương mại?

Tôi hình dung Empiric Earth sẽ trở thành một lớp trí tuệ quan trọng trong hệ sinh thái AI vật lý, cung cấp dữ liệu, mô hình, ứng dụng và dịch vụ từ thế giới thực, giúp các nhà phát triển, đối tác và đơn vị vận hành giải đáp những câu hỏi đó. Tính trung lập, khả năng chuyển đổi và khả năng tương tác sẽ đóng vai trò quan trọng trong tầm nhìn này. Chúng tôi muốn các năng lực của mình hoạt động trên nhiều công nghệ và nền tảng khác nhau, để khách hàng có thể áp dụng những giải pháp phù hợp nhất với nhu cầu của họ.

Chúng tôi có nền tảng xuất sắc về trí tuệ giao thông từ thế giới thực, và giờ đây có cơ hội phát triển nền tảng đó thông qua các năng lực mới, quan hệ đối tác và mô hình thương mại.

AI vật lý sẽ không thể mở rộng quy mô chỉ vì một công ty tạo ra robot tốt nhất hay mô hình tốt nhất. Lĩnh vực này sẽ phát triển khi toàn bộ hệ sinh thái có đủ trí tuệ, công cụ và biện pháp an toàn để đưa các hệ thống đó vào sử dụng trong thế giới thực. Đó là vai trò mà chúng tôi muốn Empiric Earth đảm nhận.

Cảm ơn bạn về cuộc phỏng vấn tuyệt vời này. Độc giả muốn tìm hiểu về trí tuệ từ thế giới thực và hoạt động thẩm định độc lập cho AI vật lý có thể truy cập Empiric Earth.