Jen Vescio，Empiric Earth 总裁——访谈系列

Jen Vescio担任 Empiric Earth 总裁，负责产品战略、企业发展和商业化。此前，她曾任 Uber 首席业务发展官，主导全球业务发展，并在移动出行和自动驾驶领域拓展新的合作伙伴关系。她还曾投资新兴科技公司并为其提供咨询，尤其致力于推动物理 AI 从研究走向商业部署。

Empiric Earth整合了 Nexar 和 Nauto，提供现实道路驾驶智能、安全模型和验证能力。公司将数十亿英里的驾驶历史数据与罕见事件记录相结合，帮助开发者、车队及其他组织了解性能和风险。在这次访谈中，Vescio 谈到了独立评估、负责任的数据治理、商业化，以及实现物理 AI 规模化所需的基础设施。

你的职业生涯十分丰富，涉足 Uber 的全球业务发展、新兴技术投资，以及为物理 AI 领域的公司提供咨询。你最初于四月加入 Empiric Earth 董事会，最近则开始担任总裁。是什么吸引你加入这家公司？最终又是什么让你决定承担更深入参与公司运营的领导职责？

作为一名物理 AI 领域的投资者和顾问，我不断看到同一个缺口。许多团队都在进行实验，但真正拥有现实世界数据、能够证明其系统在测试环境之外也能正常运行的团队寥寥无几。Empiric Earth 已经拥有这些数据。超过 100 亿英里的真实道路驾驶数据和 6000 万个边缘案例，是买不到、也伪造不出来的。

这让公司处于一个不同寻常的位置。我们不必与那些开发机器人、车辆或模型的公司竞争。我们可以提供它们所需的现实世界智能，帮助它们管理风险、验证性能并建立信任，从而更快地将产品推向市场。身为董事会成员时，我看到了打造一项根基性事业的机会，它将服务于整个物理 AI 生态系统。

促使我出任总裁的是 Zach 及其愿景。我们当年都在移动出行领域拓展合作伙伴关系，那时我在 Uber 工作，他在 Lyft 工作；从那时起我就认识他了。一个你长期信任的人带着棘手的问题和一项无人拥有的资产来找你，你自然会认真倾听。我们彼此互补：他思考的是这个领域及其发展方向，而我整个职业生涯都在致力于将新技术转化为可规模化发展的业务。如今，物理 AI 正从研究走向实际部署，我不想只坐在董事会会议室里旁观这一进程。

Empiric Earth 由 Nexar 和 Nauto 合并组建，汇集了两家公司在现实世界驾驶智能和 AI 安全领域的深厚专业经验。这一组合解锁了哪些独特能力？你认为合并后的公司将如何在快速发展的物理 AI 市场中脱颖而出？

Nexar 和 Nauto 均创立于 2015 年，合计花了二十多年，从两个不同角度研究同一个问题。两家公司携手后，我们既能了解道路上发生了什么，也能了解驾驶员如何应对，从而更全面地认识现实世界中的行为和风险。

对于更广泛的市场而言，这正是连接模拟环境与现实世界的桥梁。大多数团队都在模拟环境中开发和测试，但难点在于证明系统能否在现实条件下可靠运行。我们可以帮助合作伙伴发现系统尚未遇到过的场景、改进模型，并依据实际发生的情况验证性能。这有助于缩短开发周期、降低风险并加快商业化进程。

我们的独特之处在于，能够推动整个物理 AI 生态系统开展独立评估。客户开发的是车辆、机器人或自动驾驶系统，而这些并不是我们要开发的产品。我们提供现实世界智能，帮助他们了解性能、管理风险并建立信任。为此，我们必须坚持中立、可移植和互操作。随着我们将新的应用、模型和服务推向市场，我们希望客户能够在不同硬件和技术栈之间使用这些产品，而不受制于任何单一供应商。我们的目标是成为整个生态系统的“裁判”，而不是在其中选出赢家。

物理 AI 正成为人工智能下一个重要前沿领域之一，其应用涵盖自动驾驶汽车、机器人和智能基础设施。你认为，阻碍这些系统在难以预测的现实环境中可靠运行的最大障碍是什么？为什么获取现实世界数据对于克服这些障碍如此重要？

最大的障碍在于，物理世界从来没有被记录下来。语言模型之所以能迅速变得强大，是因为它们基于人们此前积累了数十年的文本进行训练。道路、仓库地面或人行道，却没有与之相当的数据。那里发生的大多数事情，例如险些发生的碰撞，或今天早上刚封闭的车道，根本不会被记录下来。

这会带来两个问题。首先，物理世界瞬息万变。系统必须了解当下的真实情况，而去年春天拍摄的照片无法告诉它一条道路今天早上发生了什么变化。昨天的情况也无法事后回头采集。其次，问题在于碎片化。没有哪家公司能独自掌握足够全面的现实世界信息，因此开发者只能使用不同的数据集、模型和技术栈分别开展实验。这使得研究成果更难比较，有效做法更难共享，也更难将有前景的研究转化为商业上可行的产品。

现实世界数据能帮助我们应对这两个问题。每天都有可能导致系统失效的罕见事件在某处发生，只有持续观察大量真实环境，才能发现这些事件。在我们的美国数据中，每发生一起碰撞，就有大约19起险些发生碰撞的事件，而这些事件几乎都不会出现在警方报告或保险理赔记录中。Zach 最近在一篇文章中说得很贴切：安全研究的对象，正是那些没有发生的事情。如果没人记录这些事情，就无从研究。

Empiric Earth 已积累超过100亿英里的驾驶历史数据和超过6000万个边缘案例，每个月还会采集数亿英里的新增行驶数据。如此庞大的数据集如何帮助人工智能开发者训练并验证更可靠的自主系统，尤其是在传统模拟难以复现的罕见或危险场景方面？

如今，大多数系统都能很好地应对常规驾驶。仍会让它们失灵的是那些极少发生的情况：车祸、行人从停放的汽车之间走出来、动物出现在道路上，或是上周还不存在的施工区域。这些情况太过罕见，测试车队难以收集到足够数量的有效样本；而模拟只能复现人们事先想到并纳入模型的情况。

Empiric Earth 的创立目标就是发现这类情况。我们不会处理网络采集到的每一英里行驶数据，而是保留其中一小部分由模型标记为异常或有风险的数据。正因如此，100亿英里的行驶数据才能转化为开发者真正用得上的6000万个边缘案例。

团队会通过三种方式利用这些记录。第一，搜索数据：研究施工区域的团队可以调取数千个真人驾驶者通过施工区域的真实案例，而不必只编写少量模拟场景。第二，寻找缺失的数据：如果某个系统在繁忙路口左转时表现不佳，我们可以让网络专门采集这类场景，并在其出现时收集新的案例。第三，将模拟结果与现实情况进行对照。当合作伙伴重建涉及行人和骑行者的真实碰撞及险些碰撞事件时，他们就能在发布系统之前，检验模拟环境的表现是否符合现实。

这正是这项工作的价值不止于数据本身的原因。模拟至关重要，但必须以现实世界中实际发生的情况为依据。让开发者能够获取这些证据，有助于他们更早发现不足、更快改进系统，并依据更充分的信息判断系统何时已做好部署准备。随着行业规模不断扩大，这也为更一致、独立的评估奠定了基础。

Empiric Earth 的一项核心原则，是不受其所评估的自主系统和汽车制造商影响。随着物理人工智能逐步走向大规模部署，独立验证为何愈发重要？行业又应采用哪些标准，才能为人工智能安全建立切实有效的基准？

随着物理人工智能从研究环境走向公共空间，信任的重要性与技术表现不相上下。

如今，行业内许多企业仍依靠开发者测试并报告自己系统的表现。在现阶段，这种做法可以理解；但随着越来越多的自主系统进入日常生活环境，客户、监管机构和公众将日益要求获得独立证据，以证明这些系统能够可靠运行。

我们在其他行业也见过类似的挑战。坐进汽车时，我们知道有一套成熟的框架，用于驾驶员许可、车辆检查和安全要求的制定。物理人工智能也需要自己的方法来证明系统已做好准备并具备相应性能。对于自动驾驶汽车，这种方法可以类似于驾驶执照：通过一项标准化测试，证明系统的表现达到或超过人类驾驶员的水平。

关键在于，如何建立能够反映真实世界状况的有效基准，而不是完全依赖受控测试或模拟。这些基准必须以真实世界数据为基础，涵盖罕见和危险的场景，并确保不同系统的表现能够以一致的方式接受评估。

Empiric Earth 可以在这方面发挥重要作用。我们认为，开发自主系统的公司不应是评估其性能的唯一一方。我们的职责是提供独立的现实世界情报、模型和验证能力，让其他各方能够评估性能、管理风险并建立信任。通过保持中立并确保互操作性，我们可以支持对不同技术和平台进行评估，而不是偏袒任何一种方案。

归根结底，建立标准需要开发者、研究人员、监管机构和其他利益相关方通力合作。我们希望帮助奠定基础，让独立评估成为可能，使信任建立在证据之上，而非仅仅依靠承诺。

随着日益复杂的人工智能系统与物理世界互动，各组织必须在获取全面真实世界数据的需求与隐私、安全和负责任的数据治理之间取得平衡。Empiric Earth 如何应对这些挑战？要建立公众对大规模物理人工智能基础设施的信任，哪些保障措施必不可少？

信任始于数据的收集、保护和使用方式。从一开始，隐私保护就融入了 Empiric Earth 的工作方法。我们专注于捕捉能够提供有意义情报的真实世界事件，而不是把每一刻的驾驶都视为同等有价值。去标识化和负责任的数据处理是这一过程的基础。

数据溯源同样重要。随着物理人工智能迈向商业化部署，开发者需要了解数据的来源、收集方式，以及哪些权利规定了数据的使用。缺少这一基础，就很难建立实现规模化所需的信心。

不同市场对隐私、同意和数据驻留也有不同要求。我们的平台会针对每个市场应用相应的国家级设置，因此无需重建系统也能遵守当地规定。在评估拓展的地区和方式时，我们必须将这些差异考虑在内。

更广泛的原则是透明。任何建设物理人工智能基础设施的人，都应能够说明自己收集哪些数据、如何保护这些数据，以及谁可以使用这些数据。负责任的数据实践并非成功经营企业之外的另一回事，而是实现广泛应用的必要条件之一。

你在 Uber 的经历包括将新兴技术和战略合作转化为可规模化发展的业务。在新职位上，你负责 Empiric Earth 的产品战略、企业发展和商业化。你在 Uber 任职期间学到的哪些经验最适用于推动物理人工智能规模化？你又如何判断何时应内部建设能力，何时应通过收购或合作来实现目标？

Uber 让我明白，正确的选择会随着时间而改变。我们当时认为必须掌握整个技术栈，因此自行打造了自动驾驶项目 ATG。后来，我们剥离了该项目，将其出售给 Aurora，并通过合作重新涉足自动驾驶。在做出决定的那个时点，这两种选择都有其道理。变化的是我们对速度、成本和风险的评估标准。

因此，无论是自建、收购还是合作，我们都会用同一组问题来评估：风险是什么？需要投入哪些资源和资金？这能让我们多快进入市场？与此同时，竞争对手在做什么？这是否符合战略？

与大多数公司不同，Empiric Earth 起步时已经拥有最难打造的部分，也就是数据。只有当这一基础能带来难以复制的优势时，我们才会着手建设相关能力。如果收购能够补充现有能力或加快战略推进，就有其价值。而合作往往能让我们最快触达客户、进入新市场并实现商业规模化。物理人工智能的范围太广，没有哪家公司能独自打造一切。因此，我们希望与能够增强整个生态系统的伙伴合作，并根据市场状况以及我们的竞争优势——也就是自身资产——来安排推进策略。

你也参与过开源人工智能生态系统的建设，包括与 OpenClaw 社区合作。你认为开源创新将如何推动物理人工智能的发展？提高透明度、加强协作，能否在满足这类系统所需的安全和治理标准的同时，加快其应用？

开源改变了人工智能在软件领域的发展速度。当更多人能够基于同一套工具进行开发时，研究周期就会缩短；好点子也会来自各个地方，而不只是最大的实验室。物理人工智能在这条发展曲线上还处于更早阶段。这个领域的许多工作仍停留在研究和演示阶段，而眼下的问题是，如何将这些成果转化为能够长期发展的业务。

我曾担任 OpenClaw Foundation 的合作负责人。该基金会成立的目的是支持 Peter Steinberger 对开源个人代理式人工智能的构想。就我所见，这是开源项目加速实际工作的最佳范例之一，因为人们可以获取它，在自己的系统上运行，并让它服务于自己的实际工作。

我认为，物理人工智能应当认真借鉴这一经验。开放工具让更多团队无需从零开始，就能进行开发和试验。让数据留在客户自己的环境中，而不是要求客户把数据发送到别处，可以消除企业犹豫不决的一个主要原因。车队、城市或制造商都可以在自己的数据上部署人工智能，并自行掌控相关操作，从而更快看到成效。

这两种理念相结合，才能推动这个行业从研究和演示走向人们愿意付费购买的产品。开放本身并不能保证系统安全，因此仍然需要切实的测试、明确的治理机制和问责制度。但如果生态系统保持开放，数据也留在数据所属者手中，就会有更多系统投入实际使用，而这正是经验不断积累、发挥复合效应的地方。

在 Empiric Earth，我们关注开放工具和留存在客户环境中的数据如何助力整个物理 AI 生态系统发展，同时保护那些让我们的工作具有价值的真实世界数据。我们不认为推动生态系统发展与打造可持续业务必然相互冲突。

你曾谈到让更多女性进入 AI 领导层的重要性，尤其是随着行业开始制定安全标准和治理框架，这些标准和框架将影响智能机器在社会中的运行方式。你认为，领导层更加多元化，会如何影响更安全、更负责任的 AI 系统的开发？

对此我会谨慎看待，因为“多一些女性，AI 就会更安全”本身也是一种偏见。问题的意义更广。我们正在打造的智能体，会从人类已有的行为以及我们教导它们的方式中学习。如果参与塑造教学方式的人都想法相同，系统也会习得同样的盲点。

多元化的领导层能让人们从更多角度讨论智能体应当重视什么，包括同理心、关怀，以及某个选择会给另一端的人带来怎样的感受。AI 风险中有相当一部分属于技术层面。另一些风险则来自系统作出的决策未能体现受影响人群的价值观或需求。让不同视角参与这些决策，有助于我们在盲点演变为现实问题之前将其识别出来。

我对这些系统的期望很简单：它们应帮助人们作出更好的决策，也让我们在现实生活中有更多时间彼此相处。要实现这一点，需要兼顾多方视角，并建立切实有效的控制措施。没有任何一个群体能独自解决问题；我们需要激励和鼓励女性参与其中，推动智能体与人、智能体彼此之间以及人与人之间建立联系。

展望未来三到五年，除了现有的道路安全和车队智能应用，您认为 Empiric Earth 还面临哪些重大机遇？随着自动驾驶汽车、机器人以及其他物理 AI 技术日益融入日常生活，您设想 Empiric Earth 将在支持这一转变的基础设施中发挥什么作用？

道路安全和车队业务是我们的起点，至今仍是业务核心。但更大的机遇在于通过降低风险、提供验证标准，最终让现实世界更加安全，从而支持物理 AI 的发展。

无论是打造自动驾驶汽车、配送机器人，还是运营真实世界广告和商业网络的零售智能系统，面临的根本挑战都相似：如何了解现实世界正在发生什么？如何判断系统能否应对意外情况？随着这些系统进入商业部署，又该如何评估其性能并管理风险？

我认为，Empiric Earth 将成为物理 AI 生态系统中重要的智能层，提供真实世界的数据、模型、应用和服务，帮助开发者、合作伙伴和运营方解答这些问题。中立性、可移植性和互操作性对实现这一愿景至关重要。我们希望自己的能力能够适用于不同的技术和平台，让客户可以采用最适合自身需求的解决方案。

我们在真实世界驾驶智能领域打下了非凡的基础；如今，我们有机会通过拓展新能力、建立合作伙伴关系和探索商业模式，在此基础上继续发展。

物理 AI 不会仅仅因为某家公司造出了最好的机器人或开发出了最好的模型就实现规模化。只有当更广泛的生态系统具备相应的智能、工具和安全措施，能够让这些系统在现实世界中投入使用时，物理 AI 才能实现规模化。这正是我们希望 Empiric Earth 发挥的作用。

感谢您带来这场精彩的访谈。希望进一步了解物理 AI 领域真实世界智能和独立验证的读者，请访问 Empiric Earth。