اگر یک درس از ماجرای OpenAI و Hugging Face گرفته باشیم، این است که عامل‌های هوش مصنوعی می‌توانند غیرقابل‌پیش‌بینی باشند.

هاوی سان، مدیرعامل و هم‌بنیان‌گذار Laplace Intelligence، به TechCrunch گفت: «تصور کنید چنین اتفاقی در دنیای فیزیکی رخ می‌داد. عامل‌های هوش مصنوعی از رایانه‌ها به دنیای واقعی راه پیدا می‌کنند و واقعاً نمی‌خواهیم هوش مصنوعی فیزیکی در دنیای واقعی از کار بیفتد.»

شرکت Laplace که در آن آربرِ ایالت میشیگان مستقر است، در حال ساخت سامانه‌ای برای red-teaming خودکار در حوزه رباتیک و هوش مصنوعی فیزیکی است؛ به‌عبارتی، سامانه‌ای برای آزمودن فشار و استحکام یک سیستم از طریق تلاش عمدی برای ازکارانداختن آن. این شرکت بر این باور است که تنها راه اطمینان از ایمنی هوش مصنوعی فیزیکی، آزمودن آن با هوش مصنوعی است.

سان گفت: «هدف ما کمک به شرکت‌ها برای شناسایی و رفع مشکلات پیش از استقرار است و در گذر زمان، می‌خواهیم بنیانی مشترک از شواهد فراهم کنیم که مشتریان، شرکت‌های بیمه و نهادهای ناظر بتوانند به آن اعتماد کنند.»

Laplace یکی از ۲۰ استارتاپی است که در رقابت سه‌روزه ارائه طرح‌های Startup Battlefield در رویداد TechCrunch Disrupt، در مرکز شهر سان‌فرانسیسکو، با یکدیگر رقابت می‌کنند. این شرکت بعدازظهر دوشنبه، ۱۳ اکتبر، در مرحله Startup Battlefield روی صحنه خواهد رفت.

سان یک سال پیش، به همراه هم‌بنیان‌گذار و دانشمند ارشد شرکت، هنری لیو، Laplace را از دل دانشگاه میشیگان بنیان گذاشت. سان طی هشت سال گذشته در دانشگاه روی این موضوع پژوهش کرده است که چگونه می‌توان در محیط شبیه‌سازی، هوش مصنوعیِ رانندگی خودران را به چالش کشید. او و لیو ــ که آن زمان استاد راهنمای دکتری‌اش بود ــ در سال ۲۰۲۳ مقاله‌ای در این زمینه منتشر کردند که روی جلد مجله علمی معتبر Nature قرار گرفت. پس از آن بود که شرکت‌های خودروهای خودرانِ علاقه‌مند به به‌کارگیری ایده‌هایشان با آن‌ها تماس گرفتند.

سان گفت: «فهمیدم که می‌خواهم این ایده را عملی کنم و آن را از پژوهشی صرفاً دانشگاهی به محصولی تبدیل کنم که در دنیای واقعی کاربرد داشته باشد.»

سان و لیو با تکیه بر پژوهش‌های دانشگاهی خود Laplace را ساختند؛ نام این شرکت برگرفته از «دیو لاپلاس» است، آزمایش فکری‌ای که پی‌یر-سیمون لاپلاس، دانشمند فرانسوی، در سال ۱۸۱۴ مطرح کرد. در این آزمایش فرض می‌شد اگر وضعیت دقیق همه‌چیز در جهان را بدانید، می‌توانید آینده را با دقتی کامل پیش‌بینی کنید.

سان گفت: «ما عملاً از شبیه‌سازی برای پیش‌بینی آینده دنیای واقعی استفاده می‌کنیم.»

هسته اصلی محصول این استارتاپ، یک شبیه‌سازی با وفاداری بالا است که بر اساس دنیای واقعی بازسازی شده و با یک عامل هوش مصنوعی همراه است؛ عاملی که پیوسته نقاط ضعف و عوامل بالقوه ازکارافتادن سیستم را می‌سنجد. هدف این است که هر نوع هوش مصنوعی فیزیکی ــ از ربات و خودروی خودران گرفته تا راهکارهای شهر هوشمند ــ پیش از استقرار در دنیای واقعی، در محیط شبیه‌سازی از نظر ایمنی آزموده شود.

محیط شبیه‌سازی، نسخه‌ای پس‌آموزش‌دیده از Cosmos شرکت Nvidia است؛ پلتفرمی برای شبیه‌سازی جهان با هوش مصنوعی که بر دنیای واقعی متکی است و به Laplace امکان می‌دهد هر چیزی، از بزرگراهی در آریزونا تا گذرگاهی برای عابران پیاده در پاریس، را بازسازی کند. شبیه‌سازی‌ها با ترکیب مجموعه‌ای از داده‌های مختلف دنیای واقعی تولید می‌شوند. برای نمونه، تصویری از Google Street View می‌تواند به‌عنوان مرجعی برای ساخت یک خیابان کامل به کار رود. اما شبیه‌ساز به‌جای تولید محیطی تصادفی، داده‌های نقشه دنیای واقعی را با هم ترکیب می‌کند تا محیطی با مقیاس واقعی بازسازی کند.

سپس توسعه‌دهندگان می‌توانند با استفاده از دستورهای متنی، محیط را در لحظه تغییر دهند؛ مثلاً ترافیک بعدازظهر را به آن اضافه کنند. به‌گفته سان، Laplace اطلاعات لحظه‌ای ترافیک و ازدحام را از ارائه‌دهندگان خدمات مسیریابی مانند TomTom دریافت می‌کند.

در شبیه‌سازی‌های Laplace، نه‌تنها محیط، بلکه رفتار سایر عوامل حاضر در آن نیز شبیه‌سازی می‌شود. برای نمونه، سان در جریان یک نمایش آزمایشی به خودروی عاملِ آزمایشی دستور داد به مسیر روبه‌رو منحرف شود. خودرویی که در غیر این صورت با آن برخورد می‌کرد ــ یا از آن عبور می‌کرد، اتفاقی که در برخی مدل‌های مولد جهان رایج است ــ برای جلوگیری از تصادف از مسیرش کنار رفت.

سان گفت: «این واقعاً یک محیط شبیه‌سازی تعاملی است. همه‌چیز به همه‌چیز واکنش نشان می‌دهد... این بیشتر شبیه یک مدل جهان با مشارکت‌کنندگان تعاملی است.»

با اینکه محیط شبیه‌سازی بخش مهمی از محصول Laplace است، مزیت رقابتیِ واقعاً متمایز این شرکت، عامل‌های هوش مصنوعی‌ای است که برای طراحی خودکار موقعیت‌های مرزی توسعه می‌دهد؛ یعنی سناریوهای دشوار و نادری که ممکن است یک سیستم هوش مصنوعی را به خطا بیندازند. این کار نقش انسان را در فرایند کمتر می‌کند.

سان گفت: «این عامل‌ها می‌توانند با استفاده از اخبار، گزارش‌های پلیس درباره تصادف‌ها و انواع اطلاعات دیگر، سناریوهایی طراحی کنند تا خودروهای خودران و سایر عامل‌های هوش مصنوعی فیزیکی را به‌طور فعال به چالش بکشند.»

امروزه توسعه‌دهندگان خودروهای خودران عمدتاً برای آموزش هوش مصنوعی در مواجهه با موارد خاص، از ویدئوهای ضبط‌شده استفاده می‌کنند و آن‌ها را به شبیه‌سازی تبدیل می‌کنند؛ یا برای طرح و طراحی سناریوهای تازه به نیروی انسانی متکی هستند. هرچند بسیاری از شرکت‌های خودروهای خودران رویکرد پیشنهادی Laplace را در پیش گرفته‌اند و استفاده از هوش مصنوعی برای تولید سناریوهای مرزی در آموزش را آغاز کرده‌اند ــ شرکت کامیون‌های خودران Waabi یکی از نمونه‌های آن است ــ نیاز به این نوع فناوری زمانی واقعاً آشکار خواهد شد که ربات‌های همه‌منظوره را وارد دنیای واقعی کنیم.

سان گفت: «داده‌های مربوط به رباتیک همه‌منظوره کمتر است. هیچ‌کس نمی‌داند در دنیای واقعی چه موارد مرزی‌ای پیش خواهد آمد.»

با وجود اینکه سان و لیو از محیط دانشگاهی آمده‌اند و سابقه کار در شرکت‌های مطرح فناوری سیلیکون‌ولی را ندارند، موفق شده‌اند درآمدزایی را آغاز کنند و حتی به سودی اندک برسند. بیشتر درآمد شرکت از کاربردهای مربوط به رانندگی خودران تأمین می‌شود و مشتریان آن شامل شرکت ژاپنی سازنده کامیون Isuzu و شرکت حمل‌ونقل خودران Bot Auto، مستقر در تگزاس، هستند.

سان می‌گوید Nvidia نیز مشتری این شرکت است. این دو شرکت به همراه T-Mobile در حال همکاری روی یک طرح آزمایشی رایگان شهر هوشمند برای شهر سن‌خوزه هستند که با هدف ارائه خدمات مدیریت کلان ترافیک اجرا می‌شود. Laplace همچنین در مراحل اولیه همکاری با شرکایی قرار دارد که برای انبارها ربات‌های انسان‌نما می‌سازند.

بیشتر قراردادهای مشتریان Laplace در حال حاضر پروژه‌محور است و شرکت در تلاش است آن‌ها را به درآمد تکرارشونده تبدیل کند. هدف کوتاه‌مدت این استارتاپ ــ که امیدوار است حضور در Disrupt به تحقق آن کمک کند ــ جذب سرمایه و توسعه فعالیت‌هاست تا بتواند با رقبایش رقابت کند.

مهم‌ترین رقیب این شرکت Applied Intuition است؛ استارتاپی پرسر‌وصدای در مراحل پایانی رشد که تاکنون ۱٫۲ میلیارد دلار سرمایه جذب کرده و ارزش آن پس از آخرین دور سرمایه‌گذاری به ۱۵ میلیارد دلار رسیده است. Isuzu نیز یکی از مشتریان Applied Intuition است.

سان چندان نگران نیست. او باور دارد روش اصلی Laplace، یعنی استفاده از هوش مصنوعی برای آزمودن هوش مصنوعی، «الگوی تازه‌ای است که آزمودن هوش مصنوعی فیزیکی را به‌کلی دگرگون می‌کند» و آن را به «فرایندی پویا و تعاملی برای آزمون» تبدیل می‌کند.

او گفت: «این بزرگ‌ترین مزیت رقابتی ما خواهد بود.»