原文标题：Laplace Intelligence red-teams robots and self-driving cars before they hit the real world
本质上，对于机器人和物理人工智能来说，通过故意尝试使其失败来对系统进行压力测试。该公司认为，确保物理人工智能安全的唯一方法是让人工智能对其进行测试。
“我们的目标是帮助公司在部署之前发现并解决问题，并随着时间的推移，建立客户、保险公司和监管机构可以信任的共享证据基础，”孙说。
Laplace 是 TechCrunch Disrupt 在旧金山市中心举办的为期三天的创业战场竞赛中的 20 家初创公司之一。它将在 10 月 13 日星期一下午出现在“创业战场”舞台上。
孙豪，拉普拉斯智能首席执行官 图片来源：拉普拉斯智能
Sun 与他的联合创始人兼首席科学家 Henry Liu 一年前在密歇根大学创立了 Laplace。 Sun 在过去八年里一直在学术界研究如何在模拟中挑战自动驾驶人工智能。 2023年，他和当时的博士生导师刘发表了一篇关于这一主题的论文，并登上了顶级科学期刊《自然》的封面。就在那时，有兴趣实施他们的想法的自动驾驶汽车公司开始打来电话。
“我意识到
“我曾想构建这个，并将其从纯学术研究转化为在现实世界中有用的产品，”Sun 说。
以他们的学术研究为基础，Sun 和 Liu 构建了 Laplace，其名称源自“拉普拉斯妖”，这是法国学者皮埃尔-西蒙·拉普拉斯于 1814 年提出的一个思想实验，设想如果你知道宇宙中一切事物的确切状态，你就能以完全的精确度预测未来。
“我们本质上是在利用模拟来预测现实世界的未来，”Sun 说。
这家初创公司的核心是一个从现实世界重建的高保真模拟，配以一个不断探查弱点和故障点的 AI 智能体。目标是确保任何物理 AI——无论是机器人、自动驾驶汽车还是智慧城市解决方案——在部署到现实世界之前，在模拟中都是安全的。
该模拟环境是 Nvidia 的 Cosmos（一个 AI 世界模拟平台）的后训练版本，它以现实世界为基础，使 Laplace 能够重建从亚利桑那州高速公路到巴黎人行横道的任何场景。模拟是通过融合不同现实世界信息的网格生成的。一张谷歌街景图像可以
作为生成整条街道的参考。但模拟器不是生成随机的东西，而是结合现实世界的地图数据来重新创建一个真实比例的环境。
然后，开发人员可以使用语言提示实时更改设置，例如添加下午的流量。 Sun 表示，Laplace 从 TomTom 等导航提供商处获取实时交通和拥堵信息。
在拉普拉斯的模拟中，不仅模拟了环境，还模拟了其他参与者的行为。例如，在演示过程中，Sun 指示测试代理车辆转向迎面驶来的车辆。它本来会撞到的汽车——或者说驶过的汽车，就像一些生成世界模型中常见的那样——会移开以避免碰撞。
“这确实是一个交互式模拟环境，”孙说。 “每个人都对一切做出反应。……这更像是一个有互动参与者的世界模型。”
虽然模拟环境是拉普拉斯产品的重要组成部分，但真正独特的卖点是该初创公司正在开发的人工智能代理，用于自动设计极端情况（可能会绊倒人工智能系统的棘手、罕见的场景），从而进一步推动人类
脱离循环。
“他们可以根据新闻、警方碰撞报告等各种信息进行设计，以积极挑战自动驾驶汽车和其他物理人工智能代理，”孙说。
刘亨利，拉普拉斯智能首席科学家 图片来源：拉普拉斯智能
如今，自动驾驶汽车开发人员主要使用录制的镜头来训练人工智能处理边缘情况，然后将其转化为模拟，或者依靠人类提出新想法并进行设计。虽然许多自动驾驶公司已经做了拉普拉斯所宣传的事情，并开始采用人工智能来创建训练边缘案例（我想到了自动驾驶卡车公司 Waabi），但当我们开始将通用机器人放入现实世界时，对这种技术的需求将真正变得显而易见。
“关于通用机器人技术的数据较少，”孙说。 “没有人知道现实世界中的边缘情况会是什么。”
尽管孙和刘来自学术界，没有闪亮的硅谷科技公司血统，但两人已经开始创造收入，甚至实现了微薄的利润。大部分资金来自自动驾驶用例，客户包括日本卡车运输制造商
五十铃和德克萨斯州的自动驾驶卡车运输公司 Bot Auto。
Sun 表示，Nvidia 也是客户。两家公司正与 T-Mobile 合作，为圣何塞市开展免费智慧城市试点，以提供高水平的交通运营。拉普拉斯还处于与合作伙伴合作构建仓库人形机器人的早期阶段。
如今，拉普拉斯的大多数客户合同都是基于项目的，该公司正在努力将其转化为经常性收入。这家初创公司的近期目标是筹集资金并扩大规模，以便能够与竞争对手竞争，希望通过 Disrupt 的竞争来帮助实现这一目标。
其竞争对手中的主要竞争对手是Applied Intuition，这是一家热闹的后期初创公司，迄今为止已筹集12亿美元资金，投后估值为150亿美元。五十铃也是应用材料公司的客户之一。
孙并不太担心。他认为拉普拉斯使用人工智能测试人工智能的核心方法是“彻底改变物理人工智能测试的新范式”，将其转变为“动态交互式测试过程”。
“这将是最大的护城河，”他说。