تست تصادف برای هوش مصنوعی فیزیکی؛ استارتاپ Laplace چطور با ایجنت‌ها ربات‌ها و خودروهای خودران را به چالش می‌کشد؟

اگه ماجرای اخیر بین اوپن‌ای‌آی و هاگینگ فیس یه درس مهم بهمون داده باشه، اینه که رفتارهای ایجنت‌های هوش مصنوعی گاهی واقعاً غیرقابل‌پیش‌بینی می‌شه. 

هاوی سان (Howie Sun)، مدیرعامل و هم‌بنیان‌گذار استارتاپ Laplace Intelligence، در گفت‌وگویی به این موضوع اشاره می‌کنه و می‌گه: «فکرش رو بکنید اگه چنین خطاهایی توی دنیای فیزیکی اتفاق بیفته چی می‌شه! ایجنت‌های هوش مصنوعی دارن کم‌کم از پشت مانیتورها وارد دنیای واقعی می‌شن و ما اصلاً دلمون نمی‌خواد هوش مصنوعی فیزیکی توی دنیای واقعی شکست بخوره.»

استارتاپ لاپلاس که در شهر ان‌آربور مستقره، در حال توسعه سیستمی برای تیم قرمز خودکار (Red-Teaming) در حوزه رباتیک و هوش مصنوعی فیزیکیه؛ یعنی عمداً سناریوهای بحرانی و سخت می‌سازه تا این سیستم‌ها رو به چالش بکشه و خطاشون رو دربیاره. ایده اصلی و شرط‌بندی بزرگ این تیم اینه که تنها راه مطمئن شدن از امنیت هوش مصنوعی فیزیکی، اینه که خودِ هوش مصنوعی اون رو تست کنه!

سان در این باره می‌گه: «هدف ما اینه که به شرکت‌ها کمک کنیم مشکلات و باگ‌ها رو قبل از ورود به فاز عملیاتی پیدا و برطرف کنن؛ همچنین با گذر زمان، مجموعه‌ای از شواهد و داده‌های مستند بسازیم که هم مشتری‌ها، هم شرکت‌های بیمه و هم نهادهای ناظر بتونن با خیال راحت بهش اعتماد کنن.»

لاپلاس یکی از ۲۰ استارتاپ برگزیده‌ایه که در رقابت سه‌روزه Startup Battlefield در جریان رویداد دیسراپت (Disrupt) در سان‌فرانسیسکو به رقابت پرداخته و طرحش رو روی صحنه معرفی می‌کنه.

سان به همراه هم‌بنیان‌گذار و دانشمند ارشد تیم، هنری لیو (Henry Liu)، حدود یک سال پیش لاپلاس رو به عنوان یک شرکت اسپین‌آف از دل دانشگاه میشیگان راه‌اندازی کردن. سان هشت سال گذشته رو تو فضای دانشگاهی به پژوهش درباره چگونگی به چالش کشیدن هوش مصنوعی خودروهای خودران در محیط‌های شبیه‌سازی گذرونده. سال ۲۰۲۳، او و لیو (که اون زمان استاد راهنمای دکترای سان بود) مقاله‌ای در این زمینه منتشر کردن که روی جلد مجله معتبر نیچر (Nature) رفت. درست همون زمان بود که تماس‌های پشت سر هم از طرف شرکت‌های پیشرو خودروهای خودران برای عملی کردن ایده‌هاشون سرازیر شد. 

سان می‌گه: «اونجا بود که فهمیدم می‌خوام این ایده رو فراتر از یک پژوهش دانشگاهی صِرف ببرم و تبدیلش کنم به محصولی کاربردی که تو دنیای واقعی گره از کار باز کنه.» 

سان و لیو با تکیه بر پژوهش‌های علمی خودشون استارتاپ لاپلاس رو بنا کردن؛ نامی که از «شیطان لاپلاس» (Laplace’s demon) الهام گرفته شده. این مفهوم یک آزمایش فکری در سال ۱۸۱۴ به دست پیر-سیمون لاپلاس، دانشمند فرانسوی، بود که فرض می‌کرد اگه کسی موقعیت و وضعیت دقیق همه ذرات جهان رو بدونه، می‌تونه آینده رو با دقت صددرصدی پیش‌بینی کنه.

سان توضیح می‌ده: «ما هم در عمل داریم از شبیه‌سازی استفاده می‌کنیم تا بتونیم آینده دنیای واقعی رو پیش‌بینی کنیم.» 

هسته اصلی این استارتاپ، یک محیط شبیه‌سازی بسیار دقیق بر اساس دنیای واقعیه که با یک ایجنت هوش مصنوعی همراه شده؛ ایجنتی که مدام به دنبال نقاط ضعف و سناریوهای شکست سیستم می‌گرده. هدف نهایی اینه که مطمئن بشن هر سیستم هوش مصنوعی فیزیکی — چه ربات باشه، چه خودروی خودران یا راه‌حل‌های شهر هوشمند — قبل از ورود به دنیای واقعی، کاملاً تو فضای مجازی تست شده و امتحانش رو پس داده باشه. 

محیط شبیه‌سازی این شرکت در واقع نسخه آموزش‌دیده و بهینه‌شده‌ای از پلتفرم شبیه‌ساز دنیای انویدیا یعنی Cosmos است که کاملاً منطبق بر دنیای واقعی پیاده‌سازی شده؛ به طوری که به لاپلاس اجازه می‌ده هر محیطی، از یک بزرگراه در آریزونا گرفته تا خط‌کشی عابر پیاده در پاریس رو با دقت بازسازی کنه. این شبیه‌سازی‌ها با ترکیب داده‌های مختلف دنیای واقعی ساخته می‌شن. مثلاً یک تصویر از گوگل استریت ویو (Google Street View) می‌تونه مبنایی برای ساخت یک خیابان کامل باشه. اما به جای تولید تصادفی جزئیات، شبیه‌ساز داده‌های نقشه‌های واقعی رو ترکیب می‌کنه تا محیطی با مقیاس کاملاً دقیق خلق کنه. 

توسعه‌دهنده‌ها می‌تونن با پرامپت‌های متنی ساده، شرایط محیط رو در لحظه تغییر بدن؛ مثلاً بگن «ترافیک سنگین عصرگاهی رو اضافه کن». به گفته سان، لاپلاس اطلاعات لحظه‌ای ترافیک و شلوغی معابر رو از ارائه‌دهنده‌های مسیریابی مثل تام‌تام (TomTom) دریافت می‌کنه. 

در شبیه‌سازی‌های لاپلاس، نه‌تنها شرایط محیطی، بلکه رفتار سایر بازیگران و راننده‌ها هم شبیه‌سازی می‌شه. مثلاً در یک دموی زنده، سان خودروی تحت تست رو هدایت کرد تا ناگهان وارد لاین مخالف ترافیک بشه. خودرویی که ممکن بود باهاش برخورد کنه — یا بر خلاف مدل‌های دنیای هوش مصنوعی مولد که گاهی ماشین‌ها از تو دل همدیگه رد می‌شن! — مسیرش رو کج کرد تا جلوی تصادف رو بگیره. 

سان می‌گه: «این یک محیط شبیه‌سازی کاملاً تعاملیه؛ همه نسبت به همه‌چیز واکنش نشون می‌دن. این فناوری بیش‌تر شبیه یک مدل دنیا (World Model) با مشارکت‌کننده‌های تعاملیه.»

اگرچه محیط شبیه‌سازی‌شده بخش مهمی از محصول لاپلاسه، اما برگ برنده و مزیت رقابتی اصلی این استارتاپ، ایجنت‌های هوش مصنوعی اختصاصی اوناست که می‌تونن به شکل خودکار سناریوهای پیچیده و نادر (Corner Cases یا همون وضعیت‌های بحرانی و عجیبی که ممکنه هوش مصنوعی رو گیج کنه) رو طراحی کنن و نیاز به دخالت انسانی رو به حداقل برسونن. 

سان توضیح می‌ده: «این ایجنت‌ها می‌تونن با تحلیل اخبار روز، گزارش‌های پلیس از تصادفات جاده‌ای و انواع داده‌ها، سناریوهای چالشی جدید بسازن تا خودروهای خودران و سایر ایجنت‌های هوش مصنوعی فیزیکی رو حسابی به چالش بکشن.»

امروزه توسعه‌دهندگان خودروهای خودران بیش‌تر برای آموزش هوش مصنوعی در برابر سناریوهای مرزی و نادر (Edge Cases)، از فیلم‌های ضبط‌شده قبلی استفاده می‌کنن و اونا رو به شبیه‌سازی تبدیل می‌کنن، یا به انسان‌ها متکی هستن تا سناریوهای جدید طراحی کنن. اگرچه برخی شرکت‌های خودروهای خودران هم به سراغ استفاده از هوش مصنوعی برای تولید سناریوهای مرزی رفته‌اند — مثل شرکت کامیون‌های خودران وابی (Waabi) — اما نیاز واقعی به این فناوری زمانی به اوج خودش می‌رسه که پای ربات‌های همه‌منظوره به دنیای واقعی باز بشه. 

سان تأکید می‌کنه: «داده‌های بسیار کمتری در حوزه رباتیک همه‌منظوره وجود داره و هیچ‌کس هنوز دقیقاً نمی‌دونه چه سناریوهای بحرانی و پیش‌بینی‌نشده‌ای ممکنه در دنیای واقعی رخ بده.»

با این‌که سان و لیو از دل محیط‌های آکادمیک اومدن و سابقه کار در غول‌های پرزرق‌وبرق سیلیکون‌ولی رو در کارنامه ندارن، تونستن از همین ابتدای کار به درآمدزایی برسن و حتی سود اندکی کسب کنن. بخش اعظم درآمد اون‌ها از کاربردهای رانندگی خودکار تأمین می‌شه و مشتریانی مثل خودروساز ژاپنی ایسوزو (Isuzu) و شرکت کامیون‌های خودران بات اتو (Bot Auto) در تگزاس رو شامل می‌شه. 

به گفته سان، انویدیا هم یکی از مشتریان این استارتاپه. این دو شرکت در کنار تی-موبایل (T-Mobile) دارن روی یک پروژه پایلوت شهر هوشمند برای سن خوزه کار می‌کنن تا مدیریت پیشرفته ترافیک رو پیاده‌سازی کنن. لاپلاس همچنین در مراحل اولیه همکاری با شرکاییه که مشغول توسعه ربات‌های انسان‌نما برای انبارها هستند.  

در حال حاضر بیش‌تر قراردادهای مشتریان لاپلاس پروژه‌محور است، اما این شرکت قصد داره این قراردادها رو به درآمد مکرر و پایدار تبدیل کنه. هدف کوتاه‌مدت استارتاپ اینه که با حضور در این رقابت‌ها سرمایه جذب کنه و کسب‌وکارش رو توسعه بده تا بتونه شانه به شانه رقبای بزرگش رقابت کنه. 

اصلی‌ترین رقیب لاپلاس شرکت نام‌آشنای Applied Intuition است؛ استارتاپ بزرگ و پرسروصدایی که تا امروز ۱.۲ میلیارد دلار سرمایه با ارزش‌گذاری ۱۵ میلیارد دلاری جذب کرده و جالب اینجاست که ایسوزو هم یکی از مشتریان پروپاقرص اوناست. 

اما سان چندان نگران این رقابت نیست. او باور داره که متدولوژی اصلی لاپلاس یعنی «استفاده از هوش مصنوعی برای تست کردن هوش مصنوعی»، پارادایم و رویکرد کاملاً جدیدیه که تست سیستم‌های هوش مصنوعی فیزیکی رو دگرگون می‌کنه و اون رو به یک «فرآیند تست پویا و تعاملی» تبدیل می‌کنه.

او در پایان می‌گه: «همین ویژگی، بزرگ‌ترین خندق محافظتی و مزیت رقابتی ما خواهد بود.»