استارتاپ لاپلاس با ایجنت‌های هوشمند، ربات‌ها و خودروهای خودران را پیش از ورود به خیابان‌ها محک می‌زند

اگر حادثه اخیر میان اوپن‌ای‌آی و هاگینگ‌فیس تنها یک درس به ما داده باشد، این است که ایجنت‌های هوش مصنوعی می‌توانند کاملاً غیرقابل‌پیش‌بینی عمل کنند.

هاوی سان، مدیرعامل و هم‌بنیان‌گذار لاپلاس اینتلیجنس (Laplace Intelligence)، در این رابطه می‌گوید: «تصور کنید چنین اتفاقی در دنیای واقعی و فیزیکی رخ دهد؛ ایجنت‌های هوش مصنوعی در حال خروج از نمایشگر رایانه‌ها و ورود به جهان فیزیکی هستند و ما به‌هیچ‌وجه نمی‌خواهیم هوش مصنوعی فیزیکی در دنیای واقعی دچار شکست و خطای فاجعه‌بار شود.»

استارتاپ لاپلاس مستقر در ان‌آربور میشیگان، در حال ساخت سامانه‌ای برای ارزیابی امنیتی و آزمون نفوذ خودکار (Red-teaming) در حوزه رباتیک و هوش مصنوعی فیزیکی است؛ فرآیندی که اساساً نوعی آزمون فشار به شمار می‌رود و با واداشتن عمدی سیستم به خطا، نقاط ضعف آن را آشکار می‌کند. این شرکت بر این باور استوار است که تنها راه تضمین ایمنی هوش مصنوعی فیزیکی، محک زدن آن توسط خود هوش مصنوعی است.

سان در تشریح چشم‌انداز خود توضیح می‌دهد: «هدف ما کمک به شرکت‌ها برای شناسایی و رفع نقص‌ها پیش از استقرار نهایی سیستم‌ها است؛ تا به‌مرور زمان، پایگاه مستندی از شواهد و داده‌ها بسازیم که مشتریان، شرکت‌های بیمه و نهادهای قانون‌گذار بتوانند کاملاً به آن اعتماد کنند.»

لاپلاس یکی از ۲۰ استارتاپ برگزیده‌ای است که در رویداد رقابتی استارتاپ بتل‌فیلد ۲۰۰ (Startup Battlefield 200) در جریان کنفرانس دیسراپت در سان‌فرانسیسکو با یکدیگر رقابت می‌کنند و قرار است برنامه‌های خود را عصر سه‌شنبه ۱۳ اکتبر روی صحنه این رویداد ارائه دهد.

سان به‌همراه هم‌بنیان‌گذار و دانشمند ارشد خود، هنری لیو، استارتاپ لاپلاس را یک سال پیش به‌عنوان خروجی پژوهش‌های دانشگاه میشیگان تأسیس کردند. سان هشت سال گذشته را در محیط‌های آکادمیک صرف تحقیق درباره نحوه محک زدن و آزمودن هوش مصنوعی خودروهای خودران در محیط‌های شبیه‌سازی کرده است. او در سال ۲۰۲۳ به‌همراه لیو، که در آن زمان استاد راهنمای دوره دکترایش بود، مقاله‌ای علمی در این باره منتشر کرد که تصویر روی جلد نشریه معتبر نیچر (Nature) شد؛ همان نقطه‌ای که تماس‌های پیاپی از سوی شرکت‌های خودروسازی خودران برای پیاده‌سازی این ایده آغاز گردید.

سان می‌گوید: «متوجه شدم که می‌خواهم این ایده را فراتر از یک پژوهش صرفاً دانشگاهی ببرم و آن را به محصولی کاربردی و کارآمد در دنیای واقعی تبدیل کنم.»

سان و لیو با تکیه بر یافته‌های دانشگاهی خود لاپلاس را بنا نهادند؛ نامی که برگرفته از «شیطان لاپلاس» است؛ یک آزمایش فکری مشهور در سال ۱۸۱۴ توسط پی‌یر-سیمون لاپلاس، دانشمند برجسته فرانسوی، که تصور می‌کرد اگر وضعیت دقیق تک‌تک ذرات جهان را بدانید، می‌توانید آینده را با دقتی مطلق پیش‌بینی کنید.

سان می‌گوید: «ما اساساً از شبیه‌سازی برای پیش‌بینی آینده جهان واقعی استفاده می‌کنیم.»

در هسته اصلی این استارتاپ، یک محیط شبیه‌سازی با دقت بسیار بالا و بازسازی‌شده از جهان واقعی قرار دارد که با یک ایجنت هوش مصنوعی همراه شده است؛ ایجنتی که به‌صورت مداوم سیستم را برای کشف نقاط ضعف و خطاهای احتمالی کاوش می‌کند. هدف نهایی این است که اطمینان حاصل شود هر نوع هوش مصنوعی فیزیکی — چه ربات باشد، چه خودروی خودران یا سامانه‌های شهر هوشمند — پیش از به کارگیری در جهان واقعی، ایمنی‌اش درون شبیه‌ساز اثبات شده باشد.

محیط شبیه‌سازی لاپلاس در واقع نسخه‌ای پس‌آموزش‌دیده از کازموس (Cosmos) انویدیا است؛ پلتفرم شبیه‌سازی جهان با هوش مصنوعی که بر پایه داده‌های واقعی بنا شده و به لاپلاس امکان می‌دهد هر محیطی را، از یک بزرگراه در آریزونا گرفته تا گذرگاه عابر پیاده در پاریس، بازسازی کند. این شبیه‌سازی‌ها از ترکیب داده‌های متنوع دنیای واقعی خلق می‌شوند؛ به‌عنوان مثال، یک تصویر از استریت ویو گوگل می‌تواند به‌عنوان مرجع برای ساخت کل یک خیابان مورد استفاده قرار گیرد. اما شبیه‌ساز به‌جای تولید محتوای تصادفی، داده‌های نقشه‌های واقعی را ادغام می‌کند تا محیطی با مقیاس کاملاً دقیق بازآفرینی شود.

توسعه‌دهندگان می‌توانند با استفاده از پرامپت‌های متنی و به‌صورت آنی، شرایط محیطی را تغییر دهند؛ مثلاً ترافیک سنگین عصرگاهی را به صحنه اضافه کنند. به گفته سان، لاپلاس اطلاعات لحظه‌ای ترافیک و شلوغی معابر را از ارائه‌دهندگان خدمات ناوبری مانند تام‌تام (TomTom) دریافت می‌کند.

درون محیط‌های شبیه‌سازی لاپلاس، نه تنها جغرافیای محیط بلکه رفتار سایر عناصر و بازیگران نیز شبیه‌سازی می‌شود. به‌عنوان نمونه در یکی از دموها، سان به خودروی تحت آزمایش دستور داد که ناگهان به سمت لاین ترافیک مقابل منحرف شود. خودرویی که در مسیر تصادف قرار داشت — و در برخی مدل‌های مولد جهان ممکن بود خودروی تست از درون آن رد شود — مسیر خود را تغییر داد تا مانع از وقوع تصادف گردد.

سان تاکید می‌کند: «این واقعاً یک محیط شبیه‌سازی تعاملی است؛ همه بازیگران به تمام رویدادها واکنش نشان می‌دهند و ما عملاً با یک مدل جهان روبه‌رو هستیم که حاضران در آن رفتاری پویا و تعاملی دارند.»

اگرچه محیط شبیه‌سازی‌شده بخش مهمی از محصول لاپلاس به شمار می‌رود، اما مزیت اصلی و تمایز واقعی این استارتاپ در ایجنت‌های هوش مصنوعی آن نهفته است؛ ایجنت‌هایی که برای طراحی خودکار سناریوهای بحرانی و پیچیده (Corner Cases) توسعه داده شده‌اند و با شبیه‌سازی موقعیت‌های نادری که سامانه‌های هوش مصنوعی را به خطا می‌اندازند، دخالت مستقیم نیروی انسانی را به حداقل می‌رسانند.

سان می‌گوید: «این ایجنت‌ها می‌توانند از اخبار حوادث، گزارش‌های پلیس از تصادفات جاده‌ای و انواع داده‌ها ایده بگیرند تا سناریوهای دشواری طراحی کنند و خودروهای خودران و دیگر ایجنت‌های فیزیکی را به سخت‌ترین شکل محک بزنند.»

امروزه توسعه‌دهندگان خودروهای خودران عمدتاً با استفاده از ویدیوهای ضبط‌شده و تبدیل آن‌ها به شبیه‌سازی، یا با اتکا به ایده‌پردازی و طراحی سناریوها توسط نیروی انسانی، هوش مصنوعی را برای مواجهه با موقعیت‌های بحرانی (Edge cases) آموزش می‌دهند. هرچند برخی شرکت‌های فعال در حوزه خودران نیز مانند استارتاپ کامیون‌های خودران وابی (Waabi) به استفاده از هوش مصنوعی برای خلق سناریوهای بحرانی روی آورده‌اند، اما نیاز مبرم به چنین فناوری‌هایی زمانی آشکارتر خواهد شد که ربات‌های چندمنظوره و عمومی پا به دنیای واقعی بگذارند.

سان خاطرنشان می‌کند: «داده‌های بسیار کمتری در زمینه ربات‌های عمومی در دسترس است و در حال حاضر هیچ‌کس نمی‌داند شرایط بحرانی و پیش‌بینی‌نشده برای این ربات‌ها در جهان واقعی چه خواهد بود.»

اگرچه سان و لیو از محیط‌های دانشگاهی آمده‌اند و سابقه کار در غول‌های فناوری سیلیکون‌ولی را در کارنامه خود ندارند، توانسته‌اند این کسب‌وکار را به درآمدزایی رسانده و حتی به سودآوری مطلوبی دست یابند. بخش عمده این درآمد از کاربردهای مربوط به رانندگی خودران تأمین می‌شود و مشتریان این شرکت شامل استارتاپ کامیون‌های خودران بات اتو (Bot Auto) در تگزاس و یکی از بزرگ‌ترین شرکت‌های خودروسازی ژاپن هستند.

لاپلاس علاوه بر این، در حال همکاری با انویدیا و تی‌موبایل در یک پروژه آزمایشی رایگان برای شهر هوشمند سن‌خوزه در کالیفرنیا است تا مدیریت ترافیک را در سطوح پیشرفته پیاده‌سازی کند. این استارتاپ همچنین در مراحل اولیه همکاری با شرکایی قرار دارد که در حال توسعه ربات‌های انسان‌نما برای مدیریت انبارها هستند.

در حال حاضر بیشتر قراردادهای مشتریان لاپلاس به‌صورت پروژه‌ای منعقد می‌شود و این شرکت تلاش می‌کند آن‌ها را به درآمدهای تکرارشونده تبدیل نماید. هدف کوتاه‌مدت این استارتاپ جذب سرمایه تازه و مقیاس‌پذیری کسب‌وکار است تا بتواند وارد رقابت جدی با رقبای بزرگ خود شود؛ هدفی که امیدوار است حضور در رقابت دیسراپت به تحقق آن کمک کند.

در صدر رقبای لاپلاس، استارتاپ نام‌آشنای اپلاید اینتوئیشن (Applied Intuition) قرار دارد؛ شرکتی در مراحل پیشرفته رشد که تاکنون ۱٫۲ میلیارد دلار سرمایه جذب کرده و ارزش‌گذاری آن پس از آخرین دور جذب سرمایه به ۱۵ میلیارد دلار رسیده است.

با این حال، سان نگرانی چندانی از این بابت ندارد. او معتقد است رویکرد بنیادین لاپلاس مبنی بر استفاده از هوش مصنوعی برای آزمایش هوش مصنوعی، یک «پارادایم کاملاً جدید است که آزمودن هوش مصنوعی فیزیکی را متحول می‌کند» و آن را به یک «فرآیند آزمایشی تعاملی و پویا» بدل می‌سازد.

او در پایان می‌گوید: «همین رویکرد، بزرگ‌ترین مزیت رقابتی پایدار ما خواهد بود.»