لاپلاس اینتلیجنس (Laplace Intelligence)، استارتاپی مستقر در آن‌آربور، در نمایشگاه TechCrunch Disrupt 2026 شرکت کرد که در ۱۳ اکتبر ۲۰۲۶ در سان‌فرانسیسکو آغاز شد. این شرکت در مرحله Startup Battlefield رقابت می‌کند و هدفش تست نفوذ خودکار سیستم‌های هوش مصنوعی فیزیکی — از جمله خودروهای خودران و ربات‌ها — پیش از استقرار در دنیای واقعی است.
هوی سان، مدیرعامل و هم‌بنیان‌گذار لاپلاس، به TechCrunch گفت: «عامل‌های هوش مصنوعی از رایانه‌ها به دنیای واقعی دارند وارد می‌شوند و ما نمی‌خواهیم هوش مصنوعی فیزیکی در دنیای واقعی شکست بخورد.» سان و هم‌بنیان‌گذارش هنری لیو، که استاد راهنمای دوره دکتری او بوده، حدود یک سال پیش لاپلاس را از دل پژوهش‌های دانشگاه میشیگان بیرون آوردند. سان هشت سال در حوزه چالش‌های هوش مصنوعی رانندگی خودمختار در شبیه‌سازی کار کرده و در ۲۰۲۳ مقاله‌ای درباره این موضوع در Nature منتشر کردند.
هسته فناوری لاپلاس یک محیط شبیه‌سازی با دقت بالا است که از داده‌های دنیای واقعی بازسازی می‌شود و با عامل هوش مصنوعی ترکیب شده که به‌طور مداوم نقاط ضعف و شکست را جست‌وجو می‌کند. این شبیه‌ساز نسخه post-trained از Nvidia Cosmos است — پلتفرم شبیه‌سازی جهان هوش مصنوعی انویدیا — که با ترکیب داده‌های نقشه، تصاویر خیابان و اطلاعات ترافیکی لحظه‌ای از سرویس‌هایی مثل TomTom، محیط‌هایی از بزرگراه آریزونا تا عابرپیاده پاریس را بازسازی می‌کند.
عامل‌های هوش مصنوعی لاپلاس به‌طور خودکار سناریوهای لبه (corner cases) طراحی می‌کنند: از اخبار، گزارش‌های پلیس درباره تصادفات و اطلاعات دیگر، چالش‌هایی می‌سازند که خودروهای خودران و ربات‌ها را به آزمایش بگذارند. سان می‌گوید در شبیه‌سازی لاپلاس نه‌تنها محیط، بلکه رفتار سایر بازیگران هم شبیه‌سازی می‌شود — مثلاً اگر خودروی آزمایشی به ترافیک مخالف منحرف شود، خودروی مقابل از مسیر خارج می‌شود.
در بخش مشتریان، لاپلاس با Isuzu (تولیدکننده ژاپنی کامیون)، Bot Auto (شرکت خودران تگزاسی) و Nvidia کار می‌کند. این شرکت همچنین در یک پایلوت شهر هوشمند رایگان در سان‌خوزه با Nvidia و T-Mobile مشارکت دارد و در مراحل اولیه همکاری با شرکت‌های رباتیک انسان‌نما برای انبارها است. بیشتر قراردادها پروژه‌محور هستند و شرکت در حال کار برای تبدیل آن‌ها به درآمد تکرارشونده است.
این خبر برای کسی که امروز ایجنت می‌سازد یعنی چه#
لاپلاس یک الگوی مهم را نشان می‌دهد: تست نفوذ خودکار با هوش مصنوعی، از حوزه امنیت سایبری به حوزه فیزیک گسترش یافته است. اگر الان ایجنتی می‌سازید که با محیط واقعی تعامل دارد — حتی در سطح نرم‌افزار — اصل کار مشابه است: سیستم را در شبیه‌سازی به چالش بکشید قبل از اینکه در دنیای واقعی شکست بخورد. اما تفاوت اینجاست که در فیزیک، هزینه شکست بسیار بالاتر است و داده‌های لبه کمتر در دسترس‌اند؛ سان خودش می‌گوید «هیچ‌کس نمی‌داند edge caseها در دنیای واقعی چه خواهند بود.» برای سازندگان ایجنت نرم‌افزاری، این خبر مستقیماً ابزار جدیدی نمی‌دهد، ولی تأیید می‌کند که بازار تست خودکار در حال شکل‌گیری است و احتمالاً ابزارهای مشابهی به‌زودی برای ایجنت‌های دیجیتال هم ظاهر خواهند شد.
منبع: TechCrunch AI
دیدگاه‌ها
برای گذاشتن دیدگاه وارد شو
دیدگاه‌ها فقط از حسابهای کاربری پذیرفته می‌شوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.