Что такое Laplace Intelligence и почему о ней говорят
Laplace Intelligence - стартап из Анн-Арбора, выделившийся из Мичиганского университета. Компания строит автоматизированный red-teaming для робототехники и физического AI: AI-агенты в высокодетализированной интерактивной симуляции намеренно ищут слабые места и редкие сценарии, чтобы роботы, беспилотники и решения для умных городов были безопасны до развёртывания в реальном мире.
Red-teaming здесь означает стресс-тестирование, а не проверку документации. Систему намеренно пытаются заставить отказать: агент ищет не ответ на вопрос «затормозит ли машина», а конфигурацию, в которой она не затормозит. Задача - поймать проблему до первого реального выезда, а не разбирать её после инцидента.
Ключевые факты на октябрь 2026 года:
- Компания основана год назад выходцами из Мичиганского университета, база - Анн-Арбор.
- Основатели: CEO Хоуи Сан и chief scientist Генри Лю, научный руководитель Сана во время его PhD.
- Laplace прибыльна и уже генерирует выручку.
- Стартап входит в Startup Battlefield 200 на TechCrunch Disrupt 13-15 октября в Сан-Франциско, это один из 20 конкурсантов. Публикация TechCrunch вышла в день презентации на Disrupt Stage, во вторник 13 октября.
Мотивацию Сан объясняет через поведение агентов: AI-агенты переходят из компьютеров в физический мир, и провал там означает не неудачный ответ в чате, а разбитое железо и пострадавших людей. Уроком о непредсказуемости агентов он называет инцидент OpenAI-Hugging Face. Подробностей этого кейса в первичном материале нет, он приводится именно как иллюстрация риска, а не как разбор причин.
AI red-teaming для роботов: чем это отличается от обычного тестирования
Классическая проверка автономной системы опирается на два источника: записанные данные с реальных поездок и edge-кейсы, которые вручную проектируют инженеры. Оба подхода упираются в один предел: они описывают то, что уже произошло или что кто-то сумел придумать.
Почему записанные данные и ручные edge-кейсы не покрывают всё
Лог фиксирует пройденный маршрут. Если за тысячи часов поездок конкретный сценарий не встретился, в датасете его нет, и система на нём не обучалась и не проверялась. Опасные сценарии по определению редкие: пешеход, выбегающий из-за припаркованного грузовика под дождём, мотоциклист в слепой зоне, выпавший из кузова груз. Такие кадры попадают в записи редко, а стоят дорого.
Ручной подбор сценариев держится на экспертизе и времени конкретных людей. Комбинаторика быстро становится неподъёмной: погода умножается на освещение, тип дороги, плотность потока, поведение других участников и состояние покрытия. Перебрать это вручную и поддерживать регрессию при каждом обновлении модели нереально.
Автоматизированный red-teaming разворачивает поиск в другую сторону: сценарии ищет AI-агент, который постоянно пробует сломать систему, а не человек, который придумывает проверки. Логика та же, что в red-teaming чат-ботов, где агенты-«краш-тесты» гоняют тысячи диалогов в поиске опасных ответов: разбор подхода Circuit Breaker Labs. Разница в цене ошибки: у чат-бота сбой даёт плохой ответ, у робота - железо на асфальте.
Цель формулирует сама компания: помогать заказчикам находить и исправлять проблемы до развёртывания и со временем построить общую базу доказательств, которой смогут доверять клиенты, страховщики и регуляторы.
Как устроена симуляция Laplace: Nvidia Cosmos, реальные карты и интерактивность
Дообученная версия Nvidia Cosmos: что это даёт
Среда симуляции - дообученная версия Nvidia Cosmos, платформы AI-симуляции мира. Ключевая часть формулировки - привязка к реальному миру: модель дообучают так, чтобы генерируемые сцены соответствовали реальной геометрии и масштабу, а не выглядели правдоподобно на глаз.
Заявленный охват реконструкции широкий: от шоссе в Аризоне до пешеходного перехода в Париже. Для тестирования это значит, что сцену можно собрать под конкретный рынок и конкретный тип развязки, не отправляя машину на другой континент. Если выбираете инструмент под свои задачи, пригодится сравнение MuJoCo, Isaac Sim и Newton: акценты у платформ разные, и Cosmos в этой линейке занимает свою нишу генерации миров.
Реальные карты, traffic-данные и языковые промпты
Симуляции собираются смешиванием меша разнородной реальной информации. Снимок Google Street View может служить референсом, из которого генерируется целая улица. Вместо случайной геометрии симулятор объединяет реальные картографические данные и воссоздаёт среду в истинном масштабе.
Управление сценой идёт языковыми промптами: настройки меняются в реальном времени, например добавляется дневной трафик. Laplace подтягивает данные о трафике и заторах в реальном времени. Первичный материал обрывается на этом месте, поэтому деталей - какие именно источники трафика используются и с какой частотой обновляются данные - там нет.
Интерактивность: почему другие участники реагируют на агента
В записи другие машины и пешеходы едут по скрипту. В интерактивной симуляции их поведение зависит от действий тестируемого агента: если агент резко тормозит или подрезает, поток реагирует, и сцена развивается иначе. Corner cases здесь не нужно программировать по одному, они возникают как следствие самого теста.
Именно это отличает среду от статичной сцены с заранее расставленными актёрами. Как именно устроена реакция других участников, в первичном материале не раскрыто.
Кейсы: Isuzu, Bot Auto, Nvidia и умный город Сан-Хосе
В описаниях проекта называют заказчиков из автономных грузоперевозок Isuzu и Bot Auto, сотрудничество с Nvidia и участие в пилоте умного города для Сан-Хосе вместе с T-Mobile. Оговорка, без которой текст был бы неточным: в первичной публикации TechCrunch от 13 октября 2026 года, которая легла в основу этого разбора, эти названия не приводятся. Проверить их по независимым источникам на момент публикации нельзя, поэтому список заказчиков стоит читать как заявленный, а не подтверждённый.
Что подтверждается прямо: компания прибыльна и генерирует выручку. Это отделяет Laplace от research-проектов на грантах, за симуляцию кто-то платит. Тип задач, под которые такой инструмент подходит по своей природе:
- автономные грузоперевозки: проверка торможения, перестроений, поведения в плотном потоке и на погрузочных площадках;
- платформенная работа: генерация сцен и данных для обучения и валидации там, где реальных записей не хватает;
- городская инфраструктура: взаимодействие беспилотников с дорожной средой, разметкой и сигналами.
Нарезка работ по конкретным заказчикам в первичном материале не раскрыта, так что это описание класса задач, а не подтверждённые детали контрактов.
Научная база: работа в Nature и основатели из Мичиганского университета
Хоуи Сан провёл последние восемь лет в академической работе, изучая, как проверять AI автономного вождения в симуляции. В 2023 году он и Генри Лю, его научный руководитель на тот момент, опубликовали работу по состязательному тестированию автономного вождения в симуляции, которая попала на обложку журнала Nature.
После публикации начали поступать запросы от компаний из сферы автономных транспортных средств, заинтересованных в применении этих идей. Из этого интереса и вырос продукт: Сан говорит, что хотел превратить чисто академическое исследование в инструмент, полезный в реальном мире.
Название компании - отсылка к демону Лапласа, мысленному эксперименту 1814 года французского учёного Пьера-Симона Лапласа. Идея: если знать точное состояние всего во вселенной, можно предсказать будущее с полной точностью. Позиционирование Laplace построено на этом образе: симуляция как способ предсказать будущее реального мира.
Практический вывод из научной части: подход растёт из рецензируемого исследования по состязательному тестированию, а не из маркетинговой идеи. При этом публичных метрик качества работы симуляции в первичном материале нет, сравнивать её с альтернативами по цифрам пока нечем.
Ограничения симуляционного тестирования: что нужно учитывать
Первичный материал не разбирает ограничения подхода, поэтому дальше - рамка, которую стоит держать в голове при оценке любых заявлений о симуляционном red-teaming.
- Разрыв между симуляцией и реальностью. Поведение сенсоров, износ, грязь на лидаре, вибрации, люди, действующие вне правил. Модель не воспроизводит всё, поэтому отсутствие сбоя в симуляции не гарантирует его отсутствие на дороге.
- Реальные испытания никуда не деваются. Симуляция сужает пространство проверок и снижает цену ошибки, но валидация на полигоне и в городе остаётся обязательным этапом.
- Доверие к доказательствам. Результаты должны быть воспроизводимы и понятны тем, кто не писал симулятор: регулятору, страховщику, инженеру заказчика.
- Метрика сама становится уязвимым местом. Агент, ищущий сбои по формальной метрике, в первую очередь найдёт то, что эта метрика ловит, и может пропустить классы отказов за её пределами.
Построение общей базы доказательств для клиентов, страховщиков и регуляторов сама Laplace описывает как долгосрочную задачу. Пока такой базы нет, симуляция остаётся одним из инструментов проверки, а не заменой реальных испытаний.
Почему спрос на red-teaming вырастет с приходом универсальных роботов
Автономный транспорт - удобный первый рынок: есть накопленные данные, есть регуляторные требования, есть понятная цена ошибки. С универсальными роботами картина другая. Данных по ним мало, задач много, а среды непредсказуемы: склад, стройка, кухня, больничный коридор. Собирать датасеты реальных отказов на каждом из этих сценариев долго и дорого.
Логика спроса простая: чем меньше у класса систем накопленных данных, тем выше ценность генеративной симуляции, которая создаёт сценарии, а не перебирает записанные. Тот же вектор виден в других инженерных доменах, где проверки автоматизируют агентами: Flow Engineering согласует CAD-чертежи с симуляциями и требованиями. Для физического AI это ниша, которая будет расти вместе с парком роботов.
Сан объясняет мотивацию именно переходом агентов в физический мир: сбой в чате стоит репутации, сбой робота - здоровья и денег. Заказчики из автономных грузоперевозок пришли первыми, потому что у них уже есть и данные, и требования к доказательствам безопасности.
Итог: кому и зачем следить за Laplace Intelligence
Laplace Intelligence продаёт не робота и не автопилот, а проверку: AI-агент в интерактивной симуляции на базе Nvidia Cosmos ищет сценарии, в которых физическая AI-система отказывает. Компания прибыльна, выросла из исследования с обложки Nature и входит в Startup Battlefield 200 на TechCrunch Disrupt 13-15 октября.
Практическая ценность разбора для разных читателей:
- разработчикам автономных систем: смотреть на подход как на способ автоматизировать регрессию по edge-кейсам, которых нет в логах;
- инженерам и продакт-менеджерам в робототехнике: учитывать, что доказательства из симуляции придётся делать воспроизводимыми для регуляторов и страховщиков;
- тем, кто следит за физическим AI: держать в поле зрения связку «генеративная симуляция плюс агент-краш-тест» как формирующийся стандарт проверки.
Ограничения тоже стоит держать в уме: разрыв между симуляцией и реальностью, отсутствие публичных метрик качества и заявленный, но не подтверждённый в первичном материале список заказчиков. Следить за компанией имеет смысл тем, для кого безопасность физического AI - рабочая задача, а не абстрактная тема.