Laplace Intelligence занимается тем, что звучит простовато, но оказывается критично: учит AI-системы ломаться в симуляции, чтобы они не ломались в реальности. Компания строит платформу для автоматического red-teaming — целенаправленного стресс-тестирования — робототехники и беспилотников. Основатели, Хоуи Сан и Генри Лю, пришли из академии: они опубликовали фундаментальную работу в Nature о том, как проверять автономный транспорт на устойчивость, а потом решили не писать ещё статьи, а построить рабочий продукт.
В основе платформы — гибридная система: высокоточная симуляция физического мира (на базе Nvidia Cosmos), восстановленная из реальных данных Google Street View, картографических сервисов и информации о трафике от TomTom, плюс AI-агенты, которые активно ищут граничные случаи (edge cases) — редкие, нетривиальные сценарии, которые могут сломать систему. Это не просто воспроизведение записанных ситуаций: симуляция интерактивна, другие «участники» в виртуальном мире реагируют на действия тестируемого агента. Если беспилотник пытается вырулить в лобовое столкновение, другая машина уходит в сторону — как в реальном мире, а не как в некоторых примитивных генеративных моделях, которые попросту «стирают» препятствия.
Ключевое отличие Laplace от того, что уже делают крупные вендоры типа Applied Intuition (которому досталось $1,2 млрд) — парадигма. Большинство AV-компаний до сих пор полагаются на записанные коллизии и человеческое воображение при конструировании тестовых сценариев. Laplace предлагает противоположное: AI сам генерирует edge cases на основе новостей, полицейских отчётов о ДТП, логов отказов. Это действительно меняет логику: тестирование становится не статичным набором сценариев, а динамическим процессом, где одна AI-система постоянно пытается сломать другую. Для робототехники (где общих benchmark-данных значительно меньше, чем для беспилотников) такой подход особенно актуален.
Компания уже работает с реальными клиентами: японский производитель грузовиков Isuzu, техасский стартап Bot Auto (беспилотные грузовики), Nvidia (совместно с T-Mobile тестируют смарт-сити в Сан-Хосе). Контракты сейчас в основном проектные, но Laplace переходит на рекуррентную модель. Судя по признанию основателей, компания уже приносит деньги и даже прибыль — для полугодовалого стартапа это показатель серьёзности подхода.
Конкуренция с Applied Intuition реальная, но фокус другой. Applied Intuition больше про инфраструктуру симуляции в целом, Laplace сосредоточена на автоматизации поиска дыр в безопасности через AI-агентов. Сан уверен, что именно это станет их основным конкурентным преимуществом — методология, которая превращает тестирование физического AI из ручного процесса в автоматизированный.
Для российского бизнеса, особенно для компаний, разрабатывающих робототехнику или работающих на IoT-решениях в умных городах, подход Laplace релевантен потому, что снижает входной барьер для безопасности. Локальные разработчики беспилотников или промышленных роботов могут использовать симуляцию вместо дорогостоящих физических испытаний на ранних этапах, а AI-поиск edge cases даёт уверенность, что система готова к реальному миру. В контексте развития отечественной робототехники и беспилотных решений (где сейчас активно развиваются проекты в логистике и производстве) таких инструментов критически не хватает.
История Laplace показывает важный тренд: академические инсайты, которые раньше оставались в научных журналах, теперь довольно быстро находят дорогу в продукт, если основатели смотрят на проблему практически. Сан потратил восемь лет на изучение проблемы в университете, опубликовал в Nature, а потом просто перестал писать и начал строить. Это работает значительно лучше, чем сторонний инвестор, читающий ту же статью и пытающийся нанять команду без глубокого понимания темы.