Laplace Intelligence sottopone robot e auto a guida autonoma a test di penetrazione (red-team) prima che entrino nel mondo reale. La startup con sede ad Ann Arbor, nata dall’Università del Michigan, sviluppa test automatici di “squadra rossa” (red-teaming) per i sistemi di intelligenza artificiale fisica, facendoli fallire intenzionalmente e portando alla luce i loro punti deboli prima che arrivino nel mondo reale. L’obiettivo è individuare le debolezze in anticipo. L’azienda è una delle 20 startup che partecipano alla competizione Startup Battlefield 200 al TechCrunch Disrupt, in programma a San Francisco dal 13 al 15 ottobre, e presenterà sul palco del Disrupt nel pomeriggio di martedì 13 ottobre.
Il CEO e cofondatore Howie Sun ha dichiarato che l’episodio OpenAI-Hugging Face ha dimostrato che gli agenti di intelligenza artificiale possono essere imprevedibili e che un fallimento del genere non sarebbe auspicabile nel mondo fisico. Ha lavorato otto anni nel mondo accademico. In questo periodo Sun, che metteva alla prova in simulazione l’intelligenza artificiale per la guida autonoma, nel 2023 ha pubblicato un articolo scritto con Henry Liu, all’epoca suo relatore di dottorato, e lo studio è finito sulla copertina della rivista Nature. In seguito hanno iniziato ad attirare l’interesse delle aziende di veicoli autonomi. I due hanno fondato Laplace un anno fa. Il nome dell’azienda deriva dall’esperimento mentale del “demone di Laplace” di Pierre-Simon Laplace, risalente al 1814.
Alla base di Laplace ci sono una simulazione ad alta fedeltà ricostruita dal mondo reale e un agente di intelligenza artificiale che cerca costantemente punti deboli. Il sistema ricostruisce la realtà. L’ambiente di simulazione opera come una versione sottoposta a post-addestramento della piattaforma di simulazione del mondo Cosmos di Nvidia. Da un’autostrada dell’Arizona a un attraversamento pedonale di Parigi, ogni ambiente può essere ricreato. Il sistema prende come riferimento le immagini di Google Street View. Grazie a dati cartografici reali vengono prodotti ambienti fedeli alla scala. Gli sviluppatori possono apportare all’istante modifiche come il traffico pomeridiano tramite comandi linguistici. L’azienda attinge dati sul traffico in tempo reale da fornitori di navigazione come TomTom. Anche gli altri veicoli reagiscono. In una demo, quando il veicolo di prova è sbandato nella corsia opposta, l’altro veicolo ha evitato la collisione.
La differenza principale sta nel creare agenti che progettano automaticamente scenari difficili e rari (corner case). Questi agenti si avvalgono di notizie e rapporti sugli incidenti della polizia. Compilano gli scenari da fonti diverse. Oggi auton
Perché è importante
Una delle domande più difficili per i team che sviluppano veicoli autonomi e robot è sapere come il sistema reagirà a rari scenari di incidente senza doverli testare su strada reale; l’approccio di Laplace cerca di colmare questa lacuna generando automaticamente in simulazione scenari avversi compilati a partire da rapporti della polizia e notizie: in altre parole, il test di sicurezza non è più limitato dall’immaginazione della persona che lo progetta. La pubblicazione del lavoro dei fondatori sulla copertina di Nature dimostra la base accademica della tecnologia, mentre l’interesse proveniente dalle aziende di veicoli autonomi mostra che essa risponde a un’esigenza commerciale. Il riferimento al caso OpenAI-Hugging Face riflette la preoccupazione che, se l’imprevedibilità degli agenti software dovesse trasferirsi ai sistemi fisici, il rischio crescerebbe in modo moltiplicato. La domanda che resta aperta è in che misura le debolezze individuate in simulazione possano rappresentare la sicurezza nelle condizioni stradali reali.
Contesto
Intelligence non è un nome nuovo nell’archivio di FikirPilot: negli ultimi 90 giorni abbiamo pubblicato 6 notizie in cui compare questo nome; la più recente è datata 6 ottobre 2026.
Termine: agente
Un agente di intelligenza artificiale è un software che, anziché produrre una singola risposta, richiama strumenti ed esegue un lavoro in più fasi per raggiungere un obiettivo.