Empiric Earth 总裁 Jen Vescio 访谈：用 100 亿英里真实驾驶数据为 Physical…

Jen Vescio 是 Empiric Earth 的总裁，负责产品战略、企业发展与商业化。她此前曾担任 Uber 的首席业务发展官，主导出行与自动驾驶领域的全球业务拓展及新合作伙伴关系。她的经验还包括投资和顾问新兴科技公司，重点关注帮助物理 AI 从研究走向商业部署。

Empiric Earth 将 Nexar 与 Nauto 整合在一起，提供真实世界的驾驶智能、安全模型和验证能力。该公司将数十亿英里的驾驶历史与罕见事件记录相结合，帮助开发者、车队及其他组织了解性能与风险。在本次访谈中，Vescio 讨论了独立评估、负责任的数据治理、商业化，以及扩展物理 AI 所需的基础设施。

您的职业生涯十分丰富，涵盖在 Uber 的全球业务拓展、对新兴技术的投资，以及为物理 AI 领域的公司提供咨询。您最初于今年 4 月加入 Empiric Earth 的董事会，最近才出任总裁一职。是什么吸引了您加入这家公司，又是什么最终说服您承担更亲力亲为的领导角色？

作为物理 AI 领域的投资者和顾问，我不断看到同一个缺口。许多团队都在做实验，但很少有团队拥有真实世界的数据来证明他们的系统在测试环境之外也能正常工作。Empiric Earth 已经拥有了这些数据。超过 100 亿英里的真实驾驶数据和 6000 万个边缘案例，这是买不到也伪造不出来的。

这让公司处于一个不同寻常的位置。我们不需要与那些制造机器人、车辆或模型的公司竞争。我们可以通过提供他们管理风险、验证性能和建立信任所需的真实世界智能，帮助所有这些公司更快地进入市场。从董事会席位上看，我看到了构建整个物理 AI 生态系统基础性事物的机会。

让我出任总裁一职的是 Zach 和他的愿景。自从我们俩都在出行领域建立合作伙伴关系时我就认识他了，当时我在 Uber，他在 Lyft。当一个你信任了这么久的人给你带来一个难题和一项无人拥有的资产时，你会认真倾听。我们优势互补。他思考的是这个品类及其发展方向。而我整个职业生涯都在把新技术转化为可规模化的业务。物理 AI 现在正从研究走向真正的部署，我不想在董事会会议上旁观这一切。

Empiric Earth 由 Nexar 和 Nauto 合并而成，将两家在真实世界驾驶智能和 AI 驱动安全方面拥有深厚专业知识的公司整合在一起。这一结合释放了哪些独特能力，您如何看待合并后的公司在快速演变的物理 AI 市场中实现差异化？

Nexar 和 Nauto 都成立于 2015 年，两家公司合计用二十多年的时间从两个不同视角衡量同一个问题。合在一起，我们能够理解道路上正在发生什么，以及驾驶员如何应对，从而让我们对真实世界的行为和风险有更丰富的认识。

对于更广泛的市场而言，这就是模拟与真实世界之间的桥梁。大多数团队在模拟中构建和测试，但困难之处在于证明系统能够在真实世界条件下可靠运行。我们可以帮助合作伙伴发现其系统尚未遇到的场景，改进他们的模型，并对照实际发生的情况验证性能。这可以缩短开发周期、降低风险并加速商业化。

我们的与众不同之处在于，我们能够为整个物理 AI 生态系统提供独立评估。我们不制造客户正在开发的车辆、机器人或自主系统。我们提供真实世界智能，帮助他们了解性能、管理风险并建立信任。这需要致力于中立性、可移植性和互操作性。随着我们将新的应用、模型和服务推向市场，我们希望客户能够在不同的硬件和技术栈上使用它们，而不被锁定在任何单一供应商上。我们的目标是充当整个生态系统的“裁判”，而不是在其中挑选赢家。

物理 AI 正成为人工智能的下一个主要前沿之一，应用涵盖自动驾驶车辆、机器人和智能基础设施。您认为阻碍这些系统在不可预测的真实世界环境中可靠运行的最大障碍是什么，为什么获取真实世界数据对于克服这些障碍如此关键？

最大的障碍在于，物理世界从未被记录下来。语言模型之所以能迅速变强，是因为它们训练在人们几十年来已经产出的海量文本上。而一条道路、一片仓库地面或一条人行道，却没有对应的东西。那里发生的大部分事情，比如一次险情或今早封闭的一条车道，根本不会被记录下来。

这带来了两个问题。第一，物理世界在不断变化。系统必须知道当下什么是真实的，而去年春天的一张照片无法告诉它今早发生变化的道路情况。你也不可能回到过去收集昨天的数据。第二是碎片化。没有哪家公司能独自看到足够多的世界，因此开发者们用不同的数据集、模型和技术栈进行着各自的实验。这使得比较结果、分享有效做法以及将 promising 的研究转化为商业可行的产品变得更加困难。

真实世界数据正是突破这两个问题的途径。那些让系统崩溃的罕见事件每天都在某处发生，你只有通过持续观察大量真实条件才能发现它们。在我们的美国数据中，每起碰撞背后约有19次险情，而其中几乎没有任何一次会出现在警方报告或保险索赔中。Zach 在最近的一篇文章中说得很到位：安全是对未曾发生之事的研究。如果没有人去计数，你就无法研究它们。

Empiric Earth 已积累超过100亿英里的驾驶历史和超过6000万个边缘案例，每月还额外采集数亿英里。这个庞大的数据集如何帮助 AI 开发者训练和验证更可靠的自主系统，尤其是在传统模拟难以复现的罕见或危险场景方面？

如今大多数系统都能很好地处理普通驾驶。仍然让它们崩溃的是长尾：一场碰撞、一名行人从停放的车辆之间走出、一只动物出现在路上、一个上周还不存在的施工区。这些时刻对于测试车队来说太罕见了，无法以有用的数量捕捉到，而模拟只能复现有人已经想到要建模的内容。

Empiric Earth 正是为了找到它们而构建的。我们并不处理网络行驶的每一英里。我们保留模型标记为异常或高风险的那一小部分，这就是100亿英里如何变成开发者真正可用的6000万个边缘案例。

团队以三种方式使用这份记录。他们搜索它：一个研究施工区的团队可以调取数千个真实的人类驾驶员通过施工区的例子，而不是编写几个脚本。他们索取缺失的内容：如果一个系统在繁忙路口的左转上表现不佳，我们可以让网络精确对准这一点，并在新例子发生时收集它们。他们还用现实来检验自己的模拟。当合作伙伴重建涉及行人和骑行者的真实碰撞和险情时，他们可以在发布前看到自己的模拟世界是否表现得像真实世界一样。

这就是为什么它的价值超越了数据本身。模拟至关重要，但它需要以真实世界中实际发生的事情为基础。让开发者获取这些证据，有助于他们更早发现差距、更快改进系统，并就何时准备部署做出更明智的决策。随着行业规模扩大，它也为更一致、独立的评估奠定了基础。

Empiric Earth 的核心原则之一，是独立于它所评估的自主系统和车辆制造商。随着物理 AI 走向大规模部署，为什么独立验证变得越来越重要，行业应该采用什么标准来建立有意义的 AI 安全基准？

随着物理 AI 从研究环境进入公共空间，信任变得与技术性能同等重要。

如今，行业在很大程度上依赖开发者测试和报告自己系统的性能。在这个阶段这是可以理解的，但随着更多自主系统进入日常环境，客户、监管机构和公众将越来越希望获得独立证据，证明这些系统能够可靠运行。

我们在其他行业也见过类似挑战。当你坐进一辆车时，已经有成熟的框架来颁发驾照、检查车辆并界定安全预期。物理 AI 将需要自己的方法来证明就绪状态和性能。对于自动驾驶车辆，这可能看起来像驾照：一项标准化测试，表明系统的表现达到或超过人类驾驶员的水平。

问题在于，我们如何建立有意义的基准，反映真实世界条件，而不是完全依赖受控测试或模拟。这些基准需要以真实世界数据为基础，考虑罕见和危险场景，并允许在不同系统之间一致地评估性能。

这正是 Empiric Earth 可以发挥重要作用的地方。我们认为，开发自主系统的公司不应是唯一评估其性能的一方。我们的角色是提供独立的真实世界情报、模型和验证能力，使他人能够评估性能、管理风险并建立信任。通过保持中立和互操作性，我们可以支持跨不同技术和平台的评估，而不是偏向任何一种方法。

归根结底，建立标准需要开发者、研究人员、监管机构和其他利益相关者之间的协作。我们希望帮助提供使独立评估成为可能的基础，让信任建立在证据而非声明之上。

随着日益复杂的人工智能系统与物理世界互动，组织必须在获取全面真实世界数据的需求与隐私、安全和负责任的数据治理之间取得平衡。Empiric Earth 如何应对这些挑战，哪些保障措施对于建立公众对大规模 Physical AI 基础设施的信任至关重要？

信任始于数据的收集、保护和使用的方​​式。在 Empiric Earth，隐私从一开始就融入我们的方法之中。我们专注于捕捉能够提供有意义情报的真实世界事件，而不是把驾驶过程中的每一刻都视为同等有价值。去标识化和负责任的数据处理是这一过程的基础。

数据来源同样重要。随着 Physical AI 走向商业部署，开发者需要知道他们的数据来自哪里、如何收集以及受何种权利约束。没有这一基础，就很难建立扩大规模所需的信心。

不同市场在隐私、同意和数据驻留方面也有不同要求。我们的平台为每一项应用特定国家的设置，因此我们无需重建系统就能满足当地规则。在评估在哪里以及如何扩张时，我们必须考虑这些差异。

更广泛的原则是透明度。任何为 Physical AI 构建基础设施的人都应该能够解释他们收集什么数据、如何保护这些数据以及谁可以使用这些数据。负责任的数据实践与建立成功的企业并不分离。它们正是使广泛采用成为可能的部分原因。

你在 Uber 的经历涉及将新兴技术和战略合作伙伴关系转化为可扩展的业务。在你的新职位上，你负责 Empiric Earth 的产品战略、企业发展和商业化。你在 Uber 期间学到的哪些经验最适用于扩展 Physical AI，你如何决定何时在内部构建能力，何时寻求收购或合作？

Uber 教会我，正确的答案可能会改变。我们建立了自己的自动驾驶项目 ATG，因为我们认为必须拥有整个技术栈。后来我们将其剥离给 Aurora，并通过合作伙伴关系重新进入自动驾驶领域。这两个决定在当时的那个时间点都是合理的。改变的是我们围绕速度、成本和风险的标准。

因此，每一个构建、购买或合作的决策都会面对同样的问题。风险是什么？需要多少资源和资本？它让我们多快进入市场，与此同时竞争对手在做什么？它是否符合战略？

Empiric Earth 的起点与大多数公司不同，因为我们已经拥有最难构建的部分，那就是数据。我们在这一基础为我们带来难以复制的优势的地方进行构建。当收购能够增加互补能力或加速我们的战略时，收购就是合理的。而合作伙伴关系往往可以成为通往客户、新市场和商业规模的最快途径。Physical AI 太过广泛，任何一家公司都无法构建一切，因此我们希望与能够帮助整个生态系统变得更强大的合作伙伴合作，并根据市场条件与我们的竞争优势——我们的资产——相一致来安排我们的方法。

你还参与了开源 AI 生态系统，包括与 OpenClaw 社区的合作。你如何看待开源创新对 Physical AI 进步的贡献，更大的透明度和协作能否帮助加速采用，同时保持这些系统所需的安全和治理标准？

开源改变了 AI 在软件领域的发展速度。当更多人能够在相同的工具上构建时，研究周期会缩短，好想法来自四面八方，而不仅仅来自最大的实验室。Physical AI 在这条曲线上还处于更早的阶段。该领域的许多工作仍处于研究和演示阶段，现在的问题是如何将这些工作转化为持久的业务。

我曾担任 OpenClaw 基金会的合作负责人，该基金会的成立是为了支持 Peter Steinberger 对开源、个人代理式 AI 的愿景。这是我所见过的开源项目加速实际工作的最清晰例子之一，因为人们可以拿它来在自己的系统上运行，并使其对他们实际所做的事情有用。

我认为这就是物理AI应当认真吸取的教训。开放工具让更多团队无需从零开始就能构建和实验。把数据保留在客户自己的环境中，而不是要求他们发送到别处，消除了企业犹豫的最大原因之一。一支车队、一座城市或一家制造商可以在自己的控制下，利用自己的数据让AI发挥作用，并更快看到价值。

这两个理念结合起来，正是这个行业从研究和演示走向人们愿意付费的产品的路径。仅靠开放并不能让系统变得安全，因此它仍然需要真实的测试、清晰的治理和问责机制。但一个数据留在其所属者手中的开放生态系统，能让更多系统投入实际使用，而学习正是在那里不断累积。

在Empiric Earth，我们关注开放工具和留在客户环境中的数据如何帮助整个物理AI生态系统成长，同时保护那些让我们的工作有价值的真实世界数据。我们不认为推动生态系统发展和建立可持续业务必须是相互竞争的目标。

你谈到过让更多女性进入AI领导层的重要性，尤其是在行业开始建立将塑造智能机器在社会中运作方式的安全标准和治理框架之际。你认为领导层中更大的多样性如何影响更安全、更负责任的AI系统的开发？

这个问题我很谨慎，因为“增加更多女性，AI就会更安全”本身就是一种偏见。重点更广泛。我们正在构建的智能体从人类已经做过的事情以及我们教导它们的方式中学习。如果塑造这种教导的每个人都以同样的方式思考，系统就会继承同样的盲点。

多元化的领导层能为智能体应当重视什么的决策带来更多视角，包括同理心、关怀，以及一个选择会如何影响另一端的人。许多AI风险是技术性的。另一些风险则来自系统做出的决策并不反映受其影响的人们的价值观或需求。将不同视角引入这些决策，有助于我们在盲点变成现实世界的问题之前识别它们。

我希望这些系统做到的事很简单。它们应当帮助人们做出更好的决策，并让我们在现实生活中彼此相处的时间更多。要实现这一点，需要平衡，也需要来自众多视角的真正控制。没有任何一个群体能独自解决这个问题，我们需要激励和鼓励女性参与进来，帮助推动智能体与人、智能体与智能体以及人与人之间的连接。

展望未来三到五年，除了道路安全和车队智能领域的现有应用之外，你认为Empiric Earth最大的机遇在哪里？随着自动驾驶汽车、机器人技术和其他物理AI技术更加融入日常生活，你设想Empiric Earth在支持这一转变的基础设施中扮演什么角色？

道路安全和车队是我们的起点，它们仍然是我们的核心业务。但更大的机遇在于通过降低风险、提供验证标准并最终让现实世界更安全来支持物理AI。

无论你是在构建自动驾驶汽车、配送机器人，还是运营真实世界广告与商业网络的零售智能系统，根本挑战都是相似的。你如何理解现实世界中正在发生的事情？你如何知道一个系统能否应对突发状况？当这些系统进入商业部署阶段时，你又如何评估性能并管理风险？

我认为Empiric Earth正在成为Physical AI生态系统中重要的智能层，提供真实世界数据、模型、应用和服务，帮助开发者、合作伙伴和运营者回答这些问题。中立性、可移植性和互操作性对这一愿景至关重要。我们希望自己的能力能够跨不同技术和平台发挥作用，让客户可以采用最适合自己的解决方案。

我们在真实世界驾驶智能方面拥有非凡的基础，现在的机会是通过新能力、合作伙伴关系和商业模式在此基础上继续发展。

Physical AI不会因为某一家公司打造了最好的机器人或最好的模型就实现规模化。只有当更广泛的生态系统具备将这些系统投入现实世界所需的智能、工具和安全措施时，它才会规模化。这正是我们希望Empiric Earth扮演的角色。

感谢这次精彩的采访，希望探索真实世界智能以及Physical AI独立验证的读者，可以访问Empiric Earth。