OpenAI 和 Hugging Face 的那次风波，给行业留下一个不太舒服的提醒：AI agent 并不总按人类预期出牌。

如果它只是活在软件里，问题也许还能回滚。

可当 AI 开始控制汽车、机器人、城市交通，失败的代价就会被放进现实世界。

Laplace Intelligence 的想法很直接：想确认物理AI是否安全，就让AI去测试AI。

当AI走出屏幕，安全测试也得换打法

Howie Sun 说：

想象一下，如果类似事情发生在物理世界。AI agents 正从计算机走向现实世界，我们真的不希望物理AI在现实世界失败。

他是 Laplace 的 CEO 和联合创始人。

这家公司位于 Ann Arbor，正在为机器人和物理AI做 automated red-teaming。

说白了，就是故意给系统下套，专门把它逼到失败。

他们的目标也很明确：帮企业在部署前发现并修复问题，再慢慢沉淀出一套客户、保险公司和监管机构都能信任的证据。

这听起来像安全测试，但 Laplace 想做的更像一场持续自动化的压力实验。

本周，这家公司也出现在旧金山 TechCrunch Disrupt 的 Startup Battlefield 200 舞台上。

按素材说法，它是 20 家参赛初创之一，将在 10 月 13 日周二下午登台。

用“拉普拉斯妖”预测现实，听上去有点狂

Laplace 成立刚满一年，脱胎于密歇根大学。

Sun 和联合创始人兼首席科学家 Henry Liu 的背景都偏学术。

Sun 花了 8 年研究如何在模拟环境中挑战自动驾驶AI。

2023 年，他和 Liu 发表相关论文，还登上了顶级科学期刊 Nature 的封面。

随后，自动驾驶公司开始找上门。

Sun 意识到，这件事可以从论文变成产品。

公司名字来自“拉普拉斯妖”。

这是 1814 年法国学者 Pierre Simon Laplace 提出的思想实验：如果知道宇宙中所有事物的精确状态，未来就能被完全预测。

Sun 的说法很直白：

我们本质上是在用模拟预测现实世界的未来。

这句话有点狂，但他们的产品确实围绕这个逻辑展开。

Laplace 的核心，是一套从现实世界重建出来的高保真模拟环境，再配上一个不断寻找弱点和失败点的AI agent。

机器人、自动驾驶汽车、智慧城市方案，都可以先在这个虚拟世界里被反复检验。

模拟世界里的车辆会躲，这才是关键

这套模拟环境基于 Nvidia Cosmos 的后训练版本。

它能重建亚利桑那州的高速公路，也能还原巴黎的人行横道。

Google Street View 的一张街景图，可以作为生成一条街道的参考。

重点在于，它并非随机捏造一个场景。

模拟器会结合真实地图数据，尽量按真实比例重建环境。

开发者还能用语言提示实时改变场景，比如加入下午车流。

Sun 说，Laplace 会从 TomTom 等导航服务商那里获取实时交通和拥堵信息。

更有意思的是，模拟里的其他交通参与者也会动。

在一次演示中，Sun 让测试车辆突然转向迎面车流。

那辆原本可能被撞上的车，并没有呆在那里，也没有像某些生成式世界模型常见的那样被直接穿过，而是主动避让。

Sun 说：

这是一个真正交互式的模拟环境。每个参与者都在对一切作出反应。这更像是一个拥有互动参与者的世界模型。

个人觉得，这里真正有价值的地方，并不在画面有多逼真，关键在于它试图还原现实世界里最麻烦的部分：别人也会反应。

让AI自动设计事故，比人类更会找茬

如果只是一个很真的模拟器，故事还不够新。

Laplace 真正的卖点，是让AI agents 自动设计 corner cases。

所谓 corner cases，就是那些罕见、棘手、最容易让AI系统翻车的场景。

Sun 说，这些AI可以从新闻、警方碰撞报告等各种信息里提取线索，主动设计挑战自动驾驶汽车和其他物理AI agents 的测试。

这相当于把人类测试员从回路里往外推。

目前，自动驾驶开发者处理边缘场景，常见办法仍然是把录制的真实画面转成模拟，或者靠人类想出新场景。

许多自动驾驶公司也开始让AI生成边缘案例，比如自动驾驶卡车公司 Waabi。

但 Sun 认为，等到通用机器人进入现实世界，这种需求会变得更迫切。

通用机器人的数据更少。没人知道现实世界的边缘案例会是什么。

老实讲，这句话戳中了要害。

自动驾驶至少还有大量道路数据。

仓库机器人、人形机器人、城市智能系统面对的场景更碎，也更难提前收集。

靠人脑穷举现实世界的离谱程度，难度太大。

让AI去设想AI可能怎么出错，反而更像一条现实路径。

没有大厂光环，他们却已经赚到钱了

很多AI安全初创还在讲愿景，Laplace 已经先一步拿到订单。

Sun 和 Liu 没有硅谷大厂的光环，背景也更偏学术。

但两人已经开始产生收入，甚至实现小幅盈利。

目前，大部分收入来自自动驾驶场景。

客户包括日本卡车制造商 Isuzu，以及德州自动驾驶卡车公司 Bot Auto。

Sun 还说，Nvidia 也是客户。

Laplace 正和 Nvidia、T-Mobile 一起，在加州圣何塞推进一个免费智慧城市试点，提供高级交通运营。

公司也在和开发仓储人形机器人的合作伙伴进行早期接触。

现阶段，大多数合同还是项目制。

Laplace 正想办法把这些项目变成经常性收入。

参加 Disrupt，也是它融资和扩张的一步棋。

面对150亿美元估值的对手，小公司押注新范式

Laplace 面前并非没有大山。

它的主要对手 Applied Intuition，已经累计融资 12 亿美元，投后估值达到 150 亿美元。

更有戏剧性的是，Isuzu 也是 Applied 的客户。

这意味着，Laplace 要在同一个客户池里，和一家资金充足、声量更大的公司抢位置。

Sun 并不担心。

他认为，Laplace 的核心方法论，也就是用AI测试AI，会改变物理AI测试的整个方式，让测试变成动态交互过程。

那将是最大的护城河。

这话听着有野心，但也点出了行业的一个变化：安全测试可能不再只是复现已知事故，而是让AI持续生成未知风险。

当机器人开始搬货，汽车继续走向自动驾驶，城市交通越来越多交给算法，真正稀缺的也许是一套能提前暴露失败的证据链。

Laplace 想在现实事故发生前，先在模拟世界里把AI逼到失控。

问题是，模拟世界里的失败，究竟能不能代表现实世界的风险？

【锐评】：物理AI的安全感，来自一次次被AI“故意搞崩”后留下的证据。

参考链接：
https://techcrunch.com/2026/10/13/laplace-intelligence-red-teams-robots-and-self-driving-cars-before-they-hit-the-real-world/