Laplace Intelligence: IA que testea robots antes de salir

¿Qué hace Laplace Intelligence y por qué nació en un laboratorio?

Laplace Intelligence construye red-teaming automatizado para robótica e IA física: en vez de esperar a que un robot o un vehículo autónomo falle en la calle, usa agentes de IA para buscarle los puntos débiles dentro de una simulación. La empresa, con sede en Ann Arbor (Michigan), nació hace un año desde la Universidad de Michigan y compite entre las 20 startups seleccionadas para el Startup Battlefield de TechCrunch Disrupt, donde presenta su propuesta el 13 de octubre.

La tesis de la compañía es simple y algo incómoda: si los agentes de IA ya son impredecibles en una pantalla, el problema se multiplica cuando ese agente controla dos toneladas de metal a alta velocidad. Howie Sun, CEO y cofundador, lo plantea así: "Imagina que algo como eso pasara en el mundo físico. Los agentes de IA están pasando de las computadoras al mundo real, y no queremos que la IA física falle en el mundo real".

Detrás hay una historia académica poco común. Sun lleva ocho años investigando cómo desafiar a la IA de conducción autónoma en simulación. En 2023, él y Henry Liu —hoy cofundador y científico jefe de Laplace, y entonces su asesor de doctorado— publicaron un paper sobre el tema que llegó a la portada de Nature. A partir de ahí empezaron a recibir llamadas de empresas de vehículos autónomos interesadas en implementar sus ideas.

El nombre no es casual: viene del "demonio de Laplace", el experimento mental que Pierre-Simon Laplace formuló en 1814, según el cual conocer el estado exacto de todo el universo permitiría predecir el futuro con precisión total. "Básicamente usamos la simulación para predecir el futuro del mundo real", resume Sun.

¿Cómo se prueba un robot antes de que exista?

El núcleo del producto es un entorno de simulación de alta fidelidad reconstruido a partir del mundo real. La base es una versión post-entrenada de Cosmos, la plataforma de simulación de mundos de Nvidia, anclada a información real: Laplace puede recrear desde una autopista de Arizona hasta un cruce peatonal de París.

La receta combina piezas conocidas. Una imagen de Google Street View puede servir de referencia para generar una calle completa, pero en lugar de producir algo aleatorio, el simulador mezcla datos de mapas reales para reconstruir el entorno a escala. Los desarrolladores pueden modificar el escenario en tiempo real con instrucciones en lenguaje natural —por ejemplo, añadir tráfico de tarde— y la compañía toma información de tráfico y congestión en vivo de proveedores de navegación como TomTom.

Lo interesante no es solo el escenario, sino que los demás actores también se simulan. En una demo, Sun dirigió al vehículo de prueba para que invadiera el carril contrario. El auto con el que habría chocado —o atravesado, como suele ocurrir con algunos modelos generativos de mundo— se apartó para evitar la colisión. "Es un entorno de simulación verdaderamente interactivo. Todos reaccionan a todo", dice Sun.

El verdadero diferencial, sin embargo, son los agentes de IA que diseñan casos límite de forma automática. Pueden construirlos a partir de noticias, informes policiales de colisiones y todo tipo de información para desafiar activamente a los vehículos autónomos y a otros agentes de IA física, sacando al humano del circuito.

¿Por qué el red-teaming de IA física importa justo ahora?

Hoy, la mayoría de los desarrolladores de vehículos autónomos entrena a su IA con grabaciones reales convertidas en simulación, o depende de humanos que imaginen escenarios nuevos. Varias empresas del sector ya incorporaron IA para generar casos límite —Waabi es el ejemplo que suele citarse—, pero la necesidad se vuelve crítica cuando se empiezan a poner robots generalistas en el mundo.

"Hay menos datos sobre robótica generalista. Nadie sabe cuáles serán los casos límite en el mundo real", advierte Sun. Es exactamente el hueco que un negocio de red-teaming puede ocupar.

El contexto de mercado lo respalda. Physical Intelligence, una de las startups de robótica más seguidas del sector, ha levantado más de US$1.000 millones y, según TechCrunch, estuvo en conversaciones para otra ronda de US$1.000 millones a una valoración de US$11.000 millones. Cuando ese nivel de capital entra en robots que todavía no salieron del laboratorio, la pregunta por cómo validarlos deja de ser académica.

¿Quién compite en este mercado y con cuánto capital?

El rival que Sun señala sin rodeos es Applied Intuition, la startup de IA física que según TechCrunch ha levantado US$1.200 millones hasta la fecha a una valoración post-money de US$15.000 millones. Su huella es amplia: el 5 de octubre de 2026 anunció que despliega sus herramientas de desarrollo de software con Nissan para vehículos definidos por IA, extendiendo una relación que arrancó en 2020 y que ahora sale de la simulación para meterse en el sistema operativo del vehículo. Isuzu es cliente de las dos compañías.

El resto del sector mueve cifras comparables, según TechCrunch: Waabi cerró en junio de 2024 una Serie B de US$200 millones liderada por Uber y Khosla Ventures, que elevó su financiación total por encima de los US$280 millones, con un simulador propio (Waabi World) como pieza central. En mayo de 2024, Wayve cerró una Serie C de US$1.050 millones liderada por SoftBank Group, y en marzo de 2024 Applied Intuition levantó US$250 millones a una valoración de US$6.000 millones.

Frente a ese músculo, Laplace juega otra carta: Sun sostiene que usar IA para testear IA es "un nuevo paradigma que cambia por completo las pruebas de la IA física", convirtiéndolas en un proceso dinámico e interactivo. "Ese será el mayor foso defensivo", dice.

Su tracción, para una empresa de un año y sin pedigrí de Silicon Valley, es concreta: ya genera ingresos y una ganancia modesta. La mayoría viene de casos de uso de conducción autónoma, con clientes como el fabricante japonés de camiones Isuzu y la firma texana de camiones autónomos Bot Auto. Nvidia también es cliente. Ambas compañías, junto con T-Mobile, trabajan en un piloto gratuito de ciudad inteligente para la ciudad de San José orientado a operaciones de tráfico avanzadas. La startup está además en etapas tempranas con socios que construyen robótica humanoide para almacenes.

El punto débil está en el modelo de negocio: la mayoría de los contratos son por proyecto, y el objetivo es convertirlos en ingresos recurrentes. A corto plazo, la meta es levantar capital y escalar para competir con rivales que ya tienen miles de millones detrás.

¿Qué significa esto para tu startup?

Tres lecturas accionables, más allá de la noticia:

• Diseña el test antes del producto. Laplace existe porque el orden natural de la industria es construir primero y validar al final. Si desarrollas hardware, robótica o cualquier sistema que actúe en el mundo físico, el red-teaming debería entrar en el ciclo de desarrollo, no como auditoría previa al lanzamiento. Encontrar fallos temprano es mucho más barato que un retiro de producto después.
• La evidencia de seguridad es un activo comercial. Sun lo dice explícitamente: el objetivo es construir "una base compartida de evidencia en la que clientes, aseguradoras y reguladores puedan confiar". En sectores regulados, quien tenga el historial de pruebas mejor documentado negocia mejor con su aseguradora y llega antes al mercado. Eso aplica a drones, dispositivos médicos, logística automatizada o agritech, no solo a coches.
• Elige un vertical y vuélvete imprescindible en él. Laplace no arrancó vendiendo "seguridad para cualquier robot". Arrancó con conducción autónoma, donde su fundador tenía ocho años de investigación y una credencial verificable —una portada de Nature—, y desde ahí extendió hacia ciudades inteligentes y humanoides. Esa progresión es replicable: dominio profundo primero, plataforma después.

Para los founders hispanohablantes hay un ángulo extra: el cuello de botella de la IA física no es el hardware, es la validación. Simular en lugar de desplegar es también la vía para competir con presupuestos mucho menores, y varios equipos en España y LATAM ya lo aplican en logística y agricultura. Si tu producto toca el mundo real, la pregunta no es si necesitas pruebas, sino cuándo las vas a diseñar.

Conclusión

Laplace Intelligence es un recordatorio de que la IA física necesita una capa de verificación que todavía está en pañales. Su apuesta —IA que testea IA en simulaciones interactivas— tiene un rival enorme en Applied Intuition y un mercado que apenas empieza a definirse. Lo relevante para cualquier founder es el cambio de marco: la seguridad deja de ser un costo de cumplimiento y se vuelve parte del producto. Quien lo entienda antes, tendrá una ventaja difícil de copiar.

Fuentes

• TechCrunch — Laplace Intelligence red-teams robots and self-driving cars before they hit the real world
• TechCrunch — The Anthropic-Physical Intelligence rumor roiling AI Twitter
• Yahoo Finance / PR Newswire — Applied Intuition Announces Collaboration with Nissan
• TechCrunch — Waabi's GenAI promises to do so much more than power self-driving trucks
• Waabi — Waabi raises $200M to launch fully driverless trucks in 2025