Diese Woche bringt @AppliedInt Dana auf den Markt, eine agentische Plattform zur Entwicklung physischer KI-Anwendungen. Applied Intuition begann damit, die Werkzeuge zu bauen, die Ingenieure für die Entwicklung autonomer Systeme benötigten, dann das Betriebssystem, das sie alle untermauert, und zog schließlich weiter in die Intelligenz, die auf den Maschinen selbst läuft. Wie Mitgründer und CEO Qasar Younis das Unternehmen heute beschreibt, war das Ziel schon immer viel größer als nur Werkzeuge für selbstfahrende Fahrzeuge. Die Mission ist Intelligenz auf einer Milliarde Maschinen.
Die unmodische Schicht
Im Jahr 2017 einten die Autonomiebranche eine gemeinsame Vorhersage: Eines einer kleinen Anzahl vertikal integrierter Unternehmen würde das selbstfahrende Auto lösen, die Fahrzeuge betreiben und den gesamten Markt erobern. Infolgedessen floss das Kapital überwiegend in Full-Stack-Robotaxi-Programme. Jedes Programm stellte seine eigenen Ingenieure ein, stellte seine eigene Flotte zusammen und baute im Wesentlichen die gleiche interne Entwicklungsinfrastruktur wieder auf.
Ingenieure, die zwischen großen Autonomieprogrammen wechselten, erlebten ein seltsames Ritual. Sie ließen die Werkzeuge zurück, die sie zur Entwicklung und zum Testen autonomer Systeme verwendet hatten, kamen beim nächsten Unternehmen an und begannen, diese Werkzeuge erneut zu bauen. Die Branche hatte viel Überzeugung bezüglich Autonomie, aber nur sehr wenige gemeinsame Best Practices, um sie zu produzieren.
Applied Intuition schlug vor, aus diesen Best Practices ein Unternehmen zu machen.
Das war eine Minderheitenmeinung und keine konventionelle Art, an einem zunehmend modischen Markt teilzunehmen. Die großen Level-4-Autonomieentwickler glaubten nicht, dass sie einen externen Werkzeuglieferanten brauchten. Applied Intuition versuchte trotzdem, an sie zu verkaufen. Prominente Selbstfahrprogramme wie Cruise sagten Nein. Vielleicht war das zu der Zeit eine verständliche Position: Sie würden nicht auf ein Startup wie Applied Intuition warten, um Werkzeuge zu bauen, die ihre eigenen Ingenieure ohnehin intern entwickeln wollten.
Viele der prominenten Full-Stack-Programme dieser Ära existieren nicht mehr in der Form, die sie damals hatten. Cruise zum Beispiel wurde von General Motors übernommen und nach einem Sicherheitsvorfall eingestellt. Applied Intuition hat die meisten von ihnen überlebt (und übertroffen).
Der Gründungs-Deck von Applied Intuition enthielt eine Folie mit dem Titel „Ideen, von denen wir glauben, dass sie wahr sind.“ Eine dieser Ideen war, dass jeder einzelne Hersteller autonomer Fahrzeuge nur einen einstelligen Anteil am globalen Automarkt halten würde, weil die Struktur der Automobilindustrie zur Verteilung auf viele Hersteller tendiert.
Wenn ein vertikal integriertes Unternehmen den Fahrzeugmarkt übernommen hätte, wäre die rationale Strategie gewesen, in dieses Unternehmen zu investieren (und es zu sein). Aber wenn es kein Winner-take-all-Markt war, dann würden die anderen rund neunzig Prozent der Autos Intelligenz durch die bestehende Automobilindustrie erlangen. Diese Hersteller könnten nicht alle jeweils jede Schicht des modernen Software-Stacks reproduzieren. Ein unabhängiger Lieferant müsste die gemeinsame Infrastruktur bereitstellen.
Qasar und der CTO und Mitgründer von Applied Intuition, Peter Ludwig, setzten auf Diffusion statt Konzentration. Die autonome Zukunft würde nicht nur durch neue Marktteilnehmer kommen, die etablierte Akteure ersetzen, sondern auch, weil die etablierten Akteure zu technisch anderen Unternehmen werden könnten. Applied Intuition würde ihnen die Mittel dazu geben.
Qasar und Peter brachten Erfahrung von General Motors, Google und Y Combinator mit technischer Tiefe und einer ungewöhnlichen Toleranz für die langsame, akribische Arbeit am Bau sicherheitskritischer Systeme zusammen. Nachdem die großen Level-4-Unternehmen zunächst ablehnten, Kunden zu werden, verkaufte Applied Intuition an kleinere Autonomie-Teams im Silicon Valley, darunter Voyage und dessen Kohorte. Die von ihnen entwickelten Produkte folgten den Anforderungen der Arbeit ihrer Kunden: zuerst ein Simulator für die Planung, dann ein Simulator für die Wahrnehmung und schließlich Infrastruktur zur Verwaltung von Daten und zur Ausführung von Millionen dieser Simulationen.
Deterministische Simulation, die mit der physischen Realität korreliert, mag wie eine unglamouröse Produktkategorie klingen. In der Praxis gab sie der Branche einen gemeinsamen Prüfstein, um festzustellen, ob ein autonomes System funktionierte, ohne ein Fahrzeug auf die Straße bringen und in der Produktion testen zu müssen. Ein Simulator macht ein Straßenereignis zu einem wiederholbaren Test, der dann in der Realität umgesetzt werden kann.
Die Marktstruktur hat seitdem die Folie „Ideen, von denen wir glauben, dass sie wahr sind“ von Applied gegen die These des monolithischen Herstellers bestätigt. Das war im Voraus wirklich nicht so offensichtlich, aber im Nachhinein ergibt es Sinn. Das Automobil ist kein reines Softwareprodukt. Es ist ein reguliertes, kapitalintensives physisches System, das durch etablierte Vertriebsnetze verkauft wird. Software kann neu organisieren, wo Wert entsteht und welche Fähigkeiten wichtig sind. Aber sie kann diese industrielle Komplexität nicht von allein auf einen einzigen Hersteller reduzieren.
An einem klaren Tag kann man General Motors sehen
Um 2018 und 2019 herum gab General Motors eine formelle Ausschreibung für Entwicklungswerkzeuge heraus. Achtundzwanzig Unternehmen boten mit, darunter NVIDIA und Ansys. Applied Intuition war noch ein kleines Startup und GM hatte Beschaffungsverfahren und unzählige Optionen, die alle darum wetteiferten, ausgewählt zu werden. Die Produkte von Applied schnitten gegen die Spezifikation besser ab, und deshalb gewann ihr Angebot.
Der GM-Auftrag verwandelte einen Keil unter den Autonomie-Startups im Silicon Valley in Legitimität bei traditionellen Herstellern. Das Playbook wurde wiederholbar: Beginne mit technisch aggressiven kleineren Unternehmen, nutze dann die resultierenden Produkte und Belege, um etablierte Akteure zu bedienen, die im industriellen Maßstab operieren.
Etwa achtzehn Monate nach der Gründung trat Applied Intuition in die Verteidigungsindustrie ein. Das Unternehmen stellte Leute ein, die das Feld von innen heraus verstanden, und wandte dann das Automobil-Muster aus Simulation, Daten, Integration und Validierung auf Verteidigungssysteme an. Es folgten Bauwesen und Bergbau, dann der gewerbliche Güterverkehr.
Ein generisches Softwareunternehmen tritt oft in eine neue Branche ein, indem es einige der Substantive in seinem Verkaufsdeck ändert. Applied trat ein, indem es Teams einstellte, die in jeder Domäne zuhause waren, und das Produkt um die Zwänge des Kunden, des Beschaffungssystems und der Sicherheitsnachweise herum neu aufbaute. Gleichzeitig bewegte sich das Produkt eine technische Leiter hinauf.
Die untere Schicht bestand aus Simulations- und Dateninfrastruktur: Generieren von Szenarien, Sammeln von Maschinendaten, Reproduzieren von Ereignissen und Bewerten von Verhalten. Darüber kamen Betriebssysteme für physische Maschinen: Planung, Middleware, Speicherverwaltung, Kommunikation und funktionale Sicherheit. Dies waren Betriebssysteme, die für die Maschine verantwortlich waren, nicht für eine Sammlung von darauf angezeigten Anwendungen. Darüber kam die Intelligenz selbst: Weltmodelle und Planungssysteme, die auf Maschinen an Land, in der Luft und auf See eingesetzt wurden.
Bis 2024 und 2025 war das Ergebnis extern messbar. Applied Intuition nahm eine Finanzierungsrunde mit einer Bewertung von 15 Milliarden Dollar auf. Bis 2025 waren achtzehn der zwanzig führenden nicht-chinesischen Automobilhersteller Kunden. Level-4-Lkw, die Applied-Intuition-Technologie nutzten, fuhren in Japan ohne Fahrer. Das Unternehmen hatte Einsätze bei der US-Armee und ein Betriebssystem an Bord von Kriegsschiffen der US-Marine, sowie Produktionsarbeit im Bergbau, Bauwesen, in der Landwirtschaft und im Güterverkehr. Und, was für viele Silicon-Valley-Startups eine Anomalie ist, hat Applied Intuition das von Investoren aufgenommene Primärkapital (knapp 1 Milliarde Dollar) weitgehend erhalten, während der Umsatz im großen Maßstab mehrere Jahre in Folge fast verdoppelt wurde.
Bis dahin hatte sich das ursprüngliche Problem geändert. Im Jahr 2017 fragte sich die Branche, wann die autonome Intelligenz leistungsfähig genug sein würde. Bis Mitte der 2020er Jahre, dank der zunehmenden Raffinesse von Transformer-Modellen, kam die Modellfähigkeit schneller, als große Organisationen sie einsetzen konnten.
Deshalb können Werkzeugunternehmen zu Plattformunternehmen werden. Ein Werkzeug beginnt damit, eine begrenzte Aufgabe zu lösen. Wenn es erfolgreich ist, wird es zur gemeinsamen Schnittstelle, über die viele Aufgaben ausgeführt werden. Es sammelt Integrationen, Testfälle, Workflows und organisatorisches Gedächtnis an, und schließlich hört es auf, ein Zubehör des Produktionssystems zu sein, und wird zur Umgebung, in der die Produktion stattfindet.
Der Webbrowser bietet eine historische Parallele. Er hat das darunterliegende Internet nicht „erschaffen“, aber er hat das Netz für die überwältigende Mehrheit der Menschen nutzbar gemacht, die keine nerdigen Hobbyisten waren, und Billionen von Dollar an wirtschaftlicher Aktivität bewegten sich in Richtung dessen, was dieser Zugang ihnen ermöglichte, zu bauen und zu tun. Der Fortschritt von Applied Intuition vom Simulator zur Dateninfrastruktur zum Betriebssystem folgte der Arbeit, die seine Kunden bereits leisteten. Als mehr dieser Arbeit in die Produkte von Applied wanderte, wurde die Software ein Teil davon, wie diese Unternehmen Maschinen bauten, und nicht nur ein Werkzeug, das für eine Entwicklungsphase verwendet wurde.
Dana
Heute bringt Applied Intuition Dana auf den Markt.
Neun Jahre lang hat Applied Intuition die Technologie entwickelt, die zur Entwicklung intelligenter Maschinen verwendet wird. Dana setzt eine agentische Schnittstelle auf dieses angesammelte System. Ein Ingenieur kann mit einer Anforderung beginnen, sie mit dem relevanten Code verbinden, die Änderung durch Simulation und definierte Bewertungen laufen lassen, sie auf einen Prüfstand oder ein Hardware-in-the-Loop-System verschieben und sie schließlich für eine physische Maschine bereitstellen. Ein Großteil dieser Arbeit erforderte zuvor, dass Ingenieure Ergebnisse manuell zwischen spezialisierten Werkzeugen weitergaben. Dana kann den Pfad koordinieren und dabei eine Aufzeichnung darüber führen, wie und warum sich das System geändert hat.
Dies kommt zu einer Zeit, in der sich die technische Methode hinter der Autonomie ändert. Für den Großteil der Geschichte der selbstfahrenden Industrie kamen Fortschritte in Form von Imitationslernen: genug aufgezeichnetes menschliches Fahren sammeln und das Modell trainieren, es zu kopieren. Die Grenze hat sich in Richtung End-to-End-Verstärkungslernen in einer geschlossenen Entwicklungsschleife verschoben. Das System stößt auf ein Problem, das Team findet oder generiert mehr Beispiele dieser Situation, das Modell trainiert erneut, und dasselbe Szenario wird erneut ausgeführt, um zu sehen, ob sich sein Verhalten verbessert hat. Applied verfügt bereits über die Simulations-, Synthetikdaten-, Bewertungs- und Bereitstellungssysteme, die zum Betreiben dieser Schleife erforderlich sind. Dana gibt Agenten eine Rolle beim Betrieb derselben.
Die physische Wirtschaft hat sich historisch gesehen aus Gründen, die unüberwindbar schienen, gegenüber Software resistent gezeigt. Diese Branchen haben lange Hardwarezyklen und viele Überlegungen zur physischen Welt. Das sind banale technische Probleme, bis die Maschine mehrere Tonnen wiegt und sich in der Nähe von Menschen bewegt und jemand verletzt wird. An diesem Punkt muss jedes Glied zwischen einer Spezifikation und einer Bereitstellungsentscheidung einer Prüfung standhalten.
Autonome Maschinen stehen vor einer ungewöhnlichen Beweislast. Ein Hersteller mag glauben, dass ein Modell gut funktioniert, und es dennoch nicht ausliefern können, bis die Regulierungsbehörden verstehen können, wie diese Schlussfolgerung erreicht wurde. Dana wurde darum herum gebaut. Sein Nutzen hängt ebenso sehr von Rückverfolgbarkeit und Bewertung ab wie von der Geschwindigkeit, mit der es Code generieren oder einen Workflow ausführen kann.
Die Wirtschaftlichkeit ändert sich gleichzeitig. Intelligenz bewegt sich auf einer steilen Preiskurve nach unten. Die Autonomieschicht selbst wird in Richtung Überfluss und, in vielen Umgebungen, in Richtung eines vernachlässigbaren Grenzpreises tendieren.
Ein Roboterhersteller kann nur die Maschinen verkaufen, die er herstellt. Dana kann verwendet werden, um Ausrüstung aufzurüsten, von der bereits erwartet wird, dass sie weitere zwanzig Jahre in Betrieb bleibt, und um neue Maschinen zu entwickeln, deren Form nicht mehr durch die Notwendigkeit bestimmt wird, einen menschlichen Fahrer in ihnen unterzubringen. Mit anderen Worten, Dana ist ein Weg, wie wir eine Milliarde intelligenter Maschinen bekommen können.
Jahrelang waren autonome Systeme durch die Modelle selbst begrenzt. Diese Einschränkung hat sich gelockert. Die verbleibende Arbeit sitzt in den Herstellern und Betreibern, die versuchen, sie einzusetzen, in Form der Anpassung von Modellen an reale Hardware und der Unterstützung des Systems, sobald es fernab eines Forschungslabors arbeitet. Der Markt ist bereit, KI in der physischen Welt einzusetzen, aber die meisten Unternehmen können es sich nicht leisten, eine tausendköpfige Autonomieorganisation dafür aufzubauen.
Applied Intuition hat neun Jahre damit verbracht zu lernen, wie Intelligenz den Kontakt mit Hardware und der physischen Welt überlebt. Dana gibt dieses Wissen jedem an die Hand, der versucht, eine Maschine eigenständig bewegen zu lassen.
