Az előadás középpontjában a fizikai mesterséges intelligencia valós világba történő bevezetésének kihívásai állnak. Kiderül, hogy autonóm járművek és robotok esetében mennyi váratlan, nehezen előrejelezhető akadállyal találkozhatunk, amelyekre a fejlesztőknek, tesztelőknek és szabályozóknak is fel kell készülniük.
Felvetődik a kérdés, mennyire bonyolult és költséges a valós környezetek szimulálása, és a ritka vagy szélsőséges helyzetek, az úgynevezett „corner case”-ek automatizált feltérképezése. Szóba kerül, hogyan lehet a világmodellek és mesterséges intelligencia alapú tesztügynökök segítségével új, még kihívást jelentő szituációkat létrehozni, és „tanítani” a robotokat, miközben a fejlesztési és validációs költségek radikálisan csökkenthetők.
Többek között bemutatásra kerül, hogyan alkalmazható az ilyen rendszer nem csak autók, hanem általános célú robotikai feladatok, vagy akár városi közlekedési környezetek (például San Jose forgalma) esetében, különös figyelmet szentelve a biztonságnak és a szimulációs eredmények elfogadásának a szabályozó szervek és biztosítók felé.
Végül felmerül, mire kell figyelni, amikor a szimulációs környezetek valósághűségének és sokféleségének növelése a cél, valamint mik azok a technológiai és piaci tényezők, amelyek lehetővé teszik, hogy az ilyen fejlesztések széles körben elfogadottá váljanak az iparban.
