𝐆𝐥𝐢 𝐢𝐧𝐯𝐞𝐬𝐭𝐢𝐦𝐞𝐧𝐭𝐢 𝐧𝐞𝐥𝐥𝐚 𝐫𝐨𝐛𝐨𝐭𝐢𝐜𝐚 𝐮𝐦𝐚𝐧𝐨𝐢𝐝𝐞 𝐚𝐜𝐜𝐞𝐥𝐞𝐫𝐚𝐧𝐨. 𝐎𝐫𝐚 𝐥𝐚 𝐬𝐟𝐢𝐝𝐚 𝐞̀ 𝐭𝐫𝐚𝐬𝐟𝐨𝐫𝐦𝐚𝐫𝐞 𝐢 𝐩𝐫𝐨𝐠𝐫𝐞𝐬𝐬𝐢 𝐭𝐞𝐜𝐧𝐨𝐥𝐨𝐠𝐢𝐜𝐢 𝐢𝐧 𝐥𝐚𝐯𝐨𝐫𝐨 𝐚𝐟𝐟𝐢𝐝𝐚𝐛𝐢𝐥𝐞 𝐞 𝐫𝐢𝐩𝐞𝐭𝐢𝐛𝐢𝐥𝐞. 

Le azioni di Unitree hanno chiuso il primo giorno di contrattazioni a Shanghai con un valore superiore del 460% rispetto al prezzo di collocamento. Il produttore ha raccolto circa 904 milioni di dollari, diventando la prima azienda cinese di robotica umanoide quotata sui mercati della Cina continentale, secondo quanto riportato dall’Associated Press.

Cinque giorni dopo, XPeng ha annunciato che la propria divisione dedicata alla robotica aveva raccolto oltre 900 milioni di dollari, raggiungendo una valutazione post-money superiore a 6,3 miliardi di dollari.

Il mercato dei capitali ha quindi fatto la sua scommessa: la Physical AI general purpose è destinata a diventare un settore di grandi dimensioni e la Cina punta ad assumere un ruolo di primo piano nella sua produzione su larga scala. Anche le evidenze tecnologiche sembrano muoversi nella stessa direzione, ma a una velocità molto diversa.

Mostrare un'attività sta diventando una nuova interfaccia di programmazione

Due annunci relativi a nuovi modelli, pubblicati ad agosto, mostrano progressi concreti. S1 di Skild AI utilizza una dimostrazione in-context, ovvero un video che mostra il comportamento fisico desiderato, per specificare una nuova attività. Alla maggiore scala di pre-training comunicata dall'azienda, S1 ha raggiunto un tasso di successo del 66% su attività mai affrontate prima, rispetto al 9% ottenuto dal modello di confronto basato su prompt linguistici. Secondo le stime di Skild, nel contesto del test una singola dimostrazione in-context ha prodotto un risultato paragonabile a circa 380 esempi di post-training.

GEN-1.5 di Generalist AI ha invece registrato un tasso medio di successo del 59% su dieci attività brevi, dopo una sola dimostrazione e senza aggiornamenti dei gradienti. Dieci passaggi di aggiornamento, utilizzando circa cinque minuti di dati relativi all'attività, hanno portato la media all'83%.

L'azienda è stata particolarmente trasparente anche sui limiti dei risultati: le attività erano semplici e di breve durata, il tasso di successo dopo una singola dimostrazione rimaneva contenuto e le competenze sottoposte a fine-tuning continuavano a essere più affidabili.

Questo aspetto è importante perché, in futuro, la dimostrazione potrebbe diventare per il mondo fisico ciò che il prompting rappresenta oggi per l'AI generativa. Il responsabile di un magazzino non dovrebbe avere bisogno di un team di ricercatori specializzati in robotica ogni volta che cambia un contenitore, uno strumento o una sequenza di imballaggio. Poter mostrare una sola volta l'attività e perfezionarla utilizzando una quantità limitata di dati locali cambierebbe radicalmente l'economia dell'automazione. Ma non siamo ancora a quel punto.

Una demo può tollerare un errore. Un processo no.

Un tasso di successo del 66% rappresenta un risultato interessante dal punto di vista della ricerca, ma è inaccettabile come livello operativo per la maggior parte dei processi aziendali non supervisionati. Anche l'83% implica circa un fallimento ogni sei tentativi, ammesso che i risultati della valutazione siano effettivamente trasferibili all'ambiente di destinazione. E nessun acquirente dovrebbe darlo per scontato.

Gli ambienti reali introducono infatti condizioni che le dimostrazioni controllate non possono prevedere completamente: illuminazione differente, strumenti usurati, presenza imprevista di persone, imballaggi danneggiati, percorsi ostruiti, interruzioni della rete e attività che possono durare ore anziché pochi secondi o minuti.

Naturalmente anche le persone commettono errori, ma possiedono una comprensione più ampia del contesto, consapevolezza sociale e capacità di riconoscere quando una situazione è cambiata. Un robot, invece, può reagire a un cambiamento soltanto se i suoi sensori, le sue policy operative e i suoi sistemi di sicurezza gli consentono di rilevarlo.

Per questo motivo, nel breve periodo, le implementazioni più efficaci continueranno probabilmente a essere circoscritte. Utilizzeranno spazi controllati, famiglie ristrette di attività, ambienti progettati ad hoc, supervisione e meccanismi efficaci di passaggio dell'attività a una persona.

Può sembrare meno affascinante rispetto all'idea di un androide capace di muoversi liberamente nelle nostre case, ma può comunque generare un valore economico significativo.

La prospettiva di robot capaci di apprendere attività realmente nuove con livelli di accuratezza comparabili a quelli umani va ancora misurata in anni. Per attività industriali attentamente circoscritte potrebbero essere sufficienti pochi anni; per ottenere una capacità di adattamento generalizzata negli ambienti complessi in cui operano le persone potrebbe essere necessario molto più tempo.

Le evidenze emerse ad agosto non permettono di indicare una data precisa. Confermano però la direzione della tecnologia e, allo stesso tempo, rendono evidente la distanza che resta da colmare.

Ora i capitali chiederanno prove operative

Unitree ha dichiarato circa 250 milioni di dollari di ricavi nel 2025, generati principalmente dalla vendita di robot umanoidi e quadrupedi. Si tratta quindi di un'attività industriale reale, non semplicemente di una presentazione tecnologica. Allo stesso tempo, Associated Press ha evidenziato come gran parte del settore dei robot umanoidi sia ancora legata a dimostrazioni, performance e attività di ricerca.

Il finanziamento ottenuto da XPeng mette a disposizione dell'azienda risorse significative per industrializzare queste tecnologie, ma le dichiarazioni relative all'operazione e alla propria posizione sul mercato rimangono informazioni comunicate dall'azienda, in attesa di evidenze più ampie derivanti da implementazioni concrete.

Per chi acquista queste tecnologie è importante evitare due errori opposti. Aspettare l'arrivo di un'intelligenza generale perfetta significherebbe ignorare opportunità di automazione già disponibili. Al contrario, acquistare la promessa di una tecnologia general purpose quando il contesto operativo richiede soprattutto un processo affidabile rischierebbe di trasformare una sperimentazione in una costosa dimostrazione tecnologica.

I criteri di valutazione sono molto concreti:

• Misurare il completamento corretto delle attività durante interi turni di lavoro, non soltanto attraverso dimostrazioni selezionate.
• Calcolare insieme al costo del robot anche quelli relativi a supervisione, integrazione, sicurezza, manutenzione e gestione degli errori.
• Verificare la capacità di trasferire le competenze a una nuova attività, un nuovo oggetto e un nuovo ambiente operativo prima di accettare dichiarazioni sulla generalità della soluzione.
• Definire uno stato di sicurezza da attivare quando percezione, connettività o livello di confidenza del sistema vengono meno.
• Confrontare il risultato operativo complessivo con l'automazione tradizionale e con una diversa organizzazione del lavoro umano, non semplicemente con il costo di una singola persona.

Agosto ha reso la robotica umanoide più interessante per gli investitori e l'apprendimento di nuove attività più credibile dal punto di vista tecnologico. La fase successiva sarà probabilmente molto meno spettacolare: migliaia di ore di lavoro ripetibile, analisi metodica degli errori e prove concrete che dimostrino che un robot può imparare una nuova attività senza trasformare ogni implementazione in un nuovo progetto di ricerca.

È in questo passaggio che le valutazioni finanziarie potranno trasformarsi in una vera industria.