Cervelli per robot: investimenti alle stelle, dati mancanti mettono a rischio il valore

Unitree ha perso quasi metà del valore in borsa dopo l’IPO, che l’aveva valutata 66 miliardi di dollari sul listino cinese equivalente al NASDAQ. Gli analisti indicano la crepa: i robot si muovono meglio, ma faticano a trasformare quel movimento in lavoro pagato perché mancano dati di addestramento adeguati¹.

Il denaro non manca. La Physical AI attira miliardi con l’idea di portare nella robotica gli approcci che hanno spinto i Large Language Model¹. L’obiettivo è chiaro: dare ai robot cervelli addestrati su dati utili, così da legare percezione, pianificazione e azione a compiti concreti¹.

Actuate, conferenza dedicata a chi costruisce “cervelli per robot”, è triplicata rispetto al 2023 e ha contato 1.500 partecipanti secondo l’organizzatore, Foxglove¹. Foxglove fornisce strumenti per gestire e visualizzare i dati dei team di Physical AI, segno che il collo di bottiglia è lì, nei dataset e nei flussi di annotazione¹. Nei corridoi, un messaggio dominava: allo stand di Avala campeggiava la promessa di risolvere la “robotics data crisis”¹.

Qui sta il nodo operativo. Servono raccolte curate, pertinenti e abbastanza ampie per addestrare modelli che guidino le azioni nel mondo fisico. Senza questi dati, il salto dall’abilità motoria all’esecuzione affidabile di compiti resta instabile. Le dimostrazioni di locomozione non bastano se i modelli non generalizzano su attività che generano valore in fabbrica, in magazzino, in casa¹.

La correzione su Unitree rende tangibile il rischio. La quotazione ha premiato capacità meccaniche e progressi di controllo. Il mercato, pochi giorni dopo, ha chiesto conto del “saper fare” che produce ricavi: competenze operative, non solo equilibrio, corsa o salti¹. Finché i modelli restano affamati di dati rilevanti, la catena di valore si spezza sul punto in cui il robot deve capire il contesto, scegliere l’azione giusta e ripeterla senza supervisione¹.

I progetti di robot generalisti restano lontani. L’idea di una singola macchina capace di “fare tutto” non trova ancora riscontro sul campo. I progressi accumulati mostrano prototipi convincenti, ma l’affidabilità su compiti variabili richiede più e migliori dati di addestramento¹.

Il settore reagisce lungo due linee. Da un lato, strumenti e piattaforme per gestire i dati, come quelli di Foxglove. Dall’altro, iniziative che promettono di aumentare e qualificare i dataset, come il messaggio di Avala. La conversazione tecnica a Actuate ha messo i dati al centro, più dei nuovi telai o degli attuatori¹.

Se questo “debito di dati” persiste, il capitale continuerà a spingere la ricerca, mentre i listini imporranno disciplina sui risultati. La distanza tra sale piene a una conferenza e una valutazione che scivola in settimana segnala dove guardare nei prossimi mesi: pipeline di dati, qualità delle etichette, metodi per trasferire ciò che i modelli “vedono” in azioni ripetibili sul campo¹.