Il passaggio dall’intelligenza artificiale digitale a robot fisici e autonomi si rivela più complesso del previsto, soprattutto perché le metriche di successo accademiche spesso non corrispondono all’efficienza e all’affidabilità richieste nel mondo reale delle fabbriche.
[In pillole] La sintesi per chi va di fretta:
L'azienda Positronic Robotics ha introdotto PhAIL un nuovo sistema di valutazione per i robot industriali. L'iniziativa mira a superare le metriche accademiche, misurando le prestazioni dei robot con standard concreti del settore manifatturiero, come le unità per ora e il tempo medio tra i guasti, per colmare il divario esistente tra la teoria e l'efficacia pratica.
I robot per l’industria hanno un problema di cui si parla poco
Nel mondo dell’intelligenza artificiale, abituato a progressi rapidi e a dimostrazioni quasi sbalorditive, il passaggio dal digitale al fisico è ancora un ostacolo complesso e pieno di incertezze.
Un conto è un software in grado di scrivere un testo o generare un’immagine, un altro è un braccio robotico che deve afferrare un oggetto reale, in un ambiente imprevedibile come un magazzino o una linea di produzione.
Per fare un po’ di ordine in questo settore, l’azienda Positronic Robotics ha presentato PhAIL (Physical AI Leaderboard), un’iniziativa che non vuole misurare quanto un robot sia “intelligente” in teoria, ma quanto sia concretamente utile ed efficiente nel mondo reale.
L’idea è di spostare il metro di giudizio dai laboratori accademici alle fabbriche, dove i parametri che contano non sono gli stessi.
Fino ad oggi, gran parte della ricerca nel campo della robotica si è basata su metriche che hanno senso in un contesto di studio, come la percentuale di successo nel completare un compito.
Un robot che riesce a prendere una vite e a posizionarla correttamente il 99% delle volte, per esempio, potrebbe essere considerato un grande successo in un articolo scientifico.
Tuttavia, per un’azienda che gestisce un centro logistico, questa informazione è parziale.
Se quel robot impiega dieci secondi per ogni vite, mentre un operatore umano ne impiega due, la sua efficienza è molto bassa. Se, inoltre, dopo duecento operazioni si inceppa e richiede manutenzione, la sua affidabilità diventa un costo, non un vantaggio.
Questa discrepanza tra il successo teorico e l’efficacia pratica è il problema che PhAIL si propone di affrontare.
Non è una questione di poco conto, perché determina la differenza tra un esperimento interessante e un investimento profittevole per un’impresa. Ne consegue che le aziende non si accontentano più di modelli software generici o accademici. Il vero vantaggio competitivo nasce solo quando lo sviluppo algoritmico si traduce in un’AI su Misura, ingegnerizzata appositamente per risolvere i colli di bottiglia specifici di quel singolo stabilimento.
La proposta di Positronic Robotics è quindi quella di adottare le stesse unità di misura utilizzate da decenni nel settore manifatturiero e logistico: le unità per ora e il tempo medio tra i guasti.
Si tratta di indicatori molto concreti, che rispondono a domande semplici:
quanto lavoro produce questa macchina in un’ora?
E per quanto tempo posso contare sul suo funzionamento prima che si fermi?
Come descritto su Robotics and Automation News, Sergey Arkhangelskiy, fondatore dell’azienda, ha riassunto questa visione in modo diretto, spiegando che l’intelligenza artificiale applicata al mondo fisico deve prima di tutto dimostrare il suo valore in contesti industriali, e PhAIL è lo strumento per misurare se ne è in grado.
L’approccio, dunque, è pragmatico e sembra voler portare un po’ di concretezza in un campo spesso alimentato da aspettative molto alte, ma da risultati pratici ancora discontinui.
Un metro per la fabbrica, non per il laboratorio
Per mettere alla prova questo nuovo sistema di valutazione, Positronic ha iniziato da un’operazione comune ma più complessa di quanto sembri: il bin-to-bin picking. Si tratta del compito di prelevare oggetti da un contenitore per depositarli in un altro, un’attività ripetitiva e fondamentale in moltissimi magazzini.
L’azienda ha allestito un sistema fisico dove diversi modelli di intelligenza artificiale, inclusi alcuni sviluppati da giganti del settore come Nvidia e Hugging Face, vengono messi alla prova ripetutamente.
Ogni ciclo di lavoro viene registrato e i dati sulle prestazioni, insieme alla telemetria del robot, vengono resi pubblici per garantire la massima trasparenza. L’obiettivo è creare una classifica basata su dati oggettivi, dove chiunque possa verificare non solo il risultato finale, ma anche come ci si è arrivati.
I primi risultati pubblicati sono stati significativi, perché hanno messo in luce un divario notevole tra le capacità degli attuali sistemi robotici guidati da intelligenza artificiale e quelle di un operatore umano. In particolare, i robot testati si sono rivelati meno veloci e meno affidabili.
Questo dato, sebbene possa sembrare una delusione, è in realtà il punto centrale dell’iniziativa.
– Leggi anche: Meta e Google condannate: la storica sentenza sulla dipendenza da social media
Dimostra che le metriche accademiche tradizionali possono essere fuorvianti, perché non catturano i limiti pratici che ancora oggi ostacolano una vera adozione di massa di queste tecnologie nelle aziende. Un sistema può essere estremamente sofisticato dal punto di vista del software, ma se poi si rivela lento o soggetto a guasti frequenti, il suo valore commerciale è quasi nullo.
La questione sollevata da PhAIL non è quindi se i robot dotati di IA possano eseguire un compito, ma se possano farlo a un ritmo e con un’affidabilità tali da giustificarne l’investimento.
Il problema non è più soltanto tecnologico, ma diventa economico e operativo.
Rendere pubblici questi dati, comprese le prestazioni non eccezionali di modelli molto noti, serve a stabilire una base di partenza realistica da cui l’intero settore può partire per migliorare. Senza un punto di riferimento comune e trasparente, il rischio è che ogni sviluppatore promuova i propri sistemi sulla base di test interni, condotti in condizioni ideali e difficilmente confrontabili con quelli della concorrenza.
Questa mancanza di standard oggettivi ha creato finora un mercato frammentato, dove per un’azienda è difficile capire quale tecnologia sia davvero la più adatta alle proprie esigenze.
Un problema di fiducia (e di standard)
Positronic Robotics sostiene che l’introduzione di PhAIL colmi una lacuna importante nel settore: la mancanza di benchmark obiettivi e pertinenti per i cosiddetti foundation models applicati alla robotica. Questi modelli, simili a quelli che alimentano le intelligenze artificiali generative come ChatGPT, sono sistemi generalisti che possono essere adattati a una vasta gamma di compiti senza dover essere riprogrammati da zero.
Rappresentano una grande promessa per la robotica, perché potrebbero portare alla creazione di robot più versatili e capaci di apprendere nuove mansioni rapidamente. Tuttavia, proprio la loro natura generalista rende difficile valutarne le prestazioni in compiti specifici.
Come si può confrontare in modo equo un modello di Nvidia con uno di Hugging Face quando entrambi vengono applicati a un braccio robotico che deve smistare pacchi?
La risposta di Positronic non è stata quella di creare una piattaforma proprietaria e chiusa, ma di strutturare PhAIL come un consorzio aperto. L’idea è quella di renderlo uno standard per l’industria, a cui possono contribuire e da cui possono beneficiare sviluppatori di software, produttori di hardware e aziende utilizzatrici.
I partner iniziali, come il fornitore di servizi cloud Nebius e la società di dati Toloka, suggeriscono la natura collaborativa del progetto. Un approccio di questo tipo potrebbe accelerare la maturazione del settore, permettendo a tutti gli attori di confrontare le prestazioni dei loro sistemi in condizioni controllate e identiche per tutti. La trasparenza, in questo contesto, diventa uno strumento per stimolare la competizione e l’innovazione.
Tuttavia, un’iniziativa del genere solleva anche delle domande sulla sua governance e neutralità. Sebbene presentato come uno standard aperto, PhAIL è pur sempre un progetto guidato da un’azienda privata, Positronic Robotics, che ha i propri interessi commerciali.
Diventare l’arbitro che definisce cosa significa “performance” in un settore in rapida crescita conferisce un potere e un’influenza notevoli. Sarà interessante osservare come evolverà la struttura del consorzio e se riuscirà a mantenere un equilibrio tra gli interessi del suo fondatore e quelli della più ampia comunità della robotica.
La credibilità di PhAIL come standard di settore dipenderà in gran parte dalla sua capacità di essere, e di apparire, un giudice imparziale.
Tra promesse e pragmatismo
Il lancio di PhAIL arriva in un momento di grande fermento per l’intelligenza artificiale applicata alla robotica. Le grandi aziende tecnologiche stanno investendo somme considerevoli in questo campo, convinte che i robot intelligenti e autonomi rappresentino la prossima grande trasformazione per l’industria e i servizi.
Eppure, le difficoltà nel tradurre i successi ottenuti nel mondo digitale in prestazioni altrettanto solide nel mondo fisico rimangono evidenti.
Un ambiente fisico è per sua natura caotico e imprevedibile: gli oggetti possono avere forme, pesi e superfici diverse, l’illuminazione può cambiare e possono verificarsi eventi inaspettati. Un robot deve essere in grado di gestire questa complessità con un’affidabilità quasi assoluta, e questo è ancora un obiettivo difficile da raggiungere.
In questo contesto, un’iniziativa come PhAIL si posiziona come uno strumento di pragmatismo. Fornendo dati chiari e misurabili, potrebbe aiutare le aziende a prendere decisioni più informate, separando le tecnologie realmente promettenti da quelle la cui efficacia è sostenuta più dal marketing che dai fatti.
Positronic ha già annunciato che il benchmark verrà ampliato nel tempo per includere compiti più complessi del bin-picking e diverse configurazioni hardware, con l’obiettivo di riflettere una gamma più ampia di applicazioni industriali.
D’altronde, dal punto di vista dell’architettura software, nessuna di queste macchine opererà mai isolata. Per orchestrare flotte robotiche e macchinari in un flusso coerente, lo sviluppo e l’integrazione nativa con un MES rappresenta il vero passaggio obbligato per le fabbriche.
Alla fine, il successo di PhAIL non dipenderà solo dalla sua solidità tecnica, ma anche dalla sua adozione da parte del mercato. Se i principali sviluppatori di robotica e le grandi aziende manifatturiere inizieranno a usare questa classifica come punto di riferimento, essa potrebbe effettivamente diventare lo standard de facto del settore.
Per Positronic Robotics, questo rappresenterebbe un enorme successo strategico, posizionandola al centro di una delle conversazioni tecnologiche più importanti dei prossimi anni.
Per il resto del settore, potrebbe significare l’inizio di una nuova fase, una in cui le promesse dell’intelligenza artificiale vengono finalmente misurate con il metro inflessibile della produttività del mondo reale.
