L’intelligenza artificiale ha già imparato a pensare. Insegnarle a muoversi, percepire e agire nel nostro mondo fisico è la frontiera più difficile, e il calendario verso un futuro alla Asimov dipende dall’hardware e dalla fiducia, non da algoritmi più intelligenti.
Una conversazione pubblicata questo mese da ChinaTalk con due analisti di robotica di SemiAnalysis ha lanciato un’affermazione su cui vale la pena soffermarsi: i robot general purpose potrebbero essere la prima tecnologia in un secolo capace di scollegare davvero la produzione fisica dal lavoro umano. Il confronto si è concentrato sulla rapida ascesa di Unitree e sul controllo che la Cina esercita su attuatori e lavorazione delle terre rare, ma la domanda strategica che solleva è più ampia di quella legata a una singola azienda. Se la cognizione è già stata industrializzata attraverso i grandi modelli linguistici, cosa ci separa davvero da un mondo in cui le macchine condividono i nostri spazi fisici con la stessa disinvoltura con cui oggi condividono le nostre caselle di posta, un futuro alla Asimov, se vogliamo, fatto di robot che cucinano, si prendono cura, costruiscono e convivono con noi? La risposta onesta è che il vincolo si è spostato. Non si tratta più di capire se un modello sappia pianificare un compito, ma se un corpo sappia eseguirlo in modo affidabile, sicuro e sufficientemente economico da avere rilevanza.
L’abisso tra la dimostrazione e l’adozione
Il team Industrials di McKinsey, che monitora i piloti di robot umanoidi nel manifatturiero e nella logistica, descrive la situazione come un abisso più che come una pendenza: i piloti condotti da BMW, Mercedes e Amazon mostrano già robot alle prese con compiti strutturati e mappati, come la logistica interna agli stabilimenti, ma scalare oltre questi ambienti controllati richiede di colmare quattro divari distinti allo stesso tempo, prestazioni tecniche, costi, garanzie di sicurezza e regolamentazione. Nessuno di questi divari si colma semplicemente con modelli linguistici migliori. Un umanoide ha ancora bisogno di miliardi di interazioni simulate o teleoperate per padroneggiare anche compiti di manipolazione limitati, e generalizza male non appena l’ambiente cambia. La percezione tattile, le mani adattive e attuatori abbastanza compatti da stare in un arto di scala umana restano, secondo lo stesso McKinsey, problemi ingegneristici irrisolti, non problemi di dati. Il progresso sul piano cognitivo ha semplicemente superato quello del corpo chiamato a metterlo in pratica.
Quattro ostacoli, non uno
Il primo ostacolo è la destrezza e la resistenza: mani, giunti e sistemi di raffreddamento capaci di reggere un turno di otto ore senza surriscaldarsi o degradarsi, una soglia che le piattaforme attuali raggiungono solo in configurazioni ristrette e specifiche per singolo compito. Il secondo è il dato: l’esperienza incarnata non può essere estratta da internet come il testo, quindi ogni progresso nella manipolazione fine dipende oggi da banchi di prova su misura, flotte di teleoperazione o simulatori costruiti ad hoc, un sostituto costoso e lento rispetto agli enormi corpus che hanno addestrato gli attuali modelli linguistici. Il terzo è la catena di fornitura stessa. Il Center for Security and Emerging Technology di Georgetown osserva che la produzione scalabile di umanoidi dipende da curve di costo che non si sono ancora piegate, e che l’ecosistema di attuatori e terre rare che le sostiene è concentrato geograficamente al punto da preoccupare qualsiasi dirigente stia pianificando un dispiegamento a cinque anni. Il quarto ostacolo, il meno discusso negli ambienti ingegneristici, è la fiducia: prevenzione delle collisioni, cybersicurezza e trasparenza decisionale devono essere certificate prima che una macchina con coppia motrice reale possa lavorare accanto a un essere umano non protetto, e quell’impalcatura regolatoria esiste ancora a malapena.
Colmare il divario: tre leve plausibili
Nessuno di questi ostacoli è insormontabile, e la direzione di marcia è già visibile. L’integrazione verticale è la prima leva: le aziende che controllano la progettazione dell’attuatore, dal magnete di terre rare fino al giunto finito, iterano più rapidamente perché ogni fallimento retroalimenta direttamente la revisione successiva, lo stesso ciclo che ha permesso all’industria cinese dei veicoli elettrici di superare concorrenti prima liquidati come innocui. La seconda leva è una strategia di dispiegamento deliberatamente irregolare, invece della ricerca di un unico robot universale: abbinare un compito più circoscritto e ben strumentato, come il cablaggio in un data center, la pulizia delle cabine in un aeroporto o la lavorazione della lamiera su una linea di montaggio, con effettori terminali su misura e modelli specifici, colma il divario di destrezza molto più rapidamente che attendere l’arrivo di un modello fondativo general purpose. La terza leva è l’approvvigionamento alleato e diversificato: zone economiche con permessi più snelli, alleanze con Giappone, Australia e Sud-est asiatico per la lavorazione delle terre rare, e una politica industriale che tratti gli attuatori come un decennio fa si è trattato i semiconduttori. Niente di tutto questo è affascinante, ma non lo era nemmeno il decennio di capitale poco appariscente che ha costruito la moderna industria dei chip.
Un calendario speculativo
Partendo da dove si trovano oggi queste leve, un’ipotesi ragionevole è la seguente. Entro due o quattro anni, la manipolazione grossolana su piattaforme mobili diventa dispiegabile su scala significativa in logistica e manifattura, estendendo di fatto i piloti odierni fino a diventare linee di approvvigionamento standard. Entro la fine del decennio, una seconda ondata di compiti che richiedono un giudizio tattile autentico, dal cablaggio all’assemblaggio leggero, comincia a passare dal pilota alla piattaforma man mano che i costi di sensori e attuatori calano di un fattore compreso tra cinque e dieci, quello che McKinsey stima ancora necessario. Il robot domestico, quello che piega il bucato, cucina e sorveglia un familiare anziano, si colloca su una curva più lunga, non solo perché il problema della manipolazione è categoricamente più difficile, ma anche perché la vicinanza non supervisionata a persone non addestrate moltiplica l’onere di sicurezza e responsabilità ben oltre quanto richiesto da un capannone industriale. Una convivenza realistica alla Asimov, in cui l’IA fisica sia semplicemente parte del funzionamento di case e città, è, con una certa plausibilità, una storia collocabile tra il 2035 e il 2045 più che al 2030, e arriverà in modo disomogeneo: prima gli ambienti industriali e logistici, poi gli spazi pubblici controllati come ospedali e aeroporti, infine le abitazioni private.
Cosa significa questo per chi decide oggi
Per i dirigenti che leggono queste righe, e il riferimento qui riguarda soprattutto il mondo occidentale, la conclusione pratica non è attendere la certezza prima di muoversi. Le organizzazioni che stanno già sperimentando umanoidi su compiti circoscritti e ben definiti sono quelle che stanno costruendo il muscolo operativo, come le pipeline di dati, i protocolli di sicurezza e i rapporti con i fornitori, che si accumulerà non appena la curva dell’hardware si piegherà. L’IA fisica sta seguendo la traiettoria che l’IA digitale ci ha già mostrato: il progresso arriva in modo disomogeneo, l’adozione resta indietro rispetto alla capacità, e le aziende che tratteranno questo tema come una questione infrastrutturale quinquennale, e non come il lancio unico e spettacolare di un prodotto, saranno quelle pronte quando i robot smetteranno di ballare e cominceranno a lavorare.
