Innodata apre un laboratorio di motion capture mentre l'entusiasmo per gli umanoidi incontra la realtà della fabbrica

Innodata Inc. ha annunciato il 30 settembre di aver aperto un laboratorio per catturare dati di movimento destinati all'addestramento della prossima generazione di robot simili all'uomo. Il laboratorio servirà anche a validare in modo indipendente i dati sulle prestazioni che quegli stessi robot generano al proprio interno. L'azienda di data engineering di Ridgefield Park, nel New Jersey, fondata nel 1988, presenta la struttura come la risposta a una carenza che oggi è il vincolo decisivo del settore.

"La physical AI cresce più di qualsiasi altro segmento dell'AI, ma ogni team di robotica sbatte contro lo stesso muro: non ci sono abbastanza dati di interazione nel mondo reale, e quelli che esistono sono costosi e lenti da produrre", ha dichiarato Rahul Singhal, amministratore delegato di Innodata, in una nota ripresa da The Robot Report. Franklin Tanner, vicepresidente della divisione robotica e physical AI dell'azienda, ha detto alla stessa testata che "la physical AI deve guadagnarsi i suoi token un'interazione alla volta, e devono essere interazioni deliberate".

La proposta è stretta e tecnica. Altri fornitori di dati ricavano il movimento 3D analizzando video 2D. Innodata sostiene invece di catturare i dati 3D direttamente dai corpi, umani o meccanici, e che i suoi sensori registrano il movimento di ogni giunto. Tanner argomenta che la precisione conta perché un umanoide può pesare quasi 200 lb (90,7 kg), quindi le letture "non possono essere approssimative".

Il problema dei dati è il problema del deployment

Il laboratorio di Innodata arriva in una settimana densa di annunci su quanto velocemente i robot stiano entrando nelle fabbriche, e di scetticismo su quanto di tutto questo sia reale. Lo stesso giorno, Arrowfly, la società madre di The Robot Report, ha lanciato AI for Engineers, una piattaforma, una conferenza e un comitato consultivo rivolti agli ingegneri che applicano l'AI nella progettazione di prodotto, nella produzione e nella robotica. Arrowfly afferma che la sua rete di ingegneri raggiunge 2,1 milioni di lettori verificati del settore attraverso più di 20 testate, e che 30.000 professionisti dell'ingegneria hanno già affrontato temi di AI nel suo portafoglio. La conferenza, in programma dal 20 al 22 settembre 2027 a Henderson, nel Nevada, prevede 700 ingegneri distribuiti su cinque percorsi, tra cui robotica e operazioni industriali. Amanda Buehner, senior vice president per le vendite e la strategia della divisione engineering di Arrowfly, ha detto che la sfida descritta dai leader tecnici non è se adottare l'AI, ma "come passare dalla sperimentazione ad applicazioni pratiche e ripetibili che producano risultati".

Sul fronte dei modelli, una startup chiamata MindOn ha pubblicato il 30 settembre un post tecnico in cui sostiene che il suo nuovo modello di physical AI, Mind-1, riduce la latenza di inferenza dei robot da 82ms a 32ms. L'azienda sostiene che è la velocità, non solo la capacità, a determinare se i robot entrano nei flussi di lavoro reali. A una velocità dell'end-effector di 3 metri al secondo, osserva, 10ms di latenza corrispondono a circa 3cm di movimento, abbastanza da incidere sulla presa e sull'inserimento di precisione. MindOn indica anche un problema di dati di addestramento che assomiglia a quello di Innodata. Gran parte dei dati di manipolazione robotica viene dalla teleoperazione, che è più lenta del movimento umano naturale, e i modelli imparano il ritmo delle dimostrazioni insieme al compito. Dimostrazioni lente, dice l'azienda, producono politiche conservative.

I benchmark nascondono un quadro irregolare

Un lavoro di valutazione indipendente pubblicato il 30 settembre complica qualsiasi racconto basato su un singolo numero. I ricercatori di Fig Inc. hanno valutato modelli di frontiera tra cui Astra e Opus 5.5 su automazione web e quattro domini fisici: Bench2Drive, VLABench, IndEgo e Assembly101. Il loro risultato, diffuso insieme a un dataset chiamato RIDGE: in ogni coppia di modelli testata, il modello con il punteggio più basso ha risolto almeno un compito che il modello con il punteggio più alto ha fallito.

Gli aggiornamenti dei modelli hanno ridisegnato quei profili senza spostare le medie. Un aggiornamento all'interno di una famiglia di modelli ha lasciato la media quasi invariata mentre molti singoli compiti si sono invertiti. Un altro aggiornamento ha alzato la media, ma ha comunque perso compiti che il modello precedente risolveva. La stessa irregolarità è emersa nei domini fisici, dove modelli che battevano Gemini 3.5-Flash su ogni media di dominio facevano comunque peggio su alcune categorie di compiti. Per le fabbriche questo conta, perché le decisioni di deployment si appoggiano ai punteggi dei benchmark. Se i tassi di successo oscillano ampiamente dentro un unico valore riportato, allora un robot che sembra affidabile in media può comunque fallire proprio sul compito specifico che una linea di produzione gli chiede di svolgere.

L'Europa finanzia il livello della percezione

I finanziamenti continuano ad affluire verso aziende che attaccano il divario di percezione e controllo invece del fattore umanoide in sé. La parigina Inbolt ha raccolto 11 milioni di euro, ha riferito Tech.eu il 30 settembre, in un round guidato da Shift4Good con Bridges Climate Transition Partners e gli investitori già presenti BNP Paribas Développement e Ora Global. Il finanziamento totale arriva ora a 30 milioni di euro. Inbolt, fondata nel 2019 da Rudy Cohen, Albane Dersy e Louis Dumas, combina visione 3D con uno strato software AI hardware-agnostic che permette ai robot di regolare i propri cicli di controllo in tempo reale, su linee di produzione nuove o esistenti. Tech.eu riferisce che il sistema è installato su più di 200 robot in oltre 100 fabbriche su tre continenti, con clienti tra cui Bosch, Beko, Flex, Ford, Stellantis e Toyota.

L'azienda punta a una modalità di guasto banale: pezzi disallineati o usura degli utensili che bloccano i robot, generano errori o producono pezzi difettosi. È tempo di fermo macchina, non un problema da demo.

La filiera solare di Tesla e un ordine Robotaxi che non è un ordine

Non tutte le storie di questa settimana vicine al mondo dei robot riguardano i robot. La fabbrica solare che Tesla progetta in Texas è stata trascinata in una causa brevettuale statunitense tra due produttori cinesi di macchinari, ha riferito Electrek il 30 settembre. Linton Crystal Technologies, azienda di Rochester, nello stato di New York, interamente controllata dalla cinese Dalian Linton, ha citato Zhejiang Jingsheng davanti alla Eastern District of Texas, Marshall Division, il 22 settembre, rivendicando due brevetti che coprono un sistema di sollevamento e rotazione del seme usato nei tiratori Czochralski. Jingsheng, quotata a Shenzhen, ha reso nota la causa agli investitori il 24 settembre e sostiene che i suoi prodotti usano "soluzioni tecniche del tutto diverse" da quelle dei brevetti, di non essere stata formalmente notificata e di non aspettarsi impatti rilevanti. Linton chiede il risarcimento dei danni, il triplo dei danni per violazione volontaria e un'ingiunzione permanente. Stando a resoconti dell'industria cinese, Jingsheng si è aggiudicata un ordine Tesla per tiratori di cristalli del valore di circa 3 miliardi di yuan, ossia circa 420 milioni di dollari. Tesla non è parte in causa, e né Tesla né Jingsheng hanno confermato l'ordine.

Il tiratore di lingotti è il primo passo della filiera di Tesla. Ad agosto, nota Electrek, Tesla ha presentato domanda per una fabbrica da 10,1 miliardi di dollari, "Project Crystal Sun", nella contea di Fort Bend, che copre la crescita dei lingotti fino ai moduli finiti, con produzione prevista per l'inizio del 2029. Senza tiratori, si legge nel resoconto, niente wafer, niente celle.

Sul fronte separato del trading legato ai Robotaxi è arrivato un esempio da manuale di quanto siano fragili alcuni annunci di automazione. KIDZ AI, ex scuola di coding online Classover Holdings, ha annunciato il 30 settembre di aver inviato a Tesla una "richiesta di acquisto" per 500 Robotaxi. Electrek fa notare ciò che il comunicato stesso ammette: la richiesta "non costituisce un ordine vincolante", il piano è in fase preliminare e l'azienda "potrebbe decidere di non procedere". KIDZ AI ha dichiarato 8,88 milioni di dollari in liquidità e liquidità vincolata alla fine di giugno. I risultati del secondo trimestre 2026 hanno mostrato ricavi da servizi in calo del 34% su base annua a 0,48 milioni di dollari e una perdita trimestrale di 2,5 milioni di dollari. Electrek calcola che 500 Cybercab, anche al prezzo obiettivo dichiarato da Elon Musk di "meno di 30.000 dollari", costerebbero circa 15 milioni di dollari, all'incirca sei volte il valore di mercato dell'azienda. Il titolo ha perso circa il 6% dopo l'apertura, dopo aver guadagnato circa il 10% prima dell'apertura.

Cosa dicono 30.000 cani robot sulla produzione

Il resoconto più concreto della settimana non è arrivato da un laboratorio né da un documento depositato, ma da un produttore. Rongzhong Li, che dieci anni fa costruì il prototipo OpenCat nel dormitorio universitario, ha scritto su Hackster che dalla campagna Nybble del 2018 la sua azienda ha spedito più di 30.000 quadrupedi, e che il suo terzo prodotto, Quaddle, è su Kickstarter a partire da 99 dollari.

I numeri di Li sono i meno appariscenti di questo gruppo e forse i più utili. Il primo prototipo OpenCat aveva 14 gradi di libertà, una distinta base da circa 300 dollari e un costo misurato in tempo più che in componenti. Li osserva che i prodotti più "consegnati" nella robotica degli ultimi anni sono stati i video, e che le lamentele secondo cui i robot si limitano a ballare o a correre veloci mancano il punto: lo spettacolo fa parte del mestiere da tempo. La sua domanda aperta, irrisolta da un decennio, non riguarda gli attuatori né la latenza di inferenza. Riguarda se un maker possa costruire un robot e rendere il lavoro abbastanza significativo perché altri lo portino avanti. Quella domanda non compare in nessun benchmark.