Innodata apre un laboratorio di motion capture mentre la corsa ai dati per i robot si scalda

Il laboratorio, annunciato mercoledì dall'azienda di data engineering di Ridgefield Park, nel New Jersey, ha telecamere di tracciamento ottico a infrarossi di Vicon che, secondo Innodata, misurano il movimento fino al livello submillimetrico. L'azienda presenta la struttura come la risposta a un collo di bottiglia che, a suo dire, blocca ogni team di robotica: i dati di interazione con il mondo reale sono pochi, e quelli che esistono costano e richiedono tempo.

"La physical AI cresce più di qualsiasi altro segmento dell'AI, ma ogni team di robotica sbatte contro lo stesso muro", ha dichiarato Rahul Singhal, CEO di Innodata, in una nota ripresa da The Robot Report. "Questa struttura abbatte quel muro."

L'annuncio arriva in una settimana densa di notizie sui dati per la robotica. Lo stesso giorno TechCrunch ha riferito che Destro AI, startup di robotica per la logistica, è uscita dalla modalità stealth con un round seed da 8 milioni di dollari. Al centro c'è un livello di intelligenza che dice anche ai lavoratori umani cosa fare. Sempre il 30 settembre MindOn ha pubblicato i dettagli di Mind-1, un modello di physical AI che secondo l'azienda riduce la latenza di inferenza dei robot da 82ms a 32ms. Fig Inc. ha invece diffuso un rapporto tecnico: i modelli di frontiera, tra cui Astra e Opus 5.5, rendono in modo disomogeneo tra compiti di robotica e compiti web.

Perché la cattura diretta

L'argomento di Innodata è tecnico. La maggior parte dei fornitori di dati, sostiene l'azienda, ricava il movimento 3D analizzando video 2D. Innodata cattura i dati 3D direttamente dai corpi, umani o meccanici.

"Non c'è alcun sostituto della motion capture 3D diretta", ha detto a The Robot Report Franklin Tanner, vicepresidente robotics and physical AI di Innodata. "Quando un modello di computer vision prova a dare un senso a una griglia 2D di pixel, gli errori si insinuano inevitabilmente."

Tanner ha portato l'esempio di un robot che raccoglie una tazza. Quasi tutti la prendono per il manico, ma anche la base va bene. Se la tazza contiene liquido caldo, la differenza conta. "Il contesto conta, e non è sempre codificato nemmeno nei data set che esistono oggi", ha detto.

Innodata afferma che il laboratorio catturerà dati su umanoidi, hardware teleoperato, sistemi indossabili, attrezzature con sensori, pinze Universal Manipulator Interface e altre configurazioni multimodali. I dati possono poi alimentare gemelli digitali per generare casi limite. L'azienda sostiene inoltre che la struttura convaliderà in modo indipendente i dati sulle prestazioni che i robot generano al proprio interno. Un servizio che propone come end-to-end, dalla raccolta alla valutazione del modello.

Il problema di scala è reale. Tanner ha osservato che un umanoide del peso di quasi 200 lb ha bisogno di letture precise, non "all'incirca". Ha anche segnalato una lacuna: "Non abbiamo dati di addestramento in cui umani e robot interagiscono. È un'area su cui stiamo lavorando in laboratorio."

Anche la concorrenza costruisce livelli di dati

Destro AI, emersa dalla modalità stealth martedì, segue una strada diversa. Invece di costruire robot, ha costruito un livello di intelligenza che coordina robot e umani negli ambienti logistici. Il fondatore Manthan Pawar ha detto a TechCrunch che l'azienda sta vincendo contro le società di robotica "perché non siamo una società di robotica".

Destro è partita con un progetto pilota in un impianto Yusen Logistics nel Pacific Northwest, usando tre robot per il trasporto di carrelli costruiti da Miva Robotics e gestiti dal sistema operativo Vision di Destro, basato su modelli vision-language-action a pesi aperti. I lavoratori umani scaricano le merci da un camion nei carrelli; i robot individuano i carichi pieni e li spostano. Richard Brunelle, direttore dell'automazione di Yusen per il gruppo logistico americano, ha detto a TechCrunch che altre due startup di robotica molto note non riuscivano a inserirsi nel flusso di lavoro. Una offriva il movimento dei carrelli da punto a punto ma nessun carico o scarico. L'altra richiedeva una persona per gestire l'orchestrazione.

Destro sta ora ampliando quel progetto pilota a 26 robot e ne sta avviando un altro con 17 robot in un impianto Yusen nel sud della California. Base10 Partners e Bonfire Ventures hanno guidato il round seed, con la partecipazione di CoFound Partners.

Mind-1 di MindOn attacca un vincolo correlato: la velocità. In un post pubblicato il 30 settembre, l'azienda ha detto che il suo modello permette ai robot di raggiungere tempi di ciclo pari a quelli umani su alcuni compiti e persino di completare il lavoro più in fretta degli umani. Individua quattro ostacoli alla manipolazione ad alta velocità: i dati di addestramento catturati tramite teleoperazione sono più lenti del movimento umano naturale; la latenza di inferenza si accumula con la velocità; passaggi di inferenza consecutivi possono produrre intenzioni di traiettoria incoerenti; la sincronizzazione tra controllo e sensori diventa più esigente.

"A una velocità dell'end-effector di 3 m/s, appena 10 ms di latenza corrispondono a circa 3 cm di movimento", ha scritto l'azienda, abbastanza da compromettere una presa o un inserimento precisi. MindOn afferma che Mind-1 è addestrato su dati di manipolazione human-centric catturati direttamente da persone che eseguono compiti a velocità naturale, e che ha ridotto la latenza di inferenza da 82ms a 32ms.

I benchmark nascondono l'irregolarità

Fig Inc., un gruppo di ricerca, ha pubblicato il 30 settembre un rapporto tecnico. La tesi: i punteggi di benchmark di testa oscurano quanto i modelli di frontiera rendano in modo disomogeneo. Il team ha valutato sette modelli su VisualWebArena, un benchmark di compiti web a ciclo chiuso con 177 task, e tre modelli su quattro domini fisici offline: VLABench, Assembly101, IndEgo e Bench2Drive.

La loro conclusione: per ogni coppia di modelli, il modello più debole risolve almeno un compito che il più forte manca. Un aggiornamento del modello può lasciare la media quasi invariata mentre molti singoli compiti si ribaltano. La stessa irregolarità emerge nei domini fisici. Modelli che battono Gemini 3.5-Flash su ogni media di dominio fanno comunque peggio in alcune categorie di compiti. Gli autori hanno rilasciato RIDGE, un data set di risultati a livello di singolo elemento e tracce dei modelli.

La cosa conta per chiunque compri dati o modelli per robot. Un singolo numero di benchmark dice poco a un team di deployment sulla capacità di un modello di funzionare sul proprio mix specifico di compiti.

Il business dei dati incontra il ciclo dell'hype

L'apertura del laboratorio di Innodata è una scommessa: il vincolo sono i dati, non l'hardware. L'azienda è stata fondata nel 1988 e si descrive come fornitrice di dati, framework di valutazione e competenze umane per sistemi di AI. La sua spinta nella robotica segue uno schema più ampio. Mentre le aziende di robot umanoidi e per la logistica raccolgono round importanti, i fornitori che vendono loro dati di addestramento, simulazione e strumenti di valutazione si posizionano come giocate di tipo picks-and-shovels.

Se quel mercato crescerà tanto in fretta quanto sperano i costruttori di robot è ancora da verificare. Tanner ha indicato la simulazione come una leva. "I simulatori stanno diventando piuttosto bravi a prendere dati del mondo reale, fare la traduzione real-to-sim e poi permutare l'ambiente", ha detto, citando l'ambiente Cosmos di Nvidia come "davvero in crescita su questo". Ma ha aggiunto che i dati del mondo reale restano il gold standard, e sono costosi.

C'è anche una questione di talenti e attenzione. Rongzhong Li, il creatore di OpenCat, Nybble e Bittle, ha scritto su Hackster.io il 30 settembre che la sua azienda ha spedito più di 30.000 quadrupedi dal 2018. La sua preoccupazione non è il volume dei dati ma la consegna del prodotto. "La gente ha iniziato a lamentarsi che i robot ballano solo o corrono veloci e non fanno il loro lavoro", ha scritto. Sostiene che i robot con molti gradi di libertà creano un legame emotivo ma alzano anche l'asticella per il prossimo costruttore, riducendo le probabilità che qualcosa arrivi sul mercato come prodotto affidabile.

Il segnale che propone per i robot commerciali è più silenzioso: confrontare il prezzo dell'usato di un robot impressionante con il costo della sua distinta base qualche mese dopo la consegna. Nessuno dei due numeri cattura il valore pieno, ma il rapporto tra i due, ha scritto, può rivelare quanto valore pratico il mercato veda ancora dopo che l'effetto novità è svanito. Quaddle, il suo terzo prodotto, è su Kickstarter a partire da 99 dollari.

Per Innodata, il test immediato è se i costruttori di robot pagheranno per dati di movimento catturati e convalidati all'esterno invece di costruire la cattura in casa. L'azienda afferma che i suoi sensori registrano il più piccolo movimento di ogni giunto, il che rende l'addestramento più accurato ed efficiente. L'esempio della tazza di Tanner è il pitch in miniatura: un robot che afferra la base invece del manico può completare il compito, ma può anche bruciare la mano che tiene la tazza. Codificare quel tipo di contesto è ciò che il laboratorio vende.

Arrowfly, la società madre di The Robot Report, ha usato a sua volta il 30 settembre per lanciare AI for Engineers, una piattaforma con una redazione, una conferenza annuale in programma dal 20 al 22 settembre 2027 a Henderson, nel Nevada, ricerca originale e un comitato consultivo. Arrowfly afferma che i suoi marchi di ingegneria raggiungono 2,1 milioni di lettori verificati del settore. Il lancio è un altro segno che il mercato dell'informazione sull'AI per la robotica si sta espandendo insieme all'hardware.

Gli annunci della settimana condividono una premessa: i robot migliorano abbastanza in fretta che il vincolo si è spostato sui dati, sull'orchestrazione e sulla velocità. Innodata scommette sulla cattura. Destro sulla coordinazione. MindOn sulla latenza. Fig sul fatto che gli acquirenti debbano guardare oltre la media. Nessuno di loro ha pubblicato una verifica indipendente delle proprie affermazioni, e i deployment di robot che proverebbero il mercato si contano ancora in decine di unità, non in migliaia.