I robot imparano a imparare: la scommessa da 75 milioni di Tutor Intelligence e il muro dei dati dietro l'AI fisica

Tutor Intelligence ha annunciato il 2 novembre di aver raccolto 75 milioni di dollari in un round di Serie B guidato da Andreessen Horowitz, per ampliare la pipeline di dati di addestramento dei suoi robot industriali. L'azienda di Watertown, nel Massachusetts, è nata nel 2021 come spin-off del MIT CSAIL. Propone un modello in cui l'uomo resta nel ciclo. Operatori remoti, che l'azienda chiama "tutor", supervisionano flotte di robot connessi a internet impegnati in lavori reali. I dati che ne derivano addestrano i modelli che rendono le macchine più capaci nel tempo.

La proposta è semplice. Il lavoro fisico genera i dati, e i dati migliorano i robot.

Secondo The Robot Report, Tutor afferma che i suoi robot in attività sono il doppio rispetto a un anno fa e operano in quasi quattro volte tanti siti. Prevede più di 1.000 robot sotto contratto entro la fine del 2027, tutti costruiti e distribuiti dagli Stati Uniti, anche se i tutor possono trovarsi all'estero. Quasi un terzo delle organizzazioni che hanno ricevuto robot Tutor negli ultimi 12 mesi erano clienti già esistenti che installavano altre unità. I clienti pagano a ore o a prelievo, invece di comprare l'hardware. Così l'azienda si fa carico di installazione e manutenzione, e i robot compaiono come voce di costo del lavoro.

I dati sono il collo di bottiglia, e il denaro lo sa

Il finanziamento arriva in una settimana densa di notizie sulla robotica. Il filo comune sono i dati e l'economia della distribuzione, non l'ennesimo video dimostrativo. Agility Robotics ha superato il voto degli azionisti il 2 novembre, secondo The Robot Report. Oltre l'84% dei voti espressi nell'assemblea straordinaria di Churchill Capital Corp XI ha sostenuto la fusione SPAC. L'operazione dovrebbe chiudersi il 4 novembre, con l'inizio delle contrattazioni al Nasdaq con il simbolo AGLT previsto per il 5 novembre. Si prevede che porterà ad Agility circa 465.000.000 di dollari di capitale lordo al netto delle spese, in calo rispetto ai più di 620.000.000 attesi quando la fusione fu annunciata a giugno. La transazione originale valutava Agility 2.500.000.000 di dollari di equity pre-money.

La presenza commerciale di Agility è il dato da tenere d'occhio. I robot Digit operano in 9 ambienti dei clienti. Il rapporto con GXO Logistics si è ampliato in ottobre con altri due siti, a Statesville, nella Carolina del Nord, e a Lebanon, nel Tennessee, con installazioni previste dall'inizio del 2027 usando Digit 4. Agility dichiara più di 300.000.000 di dollari in ordini pluriennali confermati per Digit 5. È un valore su più anni soggetto a milestone contrattuali, non ricavi attuali.

Entrambe le aziende vendono la stessa lezione: il robot è la parte facile, e i dati operativi sono l'asset.

L'argomento sui costi dei pesi aperti

Gartner ha dato un numero più netto all'economia il 3 novembre. In un documento intitolato "Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps", il senior director Mark Petty e il group vice president Raymond Paquet scrivono che nove passaggi su dieci dei flussi di lavoro agentici sono di routine. I modelli a pesi aperti li gestiscono allo stesso livello a un quarto del prezzo del modello chiuso più economico, scrivono. Rispetto a un modello di frontiera usato su ogni passaggio, stimano un costo fino a un ventesimo. Ammettono che i modelli aperti possono essere più verbosi e ritentare più spesso, quindi il risparmio reale per attività si avvicina a cinque o sei volte. L'ipotesi di pianificazione degli analisti: entro il 2030, il 90% dei passaggi dei flussi di lavoro agentici operativi aziendali sarà eseguito su modelli a pesi aperti.

L'argomento conta per la robotica perché la stessa divisione sta emergendo tra il modello che ragiona e quello che fa il lavoro ripetitivo. Gli analisti di Gartner vedono il risparmio come un bonus e il controllo come il punto. Ogni passaggio di routine inviato a un'API di frontiera sposta una parte della cronologia dei tuoi flussi di lavoro fuori dal tuo perimetro.

Anche i modelli di frontiera continuano a muoversi

Gemini 4 Carbon di Google, uscito la settimana scorsa, è ora in testa all'Intelligence Index V5 di Artificial Analysis con un punteggio di 59, secondo Tom's Hardware. È un punto avanti a Claude Opus 5.5 e due avanti a GPT-6 Astra di OpenAI. Guida anche il test di allucinazione e richiamo AA-Omniscience v1.1 dell'azienda. Il miglior punteggio su quella scala da -100 a +100 era solo 54, un promemoria utile di quanto i modelli siano ancora lontani da un richiamo fattuale coerente. Il costo per attività sull'Intelligence Index è di 7,76 dollari, leggermente inferiore a Gemini 3.8 Flash e ben sotto Claude Opus 5.5 o Sonnet 5.5. Google dà ai difensori informatici un accesso prioritario attraverso il programma Fairwind.

Per chi costruisce robot il dettaglio rilevante è il prezzo, non la classifica. Un modello avanti di un punto è interessante. Uno che costa diversi dollari in meno per attività cambia quello che puoi permetterti di eseguire in un ciclo.

La sicurezza arriva con lo stack di addestramento

La ricerca sulle vulnerabilità assistita dall'AI sta anche comprimendo il tempo tra la scoperta di un difetto e l'obbligo di correggerlo. VicOne ha identificato 28 finding zero-day in meno di due giorni usando ricerca assistita dall'AI, ha scritto The Robot Report il 1 novembre. Il lavoro ha riguardato software e strumenti a supporto dell'ecosistema dell'AI fisica, inclusi progetti sviluppati o mantenuti da Google, NVIDIA e Meta. L'azienda ha detto che la validazione iniziale classifica tutti e 28 come vulnerabilità zero-day. Il conteggio può cambiare dopo la revisione dei fornitori e delle autorità sulle vulnerabilità, e alcuni finding non hanno ancora un numero CVE.

Tre quarti dei finding riguardavano strumenti di sviluppo, addestramento, simulazione o validazione. È la parte che dovrebbe preoccupare chi porta modelli in fabbrica. Un modello preaddestrato compromesso può comportarsi normalmente nei test di routine. Poi può rispondere in modo sbagliato a un particolare oggetto, scena o comando dopo la distribuzione. Un ambiente di simulazione compromesso può far superare a un robot test che avrebbe dovuto fallire. Nessuno dei due scenari richiede che un attaccante tocchi il robot.

La ricerca lavora sullo stesso problema

Sul fronte della ricerca, il lavoro più recente attacca il problema della variabilità, non l'architettura del modello. QUAL è stato inviato ad arXiv il 30 ottobre e accettato al NeurIPS 2026 Workshop on Foundation Models for Temporal Systems. Usa un pool di modelli di base per serie temporali come riferimento di probabilità per allineare i quantili di ogni membro prima di combinarli, senza etichette e senza riaddestramento. Su GIFT-Eval, gli autori riportano che l'allineamento dei quantili riduce il MASE e il CRPS medi dei membri del 7,4% e del 9,8%. Il framework resta stabile quando nel pool entrano previsori deboli la cui qualità non può essere verificata in anticipo. Quest'ultima proprietà è quella pratica: sul campo raramente sai quale modello è buono prima di averlo verificato.

Separatamente, un articolo arXiv di 67 pagine inviato il 29 ottobre da Yuda Song e nove coautori avanza una tesi più ampia. Pretraining, midtraining, fine-tuning supervisionato e apprendimento per rinforzo possono tutti essere espressi come adattamento a massima verosimiglianza su distribuzioni target generate dal modello, sostengono. Questo riduce il ciclo di vita a fasi a un unico trainer che mescola dati statici e generazioni RL. La tesi promette un miglior compromesso tra accuratezza e calcolo e una copertura più ampia dei compiti. Se regge, conterebbe più per le curve di costo che per i benchmark di punta.

Niente di tutto questo chiude il divario su cui vende Tutor. I robot imparano ancora da un archivio esile rispetto ai testi e alle immagini che hanno addestrato i modelli linguistici. Le aziende più vicine al pavimento della fabbrica sono quelle che pagano per costruire quell'archivio a mano, un prelievo alla volta.