Una startup cinese di robotica vuole costruire la "ricetta" che dà ai robot l'intelligenza generale

Punti chiave

• X Square Robot, un'azienda cinese di embodied-AI, sta rilasciando il suo stack robotico completo di AI come software open-source nel 2025.
• L'azienda sostiene che il suo metodo di raccolta dati raggiunge prestazioni paragonabili a quelle dei dataset interamente robotici a circa un ventesimo del costo.
• Il suo world model, WALL-WM, organizza il comportamento dei robot attorno ad azioni denominate come "afferrare" o "posizionare" piuttosto che finestre temporali fisse.
• Il suo modello d'azione, Wall-OSS-0.5, è progettato per funzionare su un vero robot prima di qualsiasi fine-tuning specifico per il compito, il che è raro nel settore.
• Tutti i risultati principali finora provengono dai benchmark proprietari dell'azienda, il che significa che test indipendenti non li hanno ancora confermati.

Se insegni a un sistema di AI abbastanza testo, emerge qualcosa di utile. Questo concetto, chiamato pretraining su dati ampi, ha trasformato i grandi modelli linguistici, la tecnologia dietro chatbot come ChatGPT, in strumenti generali che milioni di persone usano ogni giorno.

La robotica non ha una scorciatoia equivalente. Un robot che piega il bucato non può semplicemente trasferire questa abilità al caricamento di una lavastoviglie. I sistemi che gestiscono la maggior parte dei robot oggi sono costruiti con parti separate e specializzate che non si sommano a nulla di generale.

X Square Robot, un'azienda cinese focalizzata su quello che i ricercatori chiamano embodied AI (cioè AI che vive in un corpo fisico e deve agire nel mondo reale), pensa di aver trovato la ricetta. E, insolito per una startup di AI cinese, la sta rilasciando al pubblico affinché chiunque possa usarla e ispezionarla.

La scommessa dell'azienda si basa su tre strati che lavorano insieme: come i robot raccolgono dati di apprendimento, un world model che prevede cosa accadrà dopo nel mondo fisico, e un modello d'azione che trasforma la percezione e il ragionamento in movimento effettivo.

Cosa rende questo diverso da altri progetti di robot AI?

La parte più distintiva è come X Square Robot gestisce i dati, gli esempi da cui un robot impara. Raccogliere dimostrazioni robotiche è costoso perché hai bisogno di un vero robot, di un operatore addestrato e di ore di supervisione attenta. X Square Robot ha costruito un'attrezzatura indossabile con due pinze che una persona indossa sulle mani. Nessun robot necessario. Questo riduce drasticamente i costi di raccolta.

Ma dati più economici sono inutili se sono sbagliati. L'azienda aggiunge un controllo di qualità che è genuinamente insolito: un campione di movimenti registrati viene fisicamente riprodotto su un vero robot, e solo i movimenti che completano il compito vengono contati come validi. Una pinza che si chiude una frazione di secondo troppo presto potrebbe sembrare un'afferratura riuscita nella registrazione, ma il robot ha effettivamente spinto l'oggetto via. Quella traiettoria viene scartata.

L'azienda riferisce che combinando questi dati di dimostrazione umana più economici con una piccola quantità di dati da veri robot raggiunge prestazioni paragonabili ai dataset raccolti interamente su robot, a circa un ventesimo del costo. È un'affermazione sorprendente. L'avvertenza, come ha notato IEEE Spectrum AI nella sua copertura, è che questi numeri provengono dai robot e dai test proprietari di X Square Robot. I ricercatori esterni non li hanno ancora confermati indipendentemente.

Il world model, chiamato WALL-WM, adotta un approccio diverso al tempo. La maggior parte dei sistemi di robot AI divide il movimento in blocchi di lunghezza fissa, come un film viene tagliato in fotogrammi di lunghezza uguale. WALL-WM invece organizza il comportamento attorno a eventi significativi: afferrare, prendere, posizionare. Ogni evento termina quando l'azione è completa, non quando un orologio scatta. L'idea è che i confini debbano corrispondere a quello che sta effettivamente accadendo, non a quello che è conveniente calcolare.

Il modello d'azione, Wall-OSS-0.5, è un modello vision-language-action (software che legge immagini da telecamera, comprende istruzioni in linguaggio naturale e produce movimento fisico). Il requisito dichiarato dall'azienda è che il modello deve fare qualcosa di utile su un vero robot prima che chiunque lo addestri ulteriormente per un compito specifico. Capacità generale pre-addestrata prima, specializzazione dopo. Questo ordine è l'obiettivo dell'intero progetto.

Per le persone comuni, nulla di questo cambia nulla oggi. I robot domestici per uso generale rimangono anni lontani. Ma se i ricercatori indipendenti riescono a riprodurre ed estendere questi risultati, il rilascio open-source potrebbe accelerare il settore in modi che un sistema chiuso e proprietario non può.