UC Berkeley e NVIDIA propongono la robotica agentica per superare i limiti di scalabilità dei dati

UC Berkeley e NVIDIA hanno annunciato congiuntamente un nuovo approccio chiamato robotica agentica, che utilizza agenti di codifica basati su AI per programmare robot industriali attraverso la simulazione e la generazione di codice, anziché affidarsi a enormi dataset di dimostrazioni umane. Questo cambiamento mira a risolvere il problema della scalabilità dei dati che attualmente ostacola l'implementazione di robot per scopi generici in ambito industriale.

Cosa è successo

Secondo IEEE Spectrum, l'annuncio è stato fatto alla Conference on Robot Learning del 2026. La tecnica sfrutta i modelli linguistici di grandi dimensioni (LLM) per scomporre compiti complessi, come l'imballaggio di generi alimentari, in sotto-attività assegnate ad agenti di codifica specializzati. Questi agenti gestiscono la percezione, la manipolazione e il trasporto scrivendo codice leggibile dall'uomo che utilizza strumenti robotici esistenti come la stima della posa e la generazione di traiettorie.

Ken Goldberg, professore di robotica alla UC Berkeley e co-fondatore di Ambi Robotics, ha dichiarato che il paradigma dell'apprendimento per imitazione ha "raggiunto un plateau". Ha osservato che, sebbene gli approcci basati sui dati funzionino per i robot domestici, faticano a soddisfare i requisiti di affidabilità delle applicazioni industriali. Goldberg, che ha lavorato con aziende come Siemens e Bosch, ha osservato che aggiungere più dati porta spesso a nuovi fallimenti senza garantire la convergenza.

Spencer Huang, Direttore di Prodotto per la Robotica presso NVIDIA, ha spiegato che la qualità della codifica agentica è migliorata a sufficienza nell'ultimo anno da renderla praticabile. Gli agenti iterano eseguendo codice in simulazioni, regolando i parametri e persino adattando gli ambienti di simulazione ai video del mondo reale. Tuttavia, Torsten Kroeger, chief science officer di Intrinsic (Alphabet), ha avvertito che nessun motore fisico attuale può modellare accuratamente il contatto fisico, il che significa che il divario tra simulazione e realtà rimane una sfida irrisolta. Per mitigare gli errori del codice generato dall'AI, il team utilizza configurazioni di agenti avversari in cui un agente progetta il codice e un altro tenta di trovarne i difetti.

Perché è importante per i piccoli team di produzione e logistica

Per le piccole aziende che operano nella produzione o nella logistica, lo standard attuale per implementare un'automazione flessibile è spesso proibitivo in termini di costi o tecnicamente inaccessibile. Il modello prevalente richiede l'assunzione di roboticisti specializzati per scrivere codice di basso livello o l'acquisto di costosi dataset, nessuno dei quali è scalabile per un team di cinque persone. La robotica agentica cambia la struttura dei costi trasformando la programmazione dei robot in un problema di ingegneria del software che può essere gestito da strumenti AI generici.

Questo è significativo perché sposta la barriera all'ingresso dalla "raccolta dati" alla "configurazione della simulazione". Se un piccolo team può utilizzare il linguaggio naturale per definire un compito e lasciare che gli agenti AI gestiscano la generazione del codice e la messa a punto della simulazione, il tempo di implementazione per un nuovo SKU o un cambio di processo potrebbe scendere da settimane a giorni. Tuttavia, lo scetticismo è giustificato. La dipendenza dalla simulazione significa che se il motore fisico non è in grado di modellare accuratamente il contatto, il robot fallirà nel mondo reale. Per una piccola impresa, un robot che funziona in simulazione ma si blocca in fabbrica è una passività, non una risorsa. La menzione degli agenti avversari è un buon segno per la sicurezza, ma finché la conformità alle norme ISO 10218 o ISO/TS 15066 non sarà esplicitamente affrontata per questi comportamenti generati dall'AI, questa rimane una ricerca pilota, non un prodotto chiavi in mano. Bisogna monitorare se questo approccio ridurrà la necessità di supervisione umana nei cicli critici per la sicurezza.

Cosa fare questa settimana

1. Esamina le tue attuali attività manuali per identificare un processo ripetitivo e non critico che potrebbe essere candidato per test basati su simulazione, come una specifica sequenza di imballaggio o un controllo qualità.
2. Verifica le capacità di simulazione del tuo fornitore di robot attuale o potenziale per determinare se offrono API che consentono l'iniezione di codice esterno o la regolazione dei parametri, che è un prerequisito per i flussi di lavoro agentici.
3. Documenta le specifiche modalità di guasto del tuo attuale processo di automazione o manuale, creando un elenco di base di casi limite che qualsiasi soluzione generata da agenti AI deve gestire per essere considerata valida per il tuo stabilimento.

Fonti

• Can Agentic Robotics Solve Robotics’ Data Scaling Problem? — IEEE Spectrum - Robotics