Autore: merakiki
Traduzione: TechFlow
Per decenni, l'applicazione della robotica è stata estremamente limitata, concentrandosi principalmente su compiti ripetitivi in ambienti industriali strutturati. Tuttavia, l'intelligenza artificiale (AI) di oggi sta rivoluzionando il settore della robotica, consentendo ai robot di comprendere ed eseguire istruzioni degli utenti, adattandosi a contesti dinamici.
Stiamo entrando in una nuova era di rapida crescita. Secondo le previsioni di Citibank, entro il 2035 saranno distribuiti a livello globale 1,3 miliardi di robot, con applicazioni che si estenderanno dalle fabbriche alle case e ai servizi. Allo stesso tempo, Morgan Stanley prevede che il solo mercato dei robot umanoidi potrebbe raggiungere i 5 trilioni di dollari entro il 2050.
Nonostante questa espansione liberi un enorme potenziale di mercato, emergono anche importanti sfide legate a centralizzazione, fiducia, privacy e scalabilità. Le tecnologie Web3, supportando reti robotiche decentralizzate, verificabili, protette nella privacy e collaborative, offrono soluzioni trasformative a questi problemi.
In questo articolo, esploreremo in profondità la catena del valore in continua evoluzione dei robot AI, con particolare attenzione al settore dei robot umanoidi, e riveleremo le opportunità interessanti derivanti dalla fusione tra robotica AI e tecnologie Web3.
Catena del valore dei robot AI
La catena del valore dei robot AI si compone di quattro livelli fondamentali: hardware, intelligenza, dati e agenti. Ogni livello si basa sugli altri, consentendo ai robot di percepire, ragionare e agire in ambienti reali complessi.
Negli ultimi anni, il livello hardware ha compiuto progressi significativi grazie a pionieri del settore come Unitree e Figure AI. Tuttavia, persistono molte sfide chiave nei livelli non hardware, in particolare la carenza di dataset di alta qualità, l'assenza di modelli di base generali, la scarsa compatibilità cross-device e la necessità di edge computing affidabile. Pertanto, le maggiori opportunità di sviluppo attuali risiedono nei livelli di intelligenza, dati e agenti.
1.1 Livello hardware: “Corpo”
Oggi, la produzione e la distribuzione di “corpi robotici” moderni sono più facili che mai. Sul mercato sono già presenti oltre 100 tipi diversi di robot umanoidi, tra cui Optimus di Tesla, G1 di Unitree, Digit di Agility Robotics e Figure 02 di Figure AI.
Fonte: Morgan Stanley, “Humanoid 100: Humanoid Value Chain Map”
Questo progresso è stato possibile grazie a tre componenti chiave:
-
Attuatori (Actuators): Considerati i “muscoli” del robot, gli attuatori trasformano le istruzioni digitali in movimenti precisi. L’innovazione nei motori ad alte prestazioni consente ai robot di eseguire movimenti rapidi e accurati, mentre gli attuatori dielettrici elastomerici (Dielectric Elastomer Actuators, DEAs) sono adatti per compiti di precisione. Queste tecnologie hanno notevolmente migliorato la flessibilità dei robot, ad esempio Optimus Gen 2 di Tesla possiede 22 gradi di libertà (DoF), così come il G1 di Unitree, entrambi mostrano una flessibilità simile a quella umana e capacità di movimento impressionanti.
Fonte: Unitree presenta il suo ultimo robot umanoide in un incontro di boxe alla WAIC World Artificial Intelligence Conference 2025
-
Sensori (Sensors): Sensori avanzati consentono ai robot di percepire e interpretare l’ambiente tramite input visivi, LIDAR/RADAR, tattili e audio. Queste tecnologie supportano la navigazione sicura, la manipolazione precisa e la consapevolezza contestuale.
-
Computazione embedded (Embedded Computing): CPU, GPU e acceleratori AI (come TPU e NPU) integrati nei dispositivi elaborano in tempo reale i dati dei sensori ed eseguono modelli AI, abilitando decisioni autonome. Connessioni affidabili e a bassa latenza garantiscono coordinamento senza interruzioni, mentre architetture ibride edge-cloud permettono ai robot di delegare compiti computazionali intensivi quando necessario.
1.2 Livello intelligenza: “Cervello”
Con la maturazione dell’hardware, l’attenzione del settore si è spostata sulla costruzione del “cervello robotico”: modelli di base potenti e strategie di controllo avanzate.
Prima dell’integrazione dell’AI, i robot si affidavano a automazione basata su regole, eseguendo azioni pre-programmate senza intelligenza adattiva.
I modelli di base stanno gradualmente trovando applicazione nella robotica. Tuttavia, i grandi modelli linguistici generali (LLMs) da soli non sono sufficienti, poiché i robot devono percepire, ragionare e agire in ambienti fisici dinamici. Per soddisfare queste esigenze, il settore sta sviluppando modelli di base robotici end-to-end basati su strategie. Questi modelli consentono ai robot di:
-
Percepire (Perceive): Ricevere dati multimodali dai sensori (visione, audio, tatto)
-
Pianificare (Plan): Stimare il proprio stato, mappare l’ambiente e interpretare istruzioni complesse, mappando direttamente la percezione alle azioni e riducendo l’intervento ingegneristico umano
-
Agire (Act): Generare piani di movimento e inviare comandi di controllo per l’esecuzione in tempo reale
Questi modelli apprendono “strategie” generali di interazione con il mondo, consentendo ai robot di adattarsi a vari compiti e operare con maggiore intelligenza e autonomia. I modelli avanzati utilizzano anche feedback continui, permettendo ai robot di apprendere dall’esperienza e migliorare ulteriormente l’adattabilità in ambienti dinamici.
I modelli VLA mappano direttamente gli input sensoriali (principalmente dati visivi e istruzioni in linguaggio naturale) alle azioni robotiche, consentendo ai robot di emettere comandi di controllo appropriati in base a ciò che “vedono” e “sentono”. Esempi notevoli includono RT-2 di Google, Isaac GR00T N1 di Nvidia e π0 di Physical Intelligence.
Per potenziare questi modelli, vengono spesso integrate diverse metodologie complementari, come:
-
Modelli del mondo (World Models): Costruiscono simulazioni interne dell’ambiente fisico, aiutando i robot ad apprendere comportamenti complessi, prevedere risultati e pianificare azioni. Ad esempio, Genie 3 di Google è un modello del mondo generale in grado di generare ambienti interattivi inediti e diversificati.
-
Apprendimento per rinforzo profondo (Deep Reinforcement Learning): Aiuta i robot ad apprendere comportamenti tramite tentativi ed errori.
-
Teleoperazione (Teleoperation): Consente il controllo remoto e la raccolta di dati di addestramento.
-
Apprendimento tramite dimostrazione (LfD)/Apprendimento per imitazione (Imitation Learning): Insegna ai robot nuove abilità imitando le azioni umane.
La figura seguente mostra come queste metodologie si integrano nei modelli di base robotici.
Fonte: World models: the physical intelligence core driving us toward AGI
Alcuni recenti progressi open source, come π0 di Physical Intelligence e Isaac GR00T N1 di Nvidia, segnano importanti sviluppi nel settore. Tuttavia, la maggior parte dei modelli di base robotici rimane centralizzata e closed source. Aziende come Covariant e Tesla mantengono codice e dataset proprietari, principalmente per la mancanza di meccanismi di incentivazione aperti.
Questa mancanza di trasparenza limita la collaborazione e l’interoperabilità tra piattaforme robotiche, evidenziando la necessità di standard on-chain per la condivisione sicura e trasparente dei modelli, la governance comunitaria e livelli di interoperabilità cross-device. Questo approccio favorirà fiducia, collaborazione e uno sviluppo più robusto del settore.
1.3 Livello dati: la “conoscenza” del cervello
Dataset robotici potenti si basano su tre pilastri: quantità, qualità e diversità.
Sebbene il settore abbia compiuto progressi nell’accumulo di dati, la scala dei dataset robotici esistenti è ancora insufficiente. Ad esempio, GPT-3 di OpenAI è stato addestrato su 300 miliardi di token, mentre il più grande dataset robotico open source, Open X-Embodiment, contiene solo oltre 1 milione di traiettorie robotiche reali, coprendo 22 tipi di robot. Questo è ancora molto lontano dalla scala necessaria per forti capacità di generalizzazione.
Alcuni metodi proprietari, come la raccolta dati tramite data factory di Tesla, in cui il personale indossa tute di motion capture per generare dati di addestramento, aiutano effettivamente a raccogliere dati di movimento reali. Tuttavia, questi metodi sono costosi, la diversità dei dati è limitata e sono difficili da scalare.
Per affrontare queste sfide, la robotica sta sfruttando tre principali fonti di dati:
-
Dati Internet: I dati Internet sono vasti e facilmente scalabili, ma principalmente osservazionali e privi di segnali sensoriali e di movimento. Il pre-addestramento di grandi modelli visivo-linguistici (come GPT-4V e Gemini) su dati Internet può fornire preziose conoscenze semantiche e visive. Inoltre, l’aggiunta di etichette cinematiche ai video trasforma i video grezzi in dati di addestramento utilizzabili.
-
Dati sintetici: I dati sintetici generati tramite simulazione consentono esperimenti su larga scala e coprono scenari diversificati, ma non riflettono completamente la complessità del mondo reale, una limitazione nota come “sim-to-real gap”. I ricercatori affrontano questo problema tramite adattamento di dominio (ad esempio, data augmentation, domain randomization, adversarial learning) e trasferimento sim-to-real, ottimizzando iterativamente i modelli e testandoli/affinandoli in ambienti reali.
-
Dati del mondo reale: Sebbene scarsi e costosi, i dati reali sono fondamentali per l’implementazione dei modelli e per colmare il divario tra simulazione e deployment reale. I dati reali di alta qualità includono spesso visuali in prima persona (egocentric views), che registrano ciò che il robot “vede” durante i compiti, e dati di movimento, che registrano azioni precise. I dati di movimento sono solitamente raccolti tramite dimostrazioni umane o teleoperazione, utilizzando realtà virtuale (VR), dispositivi di motion capture o insegnamento tattile, garantendo che i modelli apprendano da esempi reali accurati.
La ricerca dimostra che combinare dati Internet, dati reali e dati sintetici per l’addestramento robotico migliora significativamente l’efficienza dell’addestramento e la robustezza del modello rispetto all’uso di una sola fonte (nota: la robustezza indica la capacità di un sistema di mantenere forza e stabilità in condizioni anomale o pericolose).
Nel frattempo, sebbene aumentare la quantità di dati sia utile, la diversità dei dati è ancora più importante, soprattutto per generalizzare a nuovi compiti e morfologie robotiche. Per ottenere tale diversità, sono necessarie piattaforme dati aperte e condivisione collaborativa dei dati, inclusa la creazione di dataset cross-instance che supportano molteplici morfologie robotiche, favorendo lo sviluppo di modelli di base più potenti.
1.4 Livello agenti: “Agenti AI fisici”
La tendenza verso agenti AI fisici sta accelerando: questi robot autonomi possono agire indipendentemente nel mondo reale. I progressi nel livello agenti dipendono dalla raffinazione dei modelli, dall’apprendimento continuo e dall’adattamento pratico a ciascuna morfologia robotica unica.
Ecco alcune opportunità emergenti per accelerare lo sviluppo degli agenti AI fisici:
-
Apprendimento continuo e infrastrutture adattive: Attraverso cicli di feedback in tempo reale e condivisione di esperienze durante il deployment, i robot possono migliorare costantemente.
-
Economia degli agenti autonomi: I robot operano come entità economiche indipendenti—scambiando risorse come potenza di calcolo e dati sensoriali nei mercati robotici e generando entrate tramite servizi tokenizzati.
-
Sistemi multi-agente: Le prossime piattaforme e algoritmi consentono a gruppi di robot di coordinarsi, collaborare e ottimizzare comportamenti collettivi.
Fusione tra robot AI e Web3: liberare un enorme potenziale di mercato
Con il passaggio dei robot AI dalla ricerca alla distribuzione nel mondo reale, diversi colli di bottiglia di lunga data stanno ostacolando l’innovazione e limitando la scalabilità, la robustezza e la fattibilità economica dell’ecosistema robotico. Questi colli di bottiglia includono isole centralizzate di dati e modelli, mancanza di fiducia e tracciabilità, limiti di privacy e conformità e carenza di interoperabilità.
2.1 Punti dolenti dei robot AI
-
Isole centralizzate di dati e modelli
I modelli robotici richiedono dataset ampi e diversificati. Tuttavia, oggi lo sviluppo di dati e modelli è altamente centralizzato, frammentato e costoso, portando a sistemi isolati e scarsa adattabilità. I robot distribuiti in ambienti dinamici spesso performano male a causa della mancanza di diversità dei dati e della limitata robustezza dei modelli.
-
Fiducia, tracciabilità e affidabilità
La mancanza di registri trasparenti e verificabili (inclusi origine dei dati, processo di addestramento dei modelli e cronologia operativa dei robot) indebolisce la fiducia e la responsabilità. Questo rappresenta un ostacolo principale per utenti, regolatori e aziende nell’adozione della robotica.
-
Privacy, sicurezza e conformità
In applicazioni sensibili come robotica medica e domestica, la protezione della privacy è fondamentale e deve rispettare normative regionali rigorose (come il GDPR europeo). Le infrastrutture centralizzate faticano a supportare la collaborazione AI sicura e rispettosa della privacy, limitando la condivisione dei dati e frenando l’innovazione in settori regolamentati o sensibili.
-
Scalabilità e interoperabilità
I sistemi robotici affrontano grandi sfide nella condivisione delle risorse, nell’apprendimento collaborativo e nell’integrazione su più piattaforme e morfologie. Queste limitazioni frammentano gli effetti di rete e ostacolano il rapido trasferimento di capacità tra diversi tipi di robot.
2.2 Robot AI x Web3: soluzioni strutturali guidano opportunità di investimento
Le tecnologie Web3, attraverso reti robotiche decentralizzate, verificabili, protette nella privacy e collaborative, risolvono radicalmente i punti dolenti sopra menzionati. Questa fusione sta aprendo nuove opportunità di mercato per gli investimenti:
-
Sviluppo collaborativo decentralizzato: Reti incentivate consentono ai robot di condividere dati, co-sviluppare modelli e agenti intelligenti.
-
Tracciabilità e responsabilità verificabili: La blockchain garantisce registri immutabili di origine dei dati e dei modelli, identità robotiche e cronologia operativa, fondamentali per fiducia e conformità.
-
Collaborazione protetta nella privacy: Soluzioni crittografiche avanzate consentono ai robot di addestrare modelli e condividere insight senza esporre dati proprietari o sensibili.
-
Governance guidata dalla comunità: Le DAO (Decentralized Autonomous Organizations) stabiliscono e supervisionano le operazioni robotiche tramite regole e policy on-chain trasparenti e inclusive.
-
Interoperabilità cross-morfologia: Framework open source basati su blockchain facilitano la collaborazione senza soluzione di continuità tra diverse piattaforme robotiche, riducendo i costi di sviluppo e accelerando il trasferimento di capacità.
-
Economia degli agenti autonomi: L’infrastruttura Web3 conferisce ai robot identità economiche indipendenti, consentendo transazioni peer-to-peer, negoziazione e partecipazione a mercati tokenizzati senza intervento umano.
-
Reti di infrastrutture fisiche decentralizzate (DePIN): Condivisione peer-to-peer di risorse di calcolo, percezione, storage e connessione basata su blockchain, migliorando la scalabilità e la resilienza delle reti robotiche.
Di seguito alcuni progetti innovativi che stanno guidando lo sviluppo del settore, mostrando il potenziale e le tendenze della fusione tra robot AI e Web3. Naturalmente, questi esempi sono solo a scopo informativo e non costituiscono consigli di investimento.
Sviluppo decentralizzato di dati e modelli
Piattaforme Web3 incentivano i contributori (tramite tute di motion capture, condivisione di sensori, upload visivi, etichettatura dati e persino generazione di dati sintetici) a democratizzare lo sviluppo di dati e modelli. Questo approccio consente di costruire dataset e modelli più ricchi, diversificati e rappresentativi, superando ciò che una singola azienda può ottenere. I framework decentralizzati migliorano anche la copertura dei casi limite, fondamentale per i robot che operano in ambienti imprevedibili.
Esempi:
-
Frodobots : Protocollo per il crowdsourcing di dataset reali tramite giochi robotici. Hanno lanciato il progetto “Earth Rovers”—un robot da marciapiede e un gioco globale “Drive to Earn”, creando con successo il dataset FrodoBots 2K, che include immagini da telecamere, dati GPS, registrazioni audio e dati di controllo umano, coprendo oltre 10 città e circa 2000 ore di guida robotica remota.
-
BitRobot : Piattaforma incentivata cripto sviluppata da FrodoBots Lab e Protocol Labs, basata su Solana blockchain e architettura subnet. Ogni subnet è impostata come una sfida pubblica, i contributori guadagnano token inviando modelli o dati, incentivando la collaborazione globale e l’innovazione open source.
-
Reborn Network : Livello di base per l’ecosistema aperto di robot AGI, offre la tuta di motion capture Rebocap, permettendo a chiunque di registrare e monetizzare i propri dati di movimento reali, favorendo l’apertura di dataset complessi per robot umanoidi.
-
PrismaX : Sfrutta la forza dei contributori della comunità globale, garantendo diversità e autenticità dei dati tramite infrastruttura decentralizzata, implementando solidi meccanismi di verifica e incentivazione per la crescita su larga scala dei dataset robotici.
Prova di tracciabilità e affidabilità
La blockchain offre trasparenza end-to-end e attribuzione delle responsabilità nell’ecosistema robotico. Garantisce la tracciabilità verificabile di dati e modelli, certifica l’identità e la posizione fisica dei robot e mantiene registri chiari delle operazioni e dei contributi. Inoltre, la verifica collaborativa, i sistemi di reputazione on-chain e i meccanismi di validazione basati su stake assicurano la qualità di dati e modelli, prevenendo input di bassa qualità o fraudolenti che potrebbero danneggiare l’ecosistema.
Esempi:
-
OpenLedger : Infrastruttura AI blockchain che utilizza dataset di proprietà della comunità per addestrare e distribuire modelli dedicati. Il meccanismo “Proof of Attribution” assicura che i contributori di dati di alta qualità ricevano ricompense eque.
Tokenizzazione di proprietà, licenze e monetizzazione
Gli strumenti di proprietà intellettuale nativi Web3 supportano la tokenizzazione e la licenza di dataset dedicati, capacità robotiche, modelli e agenti intelligenti. I contributori possono incorporare termini di licenza direttamente nei loro asset tramite smart contract, garantendo pagamenti automatici di royalty quando dati o modelli vengono riutilizzati o monetizzati. Questo approccio promuove accesso trasparente e senza permessi, creando un mercato aperto ed equo per dati e modelli robotici.
Esempi:
-
Poseidon : Livello dati decentralizzato full-stack basato sul protocollo Story IP-centric, fornisce dati di addestramento AI legalmente autorizzati.
Soluzioni per la protezione della privacy
Dati di alto valore generati in ospedali, camere d’albergo o case sono difficili da ottenere tramite canali pubblici, ma il loro ricco contesto può migliorare notevolmente le prestazioni dei modelli di base. Soluzioni crittografiche trasformano i dati privati in asset on-chain, rendendoli tracciabili, componibili e monetizzabili, proteggendo al contempo la privacy. Tecnologie come Trusted Execution Environments (TEEs) e Zero-Knowledge Proofs (ZKPs) consentono calcoli sicuri e verifica dei risultati senza esporre i dati originali. Questi strumenti permettono alle organizzazioni di addestrare modelli AI su dati sensibili distribuiti, mantenendo privacy e conformità.
Esempi:
-
Phala Network : Permette agli sviluppatori di distribuire applicazioni in TEEs sicuri per AI e data processing confidenziali.
Governance aperta e verificabile
L’addestramento robotico spesso si basa su sistemi proprietari black-box privi di trasparenza e adattabilità. Una governance trasparente e verificabile è fondamentale per ridurre i rischi e rafforzare la fiducia di utenti, regolatori e aziende. Le tecnologie Web3 consentono lo sviluppo collaborativo di intelligenza robotica open source tramite supervisione guidata dalla comunità on-chain.
Esempi:
-
Openmind : Stack software AI-native open source che aiuta i robot a pensare, apprendere e collaborare. Hanno proposto lo standard ERC7777 per costruire un ecosistema robotico regolamentato e verificabile, focalizzato su sicurezza, trasparenza e scalabilità. Lo standard definisce interfacce per la gestione delle identità umane e robotiche, l’esecuzione di regole sociali e la registrazione/rimozione dei partecipanti, chiarendo diritti e responsabilità.
Considerazioni finali
Con la fusione tra robot AI e tecnologie Web3, stiamo entrando in una nuova era in cui i sistemi autonomi possono collaborare e adattarsi su larga scala. I prossimi 3-5 anni saranno cruciali: il rapido sviluppo dell’hardware guiderà la nascita di modelli AI più potenti, basati su dataset reali più ricchi e meccanismi di collaborazione decentralizzati. Ci aspettiamo che agenti AI dedicati emergano in settori come l’ospitalità e la logistica, creando enormi nuove opportunità di mercato.
Tuttavia, questa fusione tra robot AI e tecnologie cripto porta anche delle sfide. Progettare meccanismi di incentivazione equilibrati ed efficaci è ancora complesso e in continua evoluzione: il sistema deve ricompensare equamente i contributori ed evitare abusi. La complessità tecnica è un’altra sfida, richiedendo lo sviluppo di soluzioni robuste e scalabili per integrare senza soluzione di continuità diversi tipi di robot. Inoltre, le tecnologie di protezione della privacy devono essere sufficientemente affidabili per guadagnare la fiducia degli stakeholder, soprattutto nella gestione di dati sensibili. L’ambiente normativo in rapida evoluzione richiede anche attenzione per garantire la conformità nelle diverse giurisdizioni. Affrontare questi rischi e ottenere ritorni sostenibili è la chiave per promuovere il progresso tecnologico e l’adozione diffusa.
Seguiamo insieme lo sviluppo di questo settore, promuovendo il progresso attraverso la collaborazione e cogliendo le opportunità che emergono in questo mercato in rapida espansione.
L’innovazione nella robotica è un viaggio che è meglio intraprendere insieme :)
Infine, ringrazio Chain of Thought e il loro “Robotics & The Age of Physical AI” per il prezioso supporto alla mia ricerca.
