La notizia più importante non è che alcuni robot abbiano imparato a inserire pin da 4 millimetri, montare schede grafiche o tagliare fascette. La vera notizia è che nessuno ha dovuto insegnarglielo direttamente. Un gruppo di otto bracci robotici nel laboratorio GEAR di Nvidia ha trascorso settimane a sperimentare, fallire, correggersi e migliorarsi in autonomia, utilizzando un framework chiamato ENPIRE sviluppato insieme a Carnegie Mellon University e University of California, Berkeley.

Per comprendere la portata dell’evento bisogna fare un passo indietro. Negli ultimi due anni il settore dell’intelligenza artificiale ha assistito all’emergere dei cosiddetti coding agent, sistemi capaci di scrivere software, testarlo, correggerlo e ripetere il processo senza intervento umano. Strumenti come OpenAI Codex, Claude Code e Kimi Code hanno dimostrato che la ricerca automatizzata può accelerare enormemente lo sviluppo software. Fino a oggi, però, tutto avveniva in un ambiente virtuale. Un errore significava semplicemente rilanciare un programma. Nessun costo fisico, nessun rischio meccanico, nessuna conseguenza concreta.

ENPIRE cambia completamente il paradigma. Il sistema trasferisce il ciclo di apprendimento autonomo direttamente nel mondo reale. Dopo una configurazione iniziale in cui un operatore definisce una procedura di reset e una funzione di valutazione basata sulla visione artificiale, l’agente prende il controllo dell’intero processo. Analizza articoli scientifici, seleziona tecniche di apprendimento, modifica il proprio codice, esegue test sui robot e valuta i risultati. Il tutto senza supervisione continua.

Dal punto di vista industriale questo rappresenta una svolta potenzialmente più importante di molti annunci sui nuovi modelli linguistici. L’industria della robotica soffre da decenni di un problema strutturale: addestrare robot nel mondo reale è lento, costoso e richiede competenze altamente specializzate. Ogni nuova attività implica settimane o mesi di programmazione, raccolta dati e ottimizzazione. ENPIRE suggerisce invece un futuro in cui il costo marginale dell’apprendimento robotico potrebbe diminuire drasticamente.

I numeri pubblicati dai ricercatori sono interessanti proprio perché mostrano effetti concreti e non semplici benchmark sintetici. Nel task Push-T, in cui un robot deve spingere un oggetto a forma di T verso una zona bersaglio, il passaggio da un singolo robot a una flotta di otto unità ha ridotto il tempo necessario per raggiungere la competenza da circa cinque ore a due. Nel test di inserimento dei pin il tempo è sceso da oltre novanta minuti a circa quaranta. In tutti e quattro i compiti fisici esaminati, i sistemi hanno raggiunto tassi di successo prossimi al 99%.

L’aspetto più affascinante riguarda il modo in cui la flotta collabora. Ogni stazione robotica possiede il proprio hardware, il proprio computer e il proprio agente di codifica. Le scoperte vengono condivise tramite Git, lo stesso sistema utilizzato dagli sviluppatori software per sincronizzare codice e aggiornamenti. Quando un robot trova una strategia migliore, questa viene distribuita rapidamente agli altri sette. In pratica si assiste alla nascita di una forma embrionale di ricerca collettiva automatizzata.

Qui emerge una differenza fondamentale rispetto a gran parte della retorica che circonda l’intelligenza artificiale. Molti modelli generativi impressionano per la loro capacità di produrre testo, immagini o codice. Molto meno impressionante è la loro capacità di interagire con il mondo fisico. La realtà possiede attrito, imperfezioni, variabilità e rumore. Un simulatore può approssimare questi elementi, ma non riprodurli completamente.

Non a caso il paper evidenzia come tutti e tre gli agenti testati riuscissero a risolvere il compito Push-T in simulazione, mentre due su tre fallivano quando venivano trasferiti sul robot reale. È una lezione che il settore continua a imparare ciclicamente. I benchmark virtuali sono utili, ma il mondo reale rimane il giudice finale.

La strategia di Nvidia appare particolarmente interessante perché segue una logica verticale. L’azienda non si limita a produrre GPU. Sta costruendo un ecosistema completo che comprende modelli di AI, simulatori, piattaforme robotiche e ora sistemi di autoresearch fisica. Il progetto ENPIRE rappresenta un’estensione naturale di Eureka, il framework presentato nel 2023 che utilizzava modelli linguistici per generare automaticamente funzioni di ricompensa all’interno di simulatori robotici.

Nel frattempo la competizione globale accelera. Questa settimana anche Alibaba Group ha presentato la propria iniziativa embodied AI attraverso la suite Qwen-Robot, composta da modelli dedicati a navigazione, manipolazione e simulazione fisica. Le due aziende stanno affrontando il problema da prospettive differenti. Alibaba sviluppa il cervello software destinato a robot costruiti da terzi. Nvidia sta invece sperimentando un’integrazione molto più stretta tra infrastruttura computazionale, modelli e hardware fisico.

Dietro questa corsa si intravede una dinamica economica più ampia. L’industria dell’AI generativa sta raggiungendo una fase in cui i miglioramenti incrementali nei chatbot producono rendimenti sempre più ridotti. Gli investitori cercano il prossimo mercato da migliaia di miliardi di dollari. La robotica rappresenta un candidato naturale. Se i modelli linguistici hanno automatizzato parte del lavoro cognitivo, i robot potrebbero automatizzare una porzione significativa del lavoro fisico.

La sfida, naturalmente, resta enorme. Un robot che inserisce correttamente un pin nel 99% dei casi non equivale a un sistema capace di operare autonomamente in una fabbrica complessa o in una casa. Tuttavia la traiettoria è evidente. Il vero valore di ENPIRE non risiede nell’abilità specifica appresa oggi, ma nel meccanismo che consente ai robot di imparare continuamente nuove competenze senza attendere istruzioni umane dettagliate.

Molti osservatori continuano a misurare il progresso dell’intelligenza artificiale contando parametri, token o benchmark linguistici. Potrebbe essere una metrica sempre meno rilevante. Quando un agente AI riesce a leggere ricerca scientifica, scrivere codice, controllare hardware reale, valutare i propri risultati e condividere automaticamente le scoperte con altri robot, il confine tra software e automazione industriale inizia a dissolversi.

La corsa all’AGI continua a dominare i titoli. Nel frattempo, nei laboratori di ricerca, alcuni robot stanno già facendo qualcosa di più concreto: imparare a lavorare da soli. E questa potrebbe rivelarsi una trasformazione economica molto più vicina di quanto gran parte del mercato sia pronta ad ammettere.