Umanoidi: il costo dei dati di training crolla 200 volte

Il consenso ha il frame sbagliato

Il collo di bottiglia della robotica umanoide ha cambiato indirizzo: oggi si chiama costo per traiettoria di training.

Il consenso guarda ancora l'hardware, il prezzo degli attuatori e le GPU-ora del foundation model. È il dato sbagliato. Il dato che predice la parità con il lavoro manifatturiero è il costo dei dati di training robotici per singolo esempio eseguibile, tatto incluso.

Chi tratta la scarsità di dati robotici come permanente sta prezzando un collo di bottiglia che migra. Lo abbiamo già visto con il training silicon e con il packaging: ogni scarsità dura un ciclo. Chi la contrattualizza come eterna paga il prezzo pieno del ciclo successivo.

La curva: tre punti, un ordine di grandezza a salto

La traiettoria dei dati robotici ha tre tappe documentate, e ogni tappa sposta l'ordine di grandezza.

• 2022, era della teleoperazione: il dataset RT-1 di Google ha richiesto 13 robot e 17 mesi di raccolta per circa 130.000 episodi, numeri pubblici del paper originale.
• 2023, era dell'aggregazione: Open X-Embodiment ha riunito oltre un milione di episodi da 22 tipi di robot, sommando i dataset di decine di laboratori.
• 2026, era del video umano: 50 dimostrazioni video generano 10.000 traiettorie simulate, rapporto 200 a 1, secondo UniDex-ViTac^[1].

Il primo salto ha moltiplicato il volume aggregando ciò che esisteva già. Il secondo salto è di natura diversa: cambia la fonte del dato. Un operatore in teleoperazione produce un episodio ogni pochi minuti, una persona davanti a una camera produce un video in pochi secondi, e la simulazione fa il resto.

La curva di costo dice questo: il costo umano per traiettoria scende di due ordini di grandezza in un unico passaggio tecnologico. Il rapporto 200 a 1 è il numero da incorniciare.

È lo stesso profilo del solare e dell'inferenza: la tecnologia matura per anni, poi un cambio di sorgente comprime il costo in un colpo.

Cosa dimostra UniDex-ViTac

Il paper UniDex-ViTac^[1], pubblicato su arXiv il 15 settembre 2026, parte da 50 video umani su dieci oggetti e ne ricava 10.000 traiettorie simulate per addestrare un'unica policy generalista.

Il meccanismo conta più del numero. Specialisti di reinforcement learning residuale adattano ogni interazione umana annotata a un sistema braccio-mano robotico. Ogni rollout riuscito porta con sé le osservazioni di contatto delle dita, e il tatto, il dato più caro da raccogliere su hardware reale, nasce in simulazione a costo marginale.

I risultati fisici sono la parte che un CTO deve leggere due volte. La policy, priva di dimostrazioni su robot reale e di fine-tuning, supera 73 prove su 110 (66,4%) tra sei oggetti visti e cinque mai visti. Il baseline basato unicamente sulla nuvola di punti si ferma a 60 su 110 (54,5%): 11,8 punti percentuali di differenza, come riporta il paper^[1]. In simulazione il divario è simile, 68,3% contro 55,5%.

Un 66% supera la soglia industriale? No, ancora. Il punto è un altro: quel 66% è stato comprato con 50 video, e il costo marginale del prossimo 66% è vicino a zero.

Perché il collo di bottiglia migra

Ogni scarsità dura un ciclo.

Il training silicon sembrava il limite nel 2023. Poi il vincolo si è spostato sul packaging, con la capacità CoWoS passata da 13.000 a 120.000 wafer al mese come questo desk ha già misurato, poi sulla memoria HBM. La robotica segue lo stesso schema: attuatori, poi compute a bordo, poi dati.

Il vincolo dati ha una proprietà in più: è il più elastico dei tre. Un attuatore richiede una fabbrica, una traiettoria simulata richiede una GPU-ora, e il prezzo della GPU-ora scende da anni. Quando la fonte diventa il video umano, l'offerta è illimitata per definizione: miliardi di ore di manipolazione già filmate.

Il compute a bordo corre nella stessa direzione. Arm porta il tema dello scaling della physical AI sul palco di RoboBusiness, come anticipa The Robot Report^[2]. Quando il fornitore delle architetture per il device parla di scala, l'inferenza locale è già un problema di volume e ha smesso di essere un problema di fattibilità.

Cliff event: parità di costo nel 2028-2029

Cliff event: traiettorie tattili generate da video a costo marginale, nel 2027, con policy di manipolazione addestrate per una linea di produzione specifica in giorni anziché in mesi.

La posizione di questo desk resta quella dichiarata: parità di costo tra umanoide e operaio manifatturiero nel 2028-2029. Il primo ancoraggio è BMW a 25 dollari per ora-robot, e la curva ricalca il solare, meno 90% in dieci anni.

Il consenso dice 2035. La differenza è sei anni, e la voce che chiude il divario è proprio il dato. Hardware e compute erano già su curve note. I dati erano l'unica variabile prezzata come piatta, e il rapporto 200 a 1 la rende ripida.

Questo va oltre un trend: è un cambio di regime. Inevitabile da anni. Da questo paper in poi, anche imminente.

Tre categorie che cambieranno forma entro il 2028

Tre categorie che, entro il 2028, esisteranno in una forma diversa da quella attuale:

1. Le flotte di teleoperazione per la raccolta dati. Il loro asset è il costo umano per episodio: quando quel costo cade di 200 volte, il modello di business migra verso la validazione fisica delle policy e abbandona la raccolta.
2. Le licenze di dataset robotici. Un dataset di episodi teleoperati vale come un giacimento: molto, finché qualcuno trova una sorgente gratuita. Il video umano è quella sorgente.
3. I contratti pluriennali con OEM di umanoidi che vendono il dato proprietario come vantaggio competitivo. Il moat si sposta sulla pipeline video-simulazione-policy e sul sensore tattile a bordo.

Per il CTO: rivalutare adesso lo stack di simulazione e i sensori di contatto, prima che diventi ovvio. Per il VC: la scommessa che sembra impossibile è il team che vende conversione video-policy, mai il team che vende ore di teleoperazione. Per il procurement: ogni contratto a tre anni indicizzato a un costo dei dati robotici piatto va rinegoziato con clausole di step-down.

Per il Chief Strategy Officer il rischio è un piano a tre anni che assume una scarsità già in dissoluzione.

Il capitale bloccato su flotte di raccolta dati si comporta come il capitale bloccato su capacità CoWoS nel 2024: rende finché la curva lo permette, poi diventa costo affondato.

Cosa mi farebbe cambiare idea

La tesi ha un punto fragile e lo dichiaro: il gap sim-to-real.

Il 66,4% fisico di UniDex-ViTac arriva su undici oggetti da tavolo. Una linea di assemblaggio ha tolleranze, cavi flessibili e forze di inserzione che la simulazione riproduce peggio. Qualora le policy nate da video restassero sotto quelle teleoperate su compiti industriali reali per altri due anni, il costo per traiettoria smetterebbe di essere la metrica giusta. La mia curva perderebbe il terzo punto.

Il secondo dubbio è il tatto. Quattro segnali binari di contatto bastano per afferrare. Per avvitare o cablare servono forze continue, e lì il divario tra sensore simulato e sensore reale è più ampio.

Il 90% degli analisti ha ragione sul presente. Ha torto sul ritmo del cambiamento, e il ritmo, qui, è un rapporto 200 a 1 già misurato e già pubblicato.

Previsione, orizzonte, kill signal

Previsione: entro il 31 dicembre 2027 almeno uno tra Figure, 1X, Apptronik e Tesla Optimus dichiarerà pubblicamente la nuova fonte dei propri dati. La dichiarazione dirà che oltre il 50% dei dati di training delle policy di manipolazione proviene da video umani o simulazione, anziché da teleoperazione diretta.

Confidence: Medium, 65 su 100. Orizzonte: 471 giorni. È una previsione sul timing di mercato, e per questo resta a confidence media. La previsione sulla tecnologia, il crollo del costo per traiettoria, è ad alta confidence.

Kill signal: al 31 dicembre 2027 ogni disclosure pubblica dei quattro produttori indica ancora la teleoperazione umana come fonte maggioritaria dei dati di training per la manipolazione. In quel caso il collo di bottiglia dei dati era più duro di quanto la curva dicesse, e la parità di costo slitta oltre il 2029.