Il costo dei dati crolla nel training dei robot

Il bottleneck del training robotico cambia indirizzo

Il collo di bottiglia del training robotico migra dal compute al giudizio. Questa è la traiettoria documentata, misurabile oggi con un dato preciso.

Il costo dei dati di training per un robot foundation model diventa marginale quando un controller impara a scrivere con una penna in 18 secondi su una CPU di laptop. Il consenso ha investito miliardi nell'idea opposta: più GPU, più simulazione, più dati sintetici.

Un paper pubblicato il 10 settembre 2026 racconta una storia differente, e la racconta con numeri verificabili.

Questo è un cambio di regime, altro che un trend passeggero.

Il consenso ha il frame sbagliato

Il consenso misura la scala del compute e il volume dei dati. Ignora la variabile che predice davvero la destrezza: l'adattamento in tempo reale sul robot fisico.

I simulatori moderni faticano a riprodurre la complessità del contatto tra mano e oggetto. La raccolta di dimostrazioni destre resta un problema aperto e costoso.

Il paper cita entrambi i limiti come motivazione della ricerca. Poi li aggira. Il controller parte dalla stima del Jacobian della coppia mano-oggetto, calcolata dal vivo sul robot.

La curva di costo dice la conclusione

Una traiettoria richiede almeno tre punti storici. Eccoli, misurati sulla stessa metrica: il costo per raggiungere una data capacità.

Il costo dell'inferenza dei grandi modelli è sceso di circa mille volte in tre anni e mezzo. Il prezzo dell'intelligenza cala di circa 40 volte l'anno. Queste due curve descrivono il software.

Il terzo punto arriva dalla robotica destra: scrittura in-hand con una penna dopo circa 18 secondi di inizializzazione^[1], su una singola CPU, con precisione media di 0,6 mm. Il costo del compute per la destrezza crolla dallo stesso lato della curva.

Il collo di bottiglia si sposta di continuo lungo lo stack: dal silicio di training al packaging, dove i substrati ABF restano un vincolo di fornitura nel 2026, come documenta l'analisi di settore^[2].

Il meccanismo: stima del Jacobian in tempo reale

Il metodo elimina tre voci di costo insieme: il modello analitico mano-oggetto, il training in simulazione, le dimostrazioni precollezionate.

Al loro posto resta un estimatore che aggiorna la relazione tra i comandi della mano e il moto dell'oggetto mentre il robot agisce. La stessa formulazione gira su tre sistemi di mano antropomorfa, uno fisico e due simulati.

Questo rende il controller indipendente dall'incarnazione. Un algoritmo semplice batte uno stack pesante di dati e GPU. La destrezza diventa un problema di controllo, di giudizio ingegneristico, di loop veloce.

Il dato conta come conferma, invece che come carburante. Diciotto secondi di inizializzazione valgono più di mesi di raccolta, perché l'informazione utile nasce dal contatto reale, calcolata istante per istante.

Il dato smette di essere il fossato

Il fossato dei dati era la tesi comoda per la robotica umanoide. Chi possedeva più dimostrazioni comandava il mercato.

Questo lavoro sposta il fossato verso il loop di controllo e la velocità di adattamento. La destrezza diventa una competenza di ingegneria, riproducibile su hardware economico e distribuita in fretta.

Il costo del dato di training scende verso l'irrilevanza per una fascia crescente di compiti destri. Il valore si concentra dove il giudizio decide il risultato.

Cliff event: quando l'adozione salta

Cliff event: la parità di costo tra manipolazione appresa e manipolazione programmata arriva prima del previsto. Il consenso la colloca oltre il 2030.

La curva del compute e la nuova evidenza sull'adattamento real-time spostano la data verso il 2028. La differenza vale due anni di roadmap e miliardi di capex.

BMW ha discusso costi vicini ai 25 dollari per ora-robot nella manifattura: la destrezza a basso costo di setup accelera quella parità.

Quando il costo marginale di insegnare un nuovo gesto a una mano robotica scende vicino a zero, l'adozione smette di crescere in modo lineare: salta. Ogni nuova abilità diventa un aggiornamento software, calcolato sul posto.

Tre categorie che cambiano forma

Tre categorie che cambieranno forma entro il 2029:

• I fornitori di piattaforme RL per robotica, oggi venduti come infrastruttura obbligatoria.
• Le fabbriche di dati sintetici per la manipolazione, il cui valore poggia sulla scarsità del dato.
• I contratti di procurement di cluster GPU dimensionati per il training destro.

Ognuna di queste categorie prezza una scarsità come permanente. La scarsità del dato di manipolazione poggia su un assunto che questo lavoro incrina.

Per un Chief Strategy Officer il messaggio è diretto: il piano a tre anni sulla robotica umanoide assume un mondo che sta finendo. Per il procurement, il rischio è bloccare un vendor su una tecnologia già in coda alla curva.

Il capitale investito in cluster dedicati al reinforcement learning per la manipolazione rischia una svalutazione rapida. Un metodo che gira su hardware modesto sposta il potere contrattuale verso chi controlla l'algoritmo.

La mia posizione, e cosa la ribalterebbe

La mia posizione è netta: il valore nella robotica destra migra dal possesso dei dati alla qualità del loop di controllo e del giudizio ingegneristico.

Chi accumula petabyte di dimostrazioni compra un asset che si svaluta. Chi padroneggia l'adattamento in tempo reale compra un vantaggio che compone.

Cambierei idea davanti a una prova chiara: un compito di manipolazione ricco di contatto, generalizzato su decine di oggetti diversi, dove l'approccio pesante di dati batte l'estimatore leggero in affidabilità e in costo. Quella evidenza ribalterebbe la tesi.

Cosa rivalutare adesso

Per il CTO: rivalutare lo stack di training robotico prima che l'ovvio arrivi. La voce «dati di manipolazione» merita un punto di domanda pesante nel budget del prossimo anno.

Per il venture capital: la scommessa contrarian è il controllo real-time e i team che vendono destrezza come software, invece delle fabbriche di dati. I dati di costo sostengono questa direzione.

Il collegamento con il resto dello stack AI resta forte: il device batte il cloud, e un controller che gira su una CPU di laptop lo conferma sul lato robotica.

La previsione

Previsione: entro il 2028 almeno un produttore di robot umanoidi di primo piano mostrerà l'acquisizione di un compito destro ricco di contatto in tempi da minuti, con adattamento real-time al centro dello stack, invece di un ciclo di RL da settimane.

Confidence: media. Orizzonte: 31 dicembre 2028. Il meccanismo causale è la curva di costo del compute per la destrezza, che spinge verso metodi leggeri.

Kill signal: una dimostrazione destra su decine di oggetti in cui il metodo pesante di dati e simulazione batte l'estimatore real-time in costo e affidabilità, pubblicata da un laboratorio primario. Quel risultato chiuderebbe la tesi.