Il costo dei foundation model robotici lascia il cloud

La tesi: il costo dell'autonomia migra, invece di crollare nel training

Il costo dei foundation model robotici smette di scendere dove tutti lo misurano. Scende fuori dal data center, dentro un modello leggero che gira su una CPU di bordo. Questo è un cambio di regime, più che un trend.

Il documento che lo dimostra porta la data del 24 settembre 2026.

Un foundation model per serie temporali, TSPulse, lavora offline e produce pseudo-etichette su telemetria arricchita con guasti iniettati. A bordo gira altro: uno Student MiniRocket, aggiornato da uno stimatore ai minimi quadrati ricorsivi.

Il modello grande diventa un attrezzo da officina, usato una volta. Il modello piccolo diventa il prodotto venduto. Questa inversione ridisegna il conto economico di ogni flotta robotica in servizio.

Il consenso guarda il conto sbagliato

Il consenso ha il frame sbagliato. Misura la spesa di training come il collo di bottiglia dell'autonomia: cluster, GPU-ore, dataset di dimostrazioni umane.

Quel conto pesa, per chi costruisce il modello. Per chi mette robot in fabbrica pesa un'altra riga: il costo marginale di una decisione corretta a bordo, ripetuta milioni di volte al giorno.

Il collo di bottiglia migra, invece di sparire. Dal silicio di training all'inferenza, dal cloud al sensore, dal calcolo al giudizio dell'operatore. Ogni scarsità dura un ciclo, e chi la prezza come permanente perde soldi.

Questo lavoro sposta la scarsità in modo esplicito. Il dato scarso diventa l'etichetta umana; il calcolo scarso diventa il millisecondo di CPU mentre il robot si muove.

La curva: tre punti sul costo di una decisione a bordo

Una traiettoria richiede almeno tre punti misurati. Questo esperimento li fornisce sullo stesso banco: il benchmark TSB-AD e un robot mobile fisico.

Il punto centrale porta una cifra secca: lo Student distillato chiude l'inferenza in 4,30 millisecondi su CPU^[1], misurata dagli autori nel lavoro del 24 settembre 2026. Sono oltre duecento decisioni al secondo su hardware già pagato.

• Costo di calcolo dei modelli deep di rilevamento anomalie: proibitivo per l'esecuzione a bordo ad alta frequenza (Levy, Verstaevel, Talon, Gaudou, 24/09/2026)
• Latenza dello Student MiniRocket: 4,30 ms su CPU, stesso paper, stesso banco di prova
• Qualità durante il cambio di dominio: VUS-PR da 0,26 a 0,75 con adattamento online, memoria del modello intatta

Il terzo punto è quello che pesa di più. Un robot incontra un degrado meccanico mai visto in addestramento e il modello di bordo recupera in autonomia, mentre il foundation model dorme in officina.

Latenza e qualità restano proxy del costo per decisione. Il prezzo in dollari resta implicito, eppure evidente: una CPU condivisa costa una frazione di un modulo GPU dedicato, e il canone cloud esce dal conto.

Come funziona la migrazione: distillazione offline, correzione online

Lo schema è semplice, e per questo pericoloso per chi vende abbonamenti cloud.

Il foundation model gira una volta in officina, su dati storici arricchiti con guasti sintetici, e trasferisce il suo confine di decisione a un modello molto più economico. Poi il robot parte e il mondo cambia: un cuscinetto si consuma, una ruota slitta, il pavimento diventa bagnato.

Qui entra la seconda metà del meccanismo. Lo stimatore ricorsivo aggiorna lo Student sul campo, e una strategia di active learning guidata dall'incertezza chiede l'intervento umano in modo sparso, quando compare una distribuzione di guasto inedita. Il carico cognitivo dell'operatore cala, e con lui il costo del lavoro di etichettatura.

La stessa architettura compare nella telemetria dei droni, con indicatori di anomalia eseguiti a bordo e supporto consultivo alle decisioni (Drones, MDPI^[2]). Il lavoro sui robot mobili è in discussione pubblica anche su alphaXiv^[3]. Due domini distinti seguono una direzione unica.

Cliff event: la diagnostica entra nel firmware entro il 2028

L'adozione di questa architettura salta, invece di crescere per gradi. Il motivo è contabile: il costo marginale per robot tende a zero appena la distillazione è fatta una volta per piattaforma.

Cliff event: il rilevamento guasti adattivo diventa una riga standard nel firmware dei robot mobili commerciali, orizzonte 2028, esito misurabile nelle latenze dichiarate sulle schede tecniche.

Il legame con i numeri del lavoro umano è diretto. L'ora-robot in fabbrica regge il confronto con l'ora-uomo quando l'uptime è alto, e ogni fermo macchina distrugge il vantaggio di costo. Questo desk colloca la parità di costo degli umanoidi nel manifatturiero tra il 2028 e il 2029, e la diagnostica a bordo è una delle condizioni che la rendono possibile.

Il consenso industriale più diffuso indica il 2035 per quella parità. La differenza vale sette anni di piani industriali.

Tre categorie che cambiano forma entro il 2029

Le piattaforme cloud di manutenzione predittiva in abbonamento perdono la parte più ricca del loro valore. Quando la decisione avviene a bordo in pochi millisecondi, il canone mensile per l'analisi remota diventa difficile da difendere.

I moduli di calcolo edge con GPU dedicata nei robot di servizio subiscono il secondo colpo. Un rilevamento anomalie che vive su CPU libera budget di distinta materiali, e il progettista sposta quei dollari su sensori e batteria.

I contratti di manutenzione a ore uomo cambiano natura. Il tecnico passa dall'ispezione programmata alla risposta su segnalazione del robot, e la tariffa si sposta dal tempo presidiato al risultato.

Queste tre categorie sopravvivono in forma diversa. Cambia il punto in cui il margine si cattura: il fornitore del robot incassa quello che prima incassava il fornitore del software.

Quattro letture, quattro decisioni diverse

Un CTO deve rivalutare adesso lo stack di monitoraggio. La domanda utile è una: quanta diagnostica di flotta gira in cloud per ragioni storiche, invece che per necessità di calcolo?

Un fondo di venture capital trova qui una scommessa che sembra piccola. Il valore migra agli strumenti di distillazione e di adattamento online, verticali con un data moat di guasti reali, poco appetibili per chi inseguiva il modello grande.

Un chief strategy officer con un piano triennale costruito sul cloud come sede dell'intelligenza descrive un mondo che si chiude. Il device batte il cloud quando sensore e inferenza locale scendono di prezzo più in fretta della banda.

Il procurement ha il rischio più immediato. Un contratto pluriennale su una piattaforma di analisi remota blocca l'azienda su una tecnologia che il firmware assorbirà, e la clausola da negoziare adesso riguarda la portabilità dei dati di telemetria.

La posizione, la previsione, il kill signal

La mia posizione è questa: il costo che decide l'economia della robotica è il costo marginale di una decisione a bordo, e questo lavoro mostra il foundation model ridotto a generatore offline di etichette.

Previsione: entro il 31 dicembre 2027, almeno tre fornitori di robot mobili commerciali dichiarano nelle schede tecniche un rilevamento anomalie a bordo distillato da un foundation model, con inferenza sotto i 10 millisecondi su CPU e adattamento online in servizio. Confidence: 70. Orizzonte: 462 giorni.

Kill signal: schede tecniche e white paper di dicembre 2027 che assegnano ancora la diagnostica anomalie al cloud o a una GPU di bordo, con latenze dichiarate oltre i 50 millisecondi e aggiornamenti affidati al retraining centralizzato.

Il dato che mi farebbe cambiare idea è preciso: un recupero da cambio di dominio che richiede etichette dense, oltre il regime sparso, e quindi un costo umano che torna a crescere con la dimensione della flotta. Inevitable, invece che imminent: la tecnologia esiste già, la distribuzione richiede cicli di prodotto.