Che cos'è l'embodied AI? Come i robot trasformano le immagini delle telecamere in movimenti

L’embodied AI, cioè l’AI che controlla il corpo di un robot, è l’intelligenza artificiale che agisce attraverso un corpo fisico. Riceve ciò che riportano le telecamere e i sensori del robot, sceglie un movimento, comanda i motori e poi guarda di nuovo per vedere che cosa è cambiato, in un ciclo che si ripete molte volte al secondo. Un chatbot segue un ciclo diverso: entra testo, esce testo, e una persona legge la risposta prima che succeda qualcosa. I modelli per robot più recenti appartengono alla stessa famiglia di modelli dei chatbot, ma producono un flusso di comandi per i motori, quindi un errore può far cadere un bicchiere invece di generare una frase sbagliata.

Il termine comprende allo stesso modo robot aspirapolvere, bracci robotici e robot umanoidi. Questa guida si concentra sull’approccio che laboratori e produttori di robot pubblicano dal 2023: un unico grande modello che legge immagini e un’istruzione e restituisce movimenti. Le citazioni da fonti in inglese sono tradotte in italiano.

Come fa un robot a passare dal vedere al muoversi?

Ogni robot esegue una qualche versione di un ciclo percepire, decidere, agire. La percezione arriva da telecamere, sensori di profondità, lidar, un’IMU per l’equilibrio ed encoder che riportano gli angoli dei giunti. Combinare queste letture in un’unica stima di dove si trova il robot e di che cosa lo circonda si chiama sensor fusion. La fase di decisione sceglie il movimento successivo; la fase di azione invia i comandi agli attuatori, i motori che muovono giunti e ruote. Poi una nuova osservazione fa ripartire il ciclo, ed è così che un robot può accorgersi che una tazza gli è scivolata.

Per decenni la fase di decisione è stata una catena di moduli scritti a mano: riconoscere l’oggetto, pianificare un percorso, calcolare una presa. L’embodied AI nel senso attuale sostituisce buona parte di quella catena con un modello addestrato su registrazioni di robot che svolgono compiti. Non tutta: il report tecnico su Gemini Robotics di Google DeepMind dice che i modelli di questo tipo vanno collegati a controllori di livello inferiore critici per la sicurezza, il software tradizionale che mantiene i motori entro limiti sicuri.

Il ciclo percepire, decidere, agire con un modello VLA nella fase di decisione e i controllori di sicurezza prima dei motori; sotto, dove quattro sistemi pubblicati fanno girare il modello, dal cloud (RT-2) a tutto sul robot (Helix, Gemini Robotics On-Device).

Che cos’è un modello vision-language-action?

Un modello vision-language-action (VLA, cioè visione, linguaggio, azione) riceve le immagini delle telecamere e un’istruzione in linguaggio comune, come “metti la mela nella ciotola”, e restituisce azioni del robot, una breve sequenza di posizioni del braccio, della pinza o dei giunti alla volta. Di solito il punto di partenza è un modello visione-linguaggio, il tipo di modello che descrive le immagini dopo essere stato addestrato su dati del web, che viene poi addestrato ancora su registrazioni di robot: così le conoscenze prese dal web, per esempio l’aspetto di una mela, passano al controllo dei movimenti.

Google DeepMind ha dato il nome alla categoria nel luglio 2023 con RT-2, un modello che scrive le azioni del robot come token di testo. Ne sono seguiti altri, e per un lettore la differenza più utile tra loro è la fonte: un paper sottoposto a peer review è stato controllato da altri ricercatori prima della pubblicazione, un preprint no, e un annuncio aziendale è la descrizione data dall’azienda stessa.

Modello	Chi	Prima uscita pubblica	Fonte	Stato
RT-2	Google DeepMind	28 luglio 2023	Paper su arXiv	Sottoposto a peer review, CoRL 2023
OpenVLA	Gruppo guidato da Stanford	13 giugno 2024	Paper su arXiv, pesi aperti	Sottoposto a peer review, CoRL 2024
π0	Physical Intelligence	31 ottobre 2024	Paper su arXiv, blog dell’azienda	Sottoposto a peer review, RSS 2025
Helix	Figure	20 febbraio 2025	Annuncio dell’azienda	Nessun paper
Gemini Robotics	Google DeepMind	12 marzo 2025	Annuncio dell’azienda, report su arXiv	Preprint
GR00T N1	NVIDIA	18 marzo 2025	Annuncio dell’azienda, paper su arXiv	Preprint

La tabella mostra la prima generazione di ciascun modello; ognuno ha versioni più recenti. Google DeepMind ha annunciato Gemini Robotics 2 il 30 luglio 2026 insieme a un report tecnico sulla sicurezza, con il VLA aperto solo ai partner in accesso anticipato. Physical Intelligence ha fatto seguire a π0 π0.5 (22 aprile 2025, un preprint su arXiv), π*0.6 (17 novembre 2025) e π0.7 (16 aprile 2026), gli ultimi due pubblicati anche come preprint su arXiv (π*0.6, π0.7). Figure ha annunciato Helix 02 (27 gennaio 2026), che aggiunge il controllo del corpo intero e un livello per l’equilibrio che gira 1.000 volte al secondo, e Helix 2.5 (17 settembre 2026), entrambi senza paper. NVIDIA presenta GR00T N1.7 come versione in disponibilità generale (general availability) sulla sua pagina GitHub, senza un paper dedicato. Nel frattempo Gemini Robotics 1.5 (25 settembre 2025) ha aggiunto un modello di ragionamento che pianifica i passi di un compito e passa le istruzioni al VLA.

Dove avviene il calcolo: sul robot o nel cloud?

Una risposta che arriva dopo un secondo va bene per un chatbot ma è troppo lenta per una mano che si chiude su una tazza. Questo spinge a eseguire l’inferenza sul robot, come fa l’edge AI per le telecamere (vedi Che cos’è l’edge AI?), ma i modelli più grandi non ci stanno. I sistemi pubblicati fanno scelte diverse:

Cloud. Gli autori di RT-2 scrivono che il loro modello da 55 miliardi di parametri non poteva girare sulle GPU montate di solito sui robot, quindi lo interrogavano attraverso la rete su un servizio cloud, da 1 a 3 decisioni al secondo. Nell’ottobre 2026 Physical Intelligence ha aperto una API in beta, e la maggior parte delle applicazioni presentate girava con inferenza ospitata nel cloud; l’azienda dice che alcuni dei primi deployment hanno avuto problemi di connettività di rete.
GPU da desktop. OpenVLA, con 7 miliardi di parametri, gira a circa 6 decisioni al secondo su una sola scheda grafica NVIDIA RTX 4090, secondo il suo paper.
Calcolo diviso. Nel report di Gemini Robotics il modello principale è ospitato nel cloud e un decoder di azioni locale gira sul robot, con circa 250 millisecondi dall’osservazione all’azione. Gemini Robotics On-Device, annunciato il 24 giugno 2025, gira sul robot senza una rete dati, secondo Google DeepMind, inizialmente per un gruppo selezionato di tester.
A bordo, a due velocità. Figure dice che Helix gira interamente su due GPU embedded: un modello da 7 miliardi di parametri legge la scena e l’istruzione da 7 a 9 volte al secondo, e una policy da 80 milioni di parametri, cioè il modello che decide i movimenti, li produce 200 volte al secondo. Il paper di GR00T N1 descrive una coppia simile, una parte lenta e una veloce, ma le velocità che riporta si riferiscono a una NVIDIA L40, una GPU da data center, non a un computer a bordo del robot. Per GR00T N1.7, la pagina GitHub di NVIDIA indica circa 28 decisioni al secondo sul suo modulo embedded Jetson AGX Thor.

Un modello nel cloud può essere più grande, ma richiede una connessione funzionante, aggiunge il ritardo della rete, e le immagini delle telecamere devono uscire di casa per raggiungerlo. Un modello a bordo funziona offline e tiene le immagini in locale, ma è limitato dai consumi, dal calore e dalla batteria che un robot può portare con sé: per questo i produttori ricorrono a GPU embedded e NPU. Che cosa invia all’esterno un robot di casa, e chi lo vede, è spiegato nella guida su privacy e teleoperazione dei robot di casa.

Come imparano i robot nuovi compiti?

Soprattutto dalle dimostrazioni. Nella teleoperazione una persona guida il robot a distanza, e le immagini e i movimenti registrati diventano esempi di addestramento. Figure dice che Helix è stato addestrato su circa 500 ore di dati teleoperati. OpenVLA ha usato 970.000 dimostrazioni di robot della raccolta Open X-Embodiment, che riunisce dati di 21 istituzioni e 22 tipi di robot. Una volta che esiste un modello generale, un compito nuovo richiede meno esempi: il report di Gemini Robotics descrive nuovi compiti brevi appresi con appena 100 dimostrazioni.

La simulazione aggiunge esempi sintetici: NVIDIA dice che i suoi strumenti hanno generato 780.000 traiettorie sintetiche in 11 ore, e che mescolarle con dati reali ha migliorato GR00T N1. I video di persone sono un’altra fonte: il paper di GR00T N1 elenca i video umani tra i suoi dati di addestramento.

I dati sono il collo di bottiglia perché non esiste un web dei movimenti dei robot. Testi e immagini esistono in quantità enormi; le registrazioni di un robot che piega un asciugamano esistono solo se qualcuno le ha fatte. Il paper di RT-2 ne indica la conseguenza: il pre-addestramento sul web ha aiutato il robot a gestire oggetti e istruzioni nuovi, ma le sue abilità fisiche sono rimaste limitate a quelle presenti nei dati del robot.

Che cosa non sa ancora fare l’embodied AI?

I limiti più chiari li indicano gli autori stessi:

RT-2: nessun movimento nuovo oltre a quelli presenti nei dati del robot, e un costo di calcolo che può diventare un collo di bottiglia per il controllo veloce.
OpenVLA: una sola immagine della telecamera alla volta, troppo lento per i robot che hanno bisogno di 50 comandi al secondo, e tassi di successo sui compiti provati in genere inferiori al 90%.
π0: Physical Intelligence scrive che le policy generaliste per robot sono “ancora nella loro infanzia” e mette robustezza e sicurezza tra i problemi aperti.
Gemini Robotics: i compiti che richiedono più destrezza restano difficili da imparare nella sua impostazione multi-task, e le valutazioni nel mondo reale risentono di ambienti che cambiano e di hardware che si deteriora.
Helix: Figure definisce i suoi risultati preliminari.

Questi tassi di successo vengono da compiti e configurazioni scelti dagli autori. I produttori hanno cominciato a pubblicare prove in case vere. Figure riporta prove alla cieca di Helix 2.5 in 30 case della Bay Area in cui non aveva raccolto dati, su tre faccende scelte dall’azienda (riordinare i giocattoli, piegare asciugamani, rifare il letto): il robot ha completato l’intero compito nel 56% delle prove, contro il 9% di una versione addestrata senza il grande dataset di pre-addestramento di Figure, e Figure scrive che “il punto non è che la robotica umanoide generale sia risolta”. Physical Intelligence dice che π0.5 sa pulire case che non ha mai visto durante l’addestramento, ma che “spesso commette errori”. Sono prove dei produttori stessi, brevi e non mesi di uso quotidiano. I video dimostrativi mostrano che cosa ha funzionato in un certo giorno, non quanto spesso il robot sbaglia, e se un robot era comandato a distanza lo si sa solo se il produttore lo dice. Niente di tutto questo significa che il robot capisce una cucina: produce movimenti imparati dai suoi esempi di addestramento.

Per continuare

Si può comprare un robot umanoide per casa?: prezzi e consegne.
Robot di casa, telecamere e operatori remoti: chi vede dentro casa tua.
Che cos’è l’AIoT?: dove si collocano i robot tra le applicazioni dell’AI sui dispositivi connessi.
Visione artificiale sul dispositivo: come le telecamere trasformano i pixel in decisioni in locale.

Argomenti: robotica, embodied AI, VLA, edge AI