Ci hanno promesso il “momento iPhone” della robotica così tante volte che ormai è diventato il tormentone preferito degli scettici del settore. Eppure, ogni tanto, spunta fuori qualcosa capace di far drizzare le antenne anche ai più cinici. Questa volta, i protagonisti sono un robot, una spatola e un pancake. Skild AI, la startup inondata di capitali e valutata oltre 14 miliardi di dollari, ha appena presentato S1: un modello di base (foundation model) in grado di apprendere un compito complesso da 10 minuti semplicemente guardando un singolo video. Niente fine-tuning estenuante, niente mesi passati a raccogliere dati, niente eserciti di teleoperatori. Basta guardare e fare.
La prima volta che il loro robot ha girato un pancake alla perfezione, il team di Skild ha reagito come ogni ingegnere che si rispetti: ha pensato a un bug. Hanno passato due giorni a setacciare il loro dataset di pre-addestramento da un milione di ore, convinti che qualche dato ribelle sulla preparazione della colazione si fosse intrufolato nel sistema. Non hanno trovato nulla. Il robot aveva generalizzato, deducendo il compito “fuori catalogo” di girare il pancake da un singolo input video. Non era semplice imitazione; era un barlume di buon senso fisico.
La fine della tirannia del fine-tuning
Per anni, addestrare un robot a un nuovo compito è stato un calvario di raccolta dati e fine-tuning. Un’azienda poteva spendere dalle 50 alle 100 ore solo per raccogliere dati e perfezionare un modello affinché eseguisse un singolo nuovo lavoro in modo affidabile. È questo il collo di bottiglia, costoso e snervante, che ha confinato i robot generalisti nei laboratori di ricerca. S1 di Skild propone un’alternativa radicale basata sullo stesso principio che ha reso ChatGPT un fenomeno globale: l’apprendimento contestuale (in-context learning).
Invece di riaddestrare faticosamente un modello, basta mostrargli un esempio nella sua finestra di prompt. Per un LLM, si tratta di un esempio testuale. Per S1, è un video in prima persona di un essere umano che esegue il compito. Il modello viene pre-addestrato con una dieta pantagruelica di video presi da internet, simulazioni e dati di teleoperazione reale, costruendo così una comprensione generalizzata delle interazioni fisiche. Da lì, una singola dimostrazione basta per sbloccare una nuova abilità, che si tratti di travasare una pianta, assemblare un kit igienico o preparare un caffè con il filtro.
“Questo concetto si chiama in-context learning, ed è ciò che ha segnato il salto dai progetti di ricerca come GPT-1 e GPT-2 a prodotti rivoluzionari come ChatGPT”, ha dichiarato l’azienda nel video di annuncio. “Si inserisce una dimostrazione nella finestra di contesto… e il modello emette le azioni robotiche necessarie per completare il compito.”
Questo approccio non solo funziona, ma surclassa letteralmente il vecchio metodo. Per i compiti già noti al modello, S1 si comporta al pari dei tradizionali modelli Vision-Language-Action (VLA). Ma per i compiti nuovi, mai visti prima, la differenza è sbalorditiva.
Le leggi di scala dell’intelligenza fisica
La vera magia avviene con la scala. Skild ha pubblicato un grafico che ogni laboratorio di robotica dovrebbe appendere al muro. Mostra come, all’aumentare dei dati di pre-addestramento, la capacità di S1 di gestire nuovi compiti tramite l’apprendimento contestuale schizzi alle stelle, mentre i VLA basati su prompt linguistici mostrano rendimenti decrescenti.
Dopo 100.000 ore di pre-addestramento, S1 raggiunge un tasso di successo del 66% su compiti mai visti prima. Il VLA basato su linguaggio? Un misero 9%. Non è un miglioramento incrementale; è un cambio di paradigma. Suggerisce che, proprio come per i grandi modelli linguistici, esistano leggi di scala prevedibili anche per la robotica. Versate abbastanza dati e ne emergeranno capacità completamente nuove. Il modello non diventa solo più preciso; diventa più intelligente.
E questa intelligenza non è fragile. Skild ha dimostrato come S1 sia in grado di adattarsi alle perturbazioni, improvvisare dopo un errore e persino correggere gli sbagli fatti dall’umano nel video dimostrativo. Può gestire oggetti spostati o scambiati, suggerendo una comprensione robusta che va ben oltre la semplice riproduzione di un percorso preimpostato.
Dal laboratorio alla realtà industriale
Se questo fosse l’ennesimo progetto universitario, sarebbe interessante. Ma Skild AI è un colosso commerciale sostenuto da calibri come SoftBank, NVIDIA e Bezos Expeditions di Jeff Bezos, con una valutazione di 14 miliardi di dollari e, a quanto pare, 30 milioni di dollari di entrate generati in pochi mesi l’anno scorso. Questo non è un demo; è l’annuncio di un prodotto da parte di un’azienda che ha già partnership con produttori OEM e centinaia di robot operativi sul campo.
È il prossimo passo logico nella loro missione di costruire un Translation not available (it) universale. Li abbiamo già visti insegnare ai robot a Translation not available (it) , ma S1 rappresenta una svolta fondamentale nel paradigma di implementazione. L’obiettivo è cambiare l’economia dell’automazione, rendendola accessibile a piccole imprese, ospedali e supermercati — realtà che non possono permettersi un team di esperti in robotica per riprogrammare le proprie macchine.
Naturalmente, ci sono dei “ma”. I benchmark sono interni e Skild non ha ancora rilasciato un paper tecnico, un’API o i pesi del modello. Tuttavia, i video sono impressionanti e lo slancio commerciale è innegabile. L’era del “un robot, un compito” potrebbe essere finalmente agli sgoccioli. Con S1, Skild scommette che il futuro della robotica riguarderà meno la programmazione e molto più il “mostrare come si fa”. E tutto è iniziato con un pancake.