La prossima frontiera della physical AI potrebbe arrivare direttamente dal cervello umano. Mentre i modelli di intelligenza artificiale generativa hanno imparato sfruttando enormi quantità di testi e contenuti online, i sistemi destinati ad agire nel mondo fisico devono affrontare un problema molto più complesso: la mancanza di dati reali sufficienti per addestrare i robot.
Per superare questo limite, alcune aziende stanno sperimentando nuove forme di raccolta delle informazioni, che non si fermano più ai video o alle immagini. Tra queste c’è Encord, startup specializzata nella gestione dei dati per l’intelligenza artificiale, che sta lavorando a dataset arricchiti anche con informazioni provenienti dall’attività cerebrale degli esseri umani.
Encord sperimenta i dati cerebrali per migliorare la physical AI
In un magazzino di San Leandro, in California, Encord sta portando avanti alcuni dei test più avanzati nel campo della robotica intelligente. Uno dei suoi operatori, chiamati dall’azienda pilot, utilizza un visore dotato di telecamera mentre svolge un compito apparentemente semplice: smontare una torre di Jenga senza farla crollare.
La particolarità dell’esperimento è che il dispositivo non registra soltanto ciò che l’operatore vede. Il visore integra anche sensori capaci di rilevare le onde cerebrali, con l’obiettivo di identificare stati mentali come errore, intenzione o sorpresa durante l’esecuzione dell’attività.
Il progetto nasce dalla collaborazione con Zander Labs, startup tedesca specializzata in neuroscienze, che punta a utilizzare l’analisi dell’attività cerebrale per creare dataset più ricchi per i modelli di intelligenza artificiale.
Secondo Lukas Gehrke, neuroscienziato di Zander Labs coinvolto nel progetto, la quantità di attività cerebrale registrata durante un compito può fornire indicazioni utili per capire quando un sistema AI deve utilizzare modelli più avanzati e complessi.
Per Encord si tratta ancora di una fase sperimentale: l’obiettivo è creare un primo dataset con informazioni neurali integrate, testarlo sui modelli robotici dei clienti e verificare se queste informazioni migliorano realmente le prestazioni.
La robotica ha bisogno di dati creati nel mondo reale
Il problema principale della physical AI è diverso rispetto a quello affrontato dai chatbot. I modelli linguistici hanno potuto sfruttare enormi quantità di materiale già disponibile online, mentre i robot devono imparare movimenti, interazioni e comportamenti fisici attraverso esperienze concrete.
“Il dato semplicemente non esiste”, ha spiegato Vineeth Velmurugan, responsabile del settore robot learning di Encord ed ex membro del laboratorio robotico di OpenAI. Per questo motivo, l’azienda ha iniziato non solo a gestire dati per altre società, ma anche a crearli direttamente.
Le aziende che sviluppano robot umanoidi stanno quindi puntando soprattutto su due fonti principali: i video in prima persona raccolti da operatori che indossano telecamere e i dati prodotti tramite robot controllati a distanza.
Nel laboratorio di Encord vengono addestrati sistemi capaci di svolgere attività come versare caffè, impilare oggetti o collegare cavi Ethernet a server. Proprio quest’ultimo esempio mostra quanto sia ancora complesso per una macchina replicare la precisione delle mani umane: le pinze robotiche hanno meno libertà di movimento rispetto alle dita e agli arti delle persone.
Nuovi sensori e annotazioni per creare robot più intelligenti
Oltre ai dati cerebrali, Encord sta sviluppando altre tecniche per rendere più completi i dataset utilizzati dalla robotica. Una di queste sfrutta sensori applicati sull’avambraccio per rilevare i segnali elettrici dei muscoli.
L’obiettivo è ricostruire in modo più preciso la posizione della mano nello spazio, superando i limiti dei normali video, che spesso non riescono a catturare ogni dettaglio del movimento.
Un altro elemento fondamentale è rappresentato dalle annotazioni dense, ovvero descrizioni molto dettagliate di ciò che accade nei filmati. Un’azione come “la mano destra stringe un bullone” diventa così un’informazione strutturata che aiuta i modelli AI a comprendere meglio il contesto.
Velmurugan stima che questi dati altamente annotati possano avere un valore fino a cento volte superiore rispetto ai normali video raccolti senza informazioni aggiuntive, anche se la loro produzione costa circa venti volte di più.
Ed è proprio questo il principale ostacolo: creare dati fisici richiede tempo, persone e infrastrutture. A differenza dei testi recuperati dal web, i dati necessari ai robot devono essere fabbricati nel mondo reale, trasformando la raccolta delle informazioni in un vero settore industriale.
Per Encord, questa nuova economia dei dati rappresenta una delle chiavi per accelerare lo sviluppo della robotica avanzata. Nel laboratorio californiano continueranno quindi gli esperimenti per capire quali combinazioni di video, sensori e segnali biologici possano permettere alle macchine di comprendere meglio il comportamento umano.
Fonte: TechCrunch
