In questo articolo Indice dei contenuti 2 sezioni
Con Isaac 0.5 la società americana Perceptron prova a spostare l’intelligenza artificiale dagli schermi al pavimento delle fabbriche, dove i robot devono capire cosa hanno davanti e agire di conseguenza. Si tratta di un modello di visione pensato proprio per questo, cioè per permettere alle macchine di interpretare l’ambiente circostante e decidere come muoversi, senza limitarsi a eseguire un comando preimpostato. Il nome dell’azienda dice poco ai più, ed è normale, visto che parliamo di una realtà giovanissima.
Perceptron nasce infatti nel novembre 2024, fondata da Armen Aghajanyan e Akshat Shrivastava, entrambi con un passato da ricercatori in Meta FAIR. Un curriculum che pesa, soprattutto in un settore dove la robotica industriale sta diventando il banco di prova più severo per i modelli multimodali. Perché una cosa è generare testo o immagini, un’altra è riconoscere una scatola storta su uno scaffale e capire quale afferrare per prima.
Isaac 0.5: un modello general purpose, non un automatismo da linea di montaggio
Il punto interessante è proprio questo. Isaac 0.5 non è stato costruito per automatizzare una singola operazione ripetitiva, quel tipo di compito che i bracci meccanici svolgono da decenni senza bisogno di capire nulla. È stato sviluppato come modello general purpose, quindi in grado di adattarsi a situazioni e contesti diversi.
L’esempio che rende bene l’idea arriva dal magazzino. Un robot che lavora lì dentro deve leggere l’etichetta di un pacco, individuare la posizione delle scatole, scegliere quale prendere e poi stabilire l’ordine corretto delle operazioni. Oggi queste abilità vivono spesso in sistemi separati, ognuno con la sua logica e i suoi limiti. L’ambizione di Perceptron è riunirle in un solo sistema, più flessibile, capace di passare da un compito all’altro senza dover essere riprogrammato ogni volta.
Detta così sembra semplice, ma è esattamente il nodo che tiene sveglia mezza industria della visione artificiale. La differenza tra riconoscere un oggetto e sapere cosa farne è enorme, e riguarda la capacità di mettere in sequenza le decisioni, non solo di identificare forme e colori.
Un milione di ore di video per insegnare il mondo fisico
Sul fronte dell’addestramento, l’azienda dichiara di aver lavorato su un milione di ore di video generici, affiancate da filmati girati in prima persona e da registrazioni UMI, quelle usate per insegnare ai sistemi di intelligenza artificiale movimenti e attività fisiche osservando le azioni umane. In pratica il modello impara guardando come le persone maneggiano gli oggetti, che resta il modo più diretto per trasferire a una macchina la comprensione dei gesti.
Curiosamente, Perceptron non ha reso note le fonti dei dati. Un dettaglio non da poco, considerando quanto la questione della provenienza dei dataset stia diventando delicata in tutto il comparto. Shrivastava si è limitato a spiegare che la società ha costruito internamente dataset su scala petabyte, comprendenti immagini, testo, video e traiettorie robotiche.
Quest’ultima voce merita attenzione, perché le traiettorie robotiche sono la parte più difficile da raccogliere. Non si trovano online, vanno generate, registrate, catalogate. È il tipo di lavoro sporco che distingue chi vuole davvero portare un modello dentro un capannone da chi si ferma alla demo su schermo.
Il posizionamento di Perceptron è quindi chiaro. Non un assistente conversazionale, non un generatore di contenuti, ma un cervello visivo per macchine che devono operare in spazi reali, tra pallet, nastri trasportatori e scaffalature. Isaac 0.5 rappresenta la prima uscita pubblica di questa strategia, e il numero di versione lascia intendere che il percorso sia appena cominciato.
