I Giochi dei robot umanoidi di Pechino stabiliscono record, ma la vera avversaria è la fabbrica

I robot umanoidi di Pechino hanno superato una soglia notevole il 22 agosto, facendo segnare 9,39 secondi nei 100 metri, pur avendo ancora bisogno di prove più concrete oltre la pista. La seconda edizione dei World Humanoid Robot Games ha visto anche macchine giocare a sport con racchetta, sollevare pesi e maneggiare fagioli con pinzette. Risultati che hanno prodotto immagini spettacolari. Non hanno però risolto la questione se gli umanoidi possano svolgere lavori utili in modo affidabile.

L'evento di cinque giorni si svolge fino al 26 agosto presso il National Speed Skating Oval di Pechino. La sua portata è passata da 280 team nel 2025 a 666 team e 2.056 robot registrati quest'anno. Gli organizzatori hanno programmato 51 discipline e 1.301 sessioni di gara, secondo un'anteprima ufficiale dell'evento.

Un lancio originale di 36Kr diffuso tramite RSSHub ha evidenziato progressi paralleli nelle “mani” e nei “cervelli” robotici. Questa impostazione coglie il problema ingegneristico centrale. Un umanoide utile necessita sia di intelligenza dell'intero corpo sia di un controllo fisico preciso.

Eppure la competizione più importante non è tra robot e atleti. È tra le prestazioni in gara e il lavoro ripetibile in fabbriche, magazzini, hotel e abitazioni. Uno sprint può rivelare equilibrio e prestazioni degli attuatori. Un impiego produttivo deve aggiungere sicurezza, operatività, adattabilità e una ragione economica per mantenere la macchina in funzione.

I record hanno cambiato la visibilità della robotica umanoide

I Giochi hanno trasformato i progressi ingegneristici annuali in numeri che anche i non specialisti possono comprendere immediatamente.

Un robot del team Tianzhuo ha completato una batteria preliminare dei 100 metri in 9,39 secondi. Un tempo più rapido del record mondiale umano di Usain Bolt, 9,58 secondi, stabilito nel 2009. Secondo lo sviluppatore del robot, un'altra corsa avrebbe raggiunto 9,32 secondi durante una prova prima dell'evento.

Il risultato di 9,39 secondi si confronta nettamente anche con il miglior tempo dei Giochi inaugurali. Nel 2025, Tien Kung Ultra ha vinto la finale dei 100 metri in 21,50 secondi. Dimezzare più che il tempo nell'arco di un anno suggerisce importanti miglioramenti nei motori, nella distribuzione dell'energia, nella struttura meccanica, nel software di controllo e nel recupero dell'equilibrio.

Una dimostrazione di salto in alto da fermo ha prodotto un altro dato sorprendente. Il robot ha raggiunto 2,8843 metri, rispetto al miglior risultato umanoide vicino a 0,95 metri ai Giochi precedenti. Un robot dei 400 metri ha poi completato la gara in 38,15 secondi.

Questi risultati meritano un linguaggio prudente. Le gare per robot e umani utilizzano corpi, regole, metodi di salto e vincoli di sicurezza diversi. Una macchina che supera una certa altezza durante una dimostrazione da fermo non ha partecipato al salto in alto umano secondo le regole di World Athletics. Il confronto è utile per comunicare la scala, non per dichiarare i robot atleti migliori.

Ciononostante, i risultati del giorno d'apertura segnano un reale cambiamento nelle capacità. Correre velocemente su due gambe richiede al controller di stimare la posizione del corpo, scegliere dove appoggiare i piedi e correggere l'instabilità in frazioni di secondo. Piccoli errori di tempistica possono mandare una macchina contro il pavimento o una barriera.

Lo spettacolo ha mostrato questi fallimenti insieme ai record. Filmati di allenamento hanno mostrato un robot in rapida corsa incapace di fermarsi prima di colpire le protezioni. Altre macchine hanno inciampato, perso l'equilibrio o richiesto assistenza umana. Quei momenti non erano semplice comicità accidentale. Mostravano la differenza tra massimizzare un singolo risultato misurabile e gestire in sicurezza un intero compito.

Anche la competizione nel suo complesso è diventata molto più ampia. Gli organizzatori hanno ampliato il programma da 26 a 51 discipline, comprese 30 prove competitive e 21 prove basate su scenari. Il numero di sessioni è salito da 487 a 1.301. Questa espansione conta perché più prove creano più opportunità per individuare modalità di guasto.

Il programma si è inoltre spinto oltre le gare su pista. I robot hanno giocato a calcio, ping pong e tennis, dove dovevano reagire a oggetti in movimento e ad altri partecipanti. Arti marziali, danza sportiva, sollevamento pesi, tiro alla fune e performance di gruppo hanno messo alla prova diverse combinazioni di controllo, potenza e coordinazione.

Queste attività rendono la robotica comprensibile al pubblico. Offrono inoltre agli ingegneri obiettivi definiti, scadenze e risultati comparabili. Tuttavia, anche il record atletico più chiaro dice ancora poco su quante volte un robot possa completare un turno di otto ore senza interventi.

Questo divario crea la vera tensione dell'evento. La pista ha mostrato che una macchina può muoversi molto rapidamente in condizioni controllate. Le prove di scenario hanno chiesto se la stessa piattaforma ingegneristica possa percepire, decidere e manipolare quando il successo dipende da molto più della velocità.

La prova più difficile sta tra due dita

Le prove sulle mani dexterous hanno posto sotto i riflettori pubblici l'interfaccia più debole e commercialmente più importante del settore.

L'evento comprendeva otto compiti di manipolazione fine: assemblaggio con utensili elettrici, pesatura di polveri, costruzione con blocchi, fissaggio di chiodi, apertura di bottiglie, disimballaggio di pacchi, manipolazione di fagioli con pinzette e collegamento di cavi. Ogni compito combinava percezione, controllo della forza e precisione meccanica.

La sfida dei fagioli sembrava modesta accanto a uno sprint da record. Era probabilmente più rappresentativa degli ostacoli che attendono i robot per uso generale. La macchina doveva localizzare un piccolo oggetto, allineare uno strumento, applicare pressione sufficiente per afferrarlo e impedire di schiacciarlo o lasciarlo cadere.

Questa sequenza è difficile perché la sola visione non può rivelare tutto ciò che accade nel punto di contatto. Una telecamera può stimare dove si trovi un fagiolo o un cavo. Non può sempre determinare se un dito abbia iniziato a scivolare o se un tappo stia per deformarsi.

I sensori tattili risolvono una parte del problema. Misurano forze di contatto, vibrazioni, temperatura, deformazione o movimento sulla mano di un robot. Il controller può quindi regolare la presa prima che un oggetto fragile si rompa o uno liscio sfugga.

Le recenti ricerche sul rilevamento tattile illustrano la direzione di sviluppo. I ricercatori hanno integrato un sensore multimodale in una mano dexterous e ne hanno combinato i segnali con un modello linguistico specializzato. Il sistema ha interpretato proprietà quali consistenza, materiale, temperatura e scivolamento.

Questo lavoro non significa che il tatto di livello umano sia stato risolto. I sensori da laboratorio devono ancora affrontare sfide di durata, calibrazione, produzione e integrazione. Una pelle sensibile che funziona durante una dimostrazione deve anche resistere a polvere, urti, contatti ripetuti e migliaia di ore operative.

Il progetto meccanico aggiunge un altro vincolo. Più giunti possono produrre movimenti più simili a quelli umani, ma ogni giunto aggiunge motori, cavi, variabili di controllo, peso e potenziali punti di guasto. Una mano dexterous deve bilanciare flessibilità, costi e facilità di manutenzione.

La competizione ha inoltre rivelato un'importante riserva sull'autonomia. In almeno una prova di manipolazione dei fagioli, un operatore indossava apparecchiature di rilevamento e controllava a distanza un robot su ruote. La gara sulle mani dexterous ha quindi valutato hardware e teleoperazione insieme alla manipolazione autonoma.

La teleoperazione resta preziosa. Consente agli ingegneri di raccogliere dimostrazioni, recuperare dagli errori e addestrare modelli usando azioni umane. Può inoltre supportare lavori pericolosi nei quali inviare una persona nell'ambiente creerebbe un rischio inaccettabile.

Tuttavia, il controllo remoto cambia l'equazione commerciale. Una macchina che necessita di un operatore per ogni compito non riduce automaticamente il fabbisogno di manodopera. Latenza di rete, guasti nelle comunicazioni, affaticamento degli operatori e costi di formazione entrano a far parte del sistema.

Il passo successivo non è eliminare le persone da ogni flusso di lavoro. È ridurre la frequenza con cui una persona deve intervenire. Un operatore potrebbe supervisionare diverse macchine e assumere il controllo solo quando compare un oggetto sconosciuto o una condizione imprevista.

La costruzione con blocchi e il collegamento di cavi mettono bene alla prova questa transizione. Entrambi richiedono più azioni in un ordine specifico. Un robot deve riconoscere i componenti, mantenere l'orientamento, gestire il contatto, rilevare il completamento e recuperare quando il primo tentativo fallisce.

Si tratta al tempo stesso di problemi di “mano” e di “cervello”. Dita migliori non possono compensare un controller che interpreta male la scena. Un modello di pianificazione migliore non può compensare dita prive di un feedback di forza sufficiente.

Il riepilogo RSSHub di 36Kr aveva dunque ragione nel collegare i progressi nell'hardware dexterous con un'intelligenza coordinata. I due percorsi di sviluppo convergono nel momento del contatto. È lì che la previsione di un robot diventa un'azione fisica irreversibile.

Cervelli più grandi devono controllare il corpo in tempo reale

Il cambiamento tecnico centrale è un coordinamento più stretto tra pianificazione di alto livello e controllo rapido dell'intero corpo.

I team di robotica descrivono spesso una divisione tra un “cervello grande” e un “cervello piccolo”. Il cervello grande gestisce percezione, linguaggio, pianificazione dei compiti e ragionamento generale. Il cervello piccolo esegue il rapido controllo motorio, le correzioni dell'equilibrio e le azioni a livello di giunto.

La distinzione è utile, ma i due sistemi non possono operare in modo indipendente. Un modello di pianificazione potrebbe decidere di raccogliere una bottiglia. I controller di livello inferiore devono tradurre questa intenzione in movimento del braccio, posizionamento delle dita, forza di presa ed equilibrio continuo.

Gli sport veloci mettono in luce il livello inferiore. Durante uno sprint, la macchina non può attendere che un modello per uso generale deliberi su ogni passo. Necessita di un ciclo di controllo strettamente ottimizzato che risponda immediatamente ai dati dei sensori.

I compiti di scenario richiedono entrambi i livelli. Si pensi ad aprire una confezione, identificarne il contenuto e collocarlo in contenitori separati. Il robot deve comprendere l'obiettivo, trovare gli oggetti rilevanti, scegliere una sequenza di azioni ed eseguire ogni contatto in sicurezza.

Questo coordinamento spiega perché le competizioni atletiche possano comunque contribuire ai robot pratici. La corsa mette sotto stress equilibrio dinamico, output degli attuatori, limiti termici e recupero. Gli sport con racchetta aggiungono previsione e coordinazione occhio-mano. Il calcio aggiunge navigazione, collaborazione e decisioni attorno ad agenti in movimento.

Il trasferimento non è automatico. Un controller per la corsa ottimizzato per una pista pulita non diventa un sistema da magazzino solo perché entrambi implicano il camminare. Un trasferimento utile avviene quando gli sviluppatori riutilizzano componenti, metodi di addestramento, dati sui guasti e principi di controllo.

L'apprendimento robotico dipende inoltre fortemente dai dati. I modelli addestrati su scala Internet possono apprendere linguaggio e concetti visivi da contenuti digitali. I sistemi fisici necessitano di esempi che includano azione, forza, tempistica, stato degli oggetti e conseguenze degli errori.

Le competizioni generano parte di queste informazioni. Ogni caduta, presa mancata, curva instabile e reazione ritardata può diventare un esempio di addestramento. Le prove standardizzate rendono inoltre i test ripetuti più semplici delle dimostrazioni di prodotto definite in modo vago.

Tuttavia, i dati delle competizioni hanno dei limiti. Le arene sono intenzionalmente strutturate, gli oggetti sono selezionati in anticipo e le regole limitano ciò che può accadere. I luoghi di lavoro reali contengono disordine, variazioni di illuminazione, imballaggi danneggiati, lavoratori in movimento e attrezzature mai progettate per i robot.

La simulazione può moltiplicare il volume di addestramento, ma le differenze tra contatto simulato e fisico restano difficili. I materiali si piegano, le superfici scivolano e i motori si comportano diversamente con il variare della temperatura o dell'usura. Gli sviluppatori devono combinare pratica simulata, dati fisici e test sul campo.

Il progresso dei Giochi verso gare più autonome è significativo in questo contesto. Diverse prove su pista di maggiore distanza richiedevano alle macchine di percepire l’ambiente e navigare senza un controllo remoto continuo. Questo sposta la valutazione dalla velocità meccanica verso l’autonomia integrata.

Anche il coordinamento di gruppo ha offerto un segnale utile. Secondo gli organizzatori e lo sviluppatore, ottanta robot Booster T2 hanno formato figure durante la cerimonia di apertura senza marcatori sul pavimento né controllo remoto diretto. L’esibizione richiedeva localizzazione, sincronizzazione ed evitamento delle collisioni fra numerosi sistemi indipendenti.

Una formazione coreografata rimane più semplice di un luogo di lavoro non strutturato. Ogni partecipante conosce il piano e gli organizzatori possono controllare l’ambiente circostante. Tuttavia, l’operatività di grandi gruppi costituisce uno stress test pratico per comunicazioni, tempistiche e gestione delle flotte.

Quest’ultima capacità sarà importante nelle fabbriche. Gli acquirenti raramente valuteranno un’implementazione in base alla migliore azione completata da un singolo prototipo. Chiederanno se decine di macchine possono condividere lo spazio, ricevere incarichi, segnalare problemi e tornare in servizio dopo la manutenzione.

Di conseguenza, il parametro ingegneristico sta cambiando. Le prestazioni di picco attirano ancora l’attenzione, ma l’intelligenza utile emerge dalla capacità di recupero. Un robot deve riconoscere quando la realtà si è discostata dal suo piano e scegliere l’azione successiva più sicura.

La fabbrica, non l’atleta, è il principale avversario

L’adozione commerciale sarà decisa dall’affidabilità e dall’economia dei compiti, non dal fatto che un umanoide riesca a superare una persona nella corsa.

Una fabbrica dispone già di molte opzioni di automazione. Bracci fissi, sistemi a nastro trasportatore, visione artificiale, veicoli a guida automatica e pinze specializzate svolgono spesso compiti circoscritti in modo più efficiente di una macchina dalla forma umana.

Gli umanoidi sono più convincenti quando ambienti e strumenti sono stati progettati per le persone. Le gambe possono superare soglie o salire gradini. Braccia simili a quelle umane possono raggiungere i comandi esistenti, mentre mani destre possono utilizzare oggetti che i produttori non vogliono riprogettare.

Questa versatilità resta una promessa in fase di valutazione. Le macchine specializzate beneficiano di solito di una meccanica più semplice e di un compito ben definito. Un umanoide sostiene il costo e la complessità di articolazioni che una determinata postazione potrebbe non richiedere.

Le prove più solide provengono quindi da sperimentazioni produttive reali. Quattro robot AgiBot Genie G2 hanno completato ad aprile una dimostrazione di otto ore su una linea di assemblaggio di tablet a Nanchang. Hanno ispezionato prodotti, spostato materiali e separato le anomalie per il recupero da parte degli operatori.

Secondo l’azienda e i rappresentanti della fabbrica, ogni operazione richiedeva da 18 a 20 secondi. I robot hanno processato 310 unità all’ora e, secondo quanto riferito, superato un tasso di successo del 99,9%. Questi dati provengono da un’implementazione controllata e richiedono una continua valutazione indipendente.

La prova sulla linea di fabbrica resta più rilevante sul piano commerciale di un record di sprint. Ha testato il lavoro ripetuto attorno a un nastro trasportatore operativo, dove un errore può fermare la produzione o danneggiare l’inventario.

La prova evidenzia anche perché conta il coordinamento tra mani e cervello. Secondo quanto riferito, i robot hanno usato percezione visiva e controllo della forza per adattarsi a deviazioni di posizione. Dovevano identificare gli oggetti, correggere i movimenti e collocarli con precisione alla velocità di produzione.

Gli stabilimenti automobilistici offrono un altro terreno di prova. Aziende tra cui UBTech hanno introdotto sistemi umanoidi nelle fabbriche di veicoli per sperimentazioni su movimentazione dei materiali, ispezione e smistamento. Questi ambienti propongono processi strutturati, ma contengono comunque variabilità, attrezzature in movimento e rigorosi requisiti di sicurezza.

I centri logistici offrono opportunità affini. I robot possono spostare contenitori, ordinare articoli e gestire pacchi utilizzando corsie e scaffalature costruite per lavoratori umani. Tuttavia, sui pavimenti piani i sistemi su ruote restano spesso più veloci ed economici.

Gli ambienti di servizio generano pressioni diverse. Un robot d’albergo deve interagire in sicurezza con gli ospiti, navigare in modo affidabile e recuperare facilmente dagli errori. Una macchina domestica affronta una variabilità ancora maggiore, inclusi bambini, animali domestici, liquidi, scale e oggetti sconosciuti.

I Giochi includevano prove di scenario per industria, logistica, ospitalità, servizi domestici e risposta alle emergenze. Queste categorie indicano i mercati che gli sviluppatori desiderano raggiungere. Non dimostrano che i sistemi partecipanti siano pronti per un’implementazione senza supervisione.

Gli acquirenti esamineranno diverse misure operative che raramente compaiono nei video promozionali. Il tempo medio tra i guasti indica per quanto tempo una macchina opera prima di un’avaria. Il tasso di intervento misura quanto spesso una persona deve soccorrerla. Il successo nei compiti deve restare stabile al variare delle condizioni.

Anche il consumo energetico conta. Un robot che esegue movimenti impressionanti per alcuni minuti può faticare a completare un intero turno senza ricarica o sostituzione della batteria. La gestione termica diventa più difficile quando i motori generano ripetutamente una coppia elevata.

La manutenzione può vanificare un caso d’acquisto apparentemente interessante. Le mani contengono piccoli componenti esposti a urti e usura frequenti. Le cadute possono danneggiare simultaneamente attuatori, sensori, riduttori, cablaggi e strutture esterne.

Gli standard di sicurezza aggiungono ulteriore lavoro. Un robot veloce che opera vicino alle persone deve rilevarle, limitare le forze di contatto, arrestarsi in modo prevedibile ed entrare in uno stato sicuro dopo un guasto delle comunicazioni. Prestazioni e sicurezza non possono rimanere percorsi ingegneristici separati.

È qui che l’inquadramento atletico può trarre in inganno. I record umani premiano la massima prestazione in un breve tentativo. L’automazione industriale premia prestazioni prevedibili nell’arco di mesi, includendo compiti monotoni e condizioni imperfette.

La fabbrica è dunque il vero avversario. Impone uno standard inflessibile basato su disponibilità operativa, produttività, qualità, sicurezza e costo operativo totale. Un robot non vince perché sembra umano. Vince completando abbastanza lavoro di valore da giustificare la sua complessità.

Ciò che i video promozionali non dimostrano

I Giochi offrono preziosi stress test, ma i loro risultati non dimostrano ancora un’autonomia generale né la preparazione commerciale su larga scala.

Primo, contano le regole delle prove. Le iscrizioni autonome e quelle gestite da remoto mettono alla prova capacità diverse, anche quando appaiono nello stesso programma. Riportare un risultato senza indicare il metodo di controllo può far sembrare un risultato hardware un risultato di autonomia.

Secondo, i confronti con i record richiedono contesto. Gli atleti umani seguono vincoli biologici e sportivi standardizzati. I robot variano enormemente per dimensioni, materiali, sistemi di alimentazione e tecniche di gara. Il confronto numerico crea un titolo intuitivo, non una categoria competitiva comune.

Terzo, gli ambienti programmati nascondono la lunga coda della variabilità fisica. Un team può studiare l’arena, allenarsi con attrezzature note e calibrare il comportamento per uno specifico sistema di punteggio. Un cliente non può impedire che compaiano nuovi oggetti o interruzioni.

Quarto, le dimostrazioni raramente divulgano dati completi sugli interventi. Una macchina può completare il tentativo filmato dopo che gli ingegneri l’hanno ripristinata più volte. Senza il totale dei tentativi, dei fallimenti, dei tempi di recupero e dei dati di manutenzione, gli osservatori non possono calcolare prestazioni affidabili.

Quinto, il settore non dispone ancora di sufficienti prove standardizzate per confrontare le implementazioni. I fornitori riportano tassi di successo in condizioni e con definizioni diverse. Un’azienda può considerare riuscita un’azione corretta, mentre un’altra considera fallimento qualsiasi intervento umano.

Questo non rende le competizioni uno spettacolo vuoto. Una scadenza pubblica costringe i team a integrare sistemi che altrimenti potrebbero rimanere progetti di laboratorio separati. I fallimenti avvengono davanti a rivali, clienti, ricercatori e telecamere.

Il formato crea inoltre compiti comuni. Se gli organizzatori preservano regole, ambienti e risultati completi, i confronti anno su anno possono rivelare progressi reali. La pubblicazione delle classificazioni di autonomia e dei conteggi degli interventi renderebbe tali confronti molto più robusti.

Il sostegno politico sta accelerando la spinta verso prove sul campo. Il ministero dell’industria cinese e l’autorità di regolazione dei beni statali hanno avviato un programma 2026 per l’addestramento nel mondo reale di umanoidi e sistemi di intelligenza incarnata. Copre produzione, logistica, manutenzione, commercio al dettaglio, assistenza sanitaria e risposta alle emergenze.

Il programma di implementazione punta entro la fine dell’anno a un funzionamento convalidato e di routine in contesti rappresentativi. Mira inoltre a oltre 100 scenari ad alto valore e a una capacità di implementazione misurata in decine di migliaia di unità.

Si tratta di obiettivi politici, non di risultati di mercato confermati. Mostrano che le agenzie pubbliche riconoscono lo stesso divario rivelato dai Giochi. Le macchine necessitano di una più lunga esposizione al lavoro reale, di dati fisici più ricchi e di una gestione del ciclo di vita.

La pressione geopolitica aggiunge un’altra incertezza. La robotica umanoide rientra ora in una competizione più ampia su IA, semiconduttori, catene di approvvigionamento e leadership industriale. Le restrizioni commerciali possono influenzare componenti, accesso ai mercati, revisioni di sicurezza e partnership internazionali.

La Cina dispone di una notevole profondità manifatturiera in motori, batterie, elettronica e componenti meccanici. Le aziende statunitensi restano in primo piano nella ricerca sull’IA, nei chip, nel software e nei programmi umanoidi di alto profilo. Nessuno dei due vantaggi elimina il difficile lavoro di integrazione.

Anche la principale strada commerciale può differire da un mercato all’altro. Alcune aziende favoriscono umanoidi generalisti addestrati su molti compiti. Altre realizzeranno sistemi specializzati per un singolo settore, utilizzando caratteristiche umane solo dove gli ambienti esistenti le richiedono.

I Giochi non possono risolvere questo dibattito. La loro varietà premia piattaforme flessibili, mentre una fabbrica spesso premia l’ottimizzazione mirata. Gli acquirenti commerciali decideranno se la generalità genera valore sufficiente a compensare costi e complessità aggiuntivi.

Tre segnali mostreranno se le competenze di gara sono trasferibili

La prossima fase dovrebbe essere valutata attraverso autonomia, implementazione prolungata e affidabilità nella manipolazione in condizioni non familiari.

Il primo segnale è l’autonomia completa secondo regole pubblicate. I risultati futuri dovrebbero identificare chiaramente se una macchina ha agito in modo indipendente, seguito uno script preparato o ricevuto un controllo umano continuo. La frequenza degli interventi dovrebbe comparire accanto al tempo di completamento.

Se i robot autonomi mantengono la propria velocità mentre affrontano perturbazioni, l’argomento a favore di un’intelligenza dell’intero corpo trasferibile diventa più forte. Se le prestazioni calano nettamente senza teleoperazione, i Giochi resteranno soprattutto una vetrina hardware.

Il secondo segnale sono dati plurimensili dalle fabbriche. Sviluppatori e clienti dovrebbero riportare ore operative, produttività, interventi, manutenzione, incidenti di sicurezza e modifiche ai compiti. Il passaggio dai progetti pilota a ordini ripetuti avrebbe più peso dei soli annunci di spedizione.

Un’implementazione utile dovrebbe sopravvivere a variazioni che non erano state programmate singolarmente. Dovrebbe adattarsi a modeste modifiche del layout, riconoscere input difettosi e recuperare in sicurezza. Risultati coerenti in diversi siti dei clienti rafforzerebbero l’argomento commerciale.

Il terzo segnale è la manipolazione destreggiata con supervisione ridotta. Occorre osservare se i robot riescono a gestire oggetti morbidi, riflettenti, irregolari o parzialmente nascosti senza un posizionamento accuratamente predisposto. L’uso di strumenti e la gestione dei cavi forniranno test particolarmente informativi.

Il successo dimostrerebbe che rilevamento tattile, percezione visiva, pianificazione e controllo cedevole stanno convergendo in un unico sistema affidabile. Fallimenti persistenti indicherebbero che mani migliori e modelli migliori non riescono ancora a coordinarsi con qualità produttiva.

La seconda edizione dei World Humanoid Robot Games ha già modificato le aspettative del pubblico. Uno sprint in 9,39 secondi e un salto da fermo di 2,8843 metri fanno sembrare lontane le macchine dell’anno scorso. Le prove di manipolazione fine hanno inoltre spostato la conversazione dai corpi che camminano verso un contatto utile.

Tuttavia, la conclusione più solida è più prudente. La competizione sta diventando un laboratorio di integrazione rapida, mentre la preparazione commerciale resta un test distinto. RSSHub e 36Kr hanno fatto emergere una tendenza reale, ma le prove decisive arriveranno dopo che le telecamere se ne saranno andate.

Nei prossimi tre mesi, guardate oltre i nuovi record e osservate con quale frequenza i robot agiscono senza bisogno di soccorso. Verificate se i progetti pilota nelle fabbriche si trasformano in ordini regolari e se le mani dexterous mantengono la precisione con oggetti diversi. Se questi segnali miglioreranno insieme, i Giochi avranno fatto più che produrre immagini memorabili. Avranno accelerato un percorso credibile dallo spettacolo atletico a un’intelligenza fisica utile.