Il CEO di Neura definisce «ridicolo» il ritmo dell'AI fisica, ma l'Europa deve ancora dimostrare di poterla scalare
Il CEO di Neura Robotics David Reger afferma che l'AI fisica si sta sviluppando a un ritmo «ridicolo», nonostante gli ostacoli pratici che continuano a limitare le macchine autonome. Intervenendo a Bloomberg Tech: Europe il 14 agosto, Reger ha descritto il ritmo come straordinario e ha presentato la robotica come un potenziale nuovo motore di crescita per l'Europa.
Questa affermazione è più di un'altra previsione ottimistica sui robot umanoidi. Neura l'ha collegata a un grande round di finanziamento, a nuove strutture di addestramento e a piani per la produzione di massa. L'azienda scommette che l'Europa possa trasformare la propria competenza industriale in leadership, dopo essere rimasta indietro rispetto alle aziende americane e cinesi in gran parte dell'AI digitale.
La tensione sta tra un'intelligenza in rapida evoluzione e un'implementazione ostinatamente lenta. I modelli robotici possono migliorare rapidamente, ma fabbriche, ospedali e abitazioni restano luoghi difficili da automatizzare. Neura deve dimostrare che le sue macchine possono raccogliere esperienza utile, operare in sicurezza e offrire valore economico ripetibile al di fuori di dimostrazioni controllate.
Cosa ha effettivamente detto il CEO di Neura sull'AI fisica
L'argomento centrale di Reger è che l'AI fisica è entrata in una fase di accelerazione, nella quale l'esperienza nel mondo reale sostituisce l'hardware come principale vincolo.
Nell'intervista a Bloomberg, Reger ha detto che lo sviluppo procedeva a un ritmo straordinario. Ha inoltre presentato l'AI fisica come una nuova opportunità economica per l'Europa.
Per AI fisica si intende un'intelligenza artificiale che percepisce, ragiona e agisce nel mondo fisico. Il suo software deve controllare macchine gestendo al contempo movimento, contatto, incertezza e ambienti mutevoli.
Questo requisito distingue la robotica dalla maggior parte dell'AI basata sul software. Un chatbot può generare un'altra risposta dopo aver commesso un errore. Un robot può danneggiare apparecchiature o ferire qualcuno quando la sua previsione fallisce.
I commenti di Reger descrivono quindi due diverse forme di velocità. I progressi nei modelli e nei metodi di addestramento possono essere rapidi. L'implementazione dipende ancora dall'affidabilità dell'hardware, dall'ingegneria della sicurezza, dalla produzione, dall'integrazione e dall'accettazione da parte dei clienti.
Neura sostiene che il settore abbia già superato un precedente collo di bottiglia legato all'hardware. I robot moderni possono combinare telecamere, rilevamento della forza, software di controllo e modelli di AI in un unico sistema. Il problema più difficile è insegnare a questi sistemi un numero sufficiente di comportamenti utili.
L'azienda definisce il proprio approccio robotica cognitiva. Le sue macchine sono progettate per interpretare l'ambiente circostante e adattarsi, invece di ripetere soltanto movimenti industriali fissi.
Neura ha costruito la sua strategia attorno a Neuraverse, una piattaforma progettata per distribuire dati, modelli e competenze robotiche. L'effetto previsto ricorda la distribuzione del software, ma con capacità fisiche apprese da molte macchine.
Questa distinzione è importante perché i robot industriali tradizionali richiedono solitamente una programmazione accurata per ogni compito. Funzionano bene quando oggetti, posizioni, tempi e flussi di lavoro restano prevedibili.
L'AI fisica promette un modello più ampio. Un robot potrebbe apprendere una capacità da dimostrazioni e dati sensoriali, quindi adattarla a siti diversi. Neura afferma che l'apprendimento condiviso ridurrà i cicli di implementazione.
L'intervista di agosto non ha stabilito in modo indipendente che questo modello abbia raggiunto un'ampia maturità commerciale. Ha però chiarito ciò che Reger ritiene sia cambiato. La competizione riguarda ora dati e infrastrutture di implementazione, non soltanto corpi meccanici migliori.
Le recenti azioni di Neura supportano questa interpretazione. L'azienda sta finanziando ambienti dedicati nei quali i robot possano esercitarsi su compiti in condizioni reali. Sta inoltre cercando partnership che colleghino tali ambienti a università e industria.
La strategia risultante pone un notevole onere sulla dimostrazione dei risultati. Neura deve mostrare che l'apprendimento nei suoi centri di addestramento si trasferisce in modo affidabile nelle strutture dei clienti. Senza questo trasferimento, un addestramento più rapido produce dimostrazioni impressionanti anziché un motore economico.
Perché la corsa all'AI fisica conta di più per l'Europa
L'AI fisica offre all'Europa un modo credibile per competere attraverso produzione, robotica e conoscenza industriale, ma questi vantaggi non garantiscono la leadership.
L'Europa dispone di solide industrie dei macchinari, dell'automotive, dei sensori e dell'automazione. Ha inoltre produttori esperti che comprendono sicurezza, precisione, certificazione e lunghi cicli di vita delle apparecchiature.
Questi punti di forza sono rilevanti per le macchine incarnate. Un robot industriale utile richiede più di un modello di AI capace. Richiede anche componenti affidabili, reti di assistenza, competenze di integrazione e conoscenza dei processi dei clienti.
La regione opera già con una consistente base robotica. L'International Federation of Robotics ha riferito che l'Europa occidentale disponeva di 267 robot industriali ogni 10.000 addetti alla produzione nel 2024.
La Germania ha registrato 449 robot ogni 10.000 addetti alla produzione. Questo la collocava al terzo posto tra le economie coperte dai dati sulla densità robotica della federazione.
Tuttavia, un'elevata densità installata non significa che l'Europa guidi la fase successiva. Molti robot industriali esistenti eseguono movimenti strutturati dietro barriere. L'AI fisica punta a rendere le macchine abbastanza adattabili per lavori meno prevedibili.
Anche i recenti dati sulle installazioni in Europa offrono un avvertimento. Le installazioni di robot industriali nella regione sono diminuite dell'8 percento, a 85.000 unità nel 2024, secondo il rapporto sulla robotica della federazione.
La Germania è rimasta il più grande mercato robotico europeo, con 26.982 installazioni. La cifra era del 5 percento inferiore rispetto all'anno precedente, sebbene restasse il secondo risultato più alto mai registrato nel Paese.
Questi numeri rivelano l'opportunità e la sfida di Reger. L'Europa ha clienti industriali, competenze ingegneristiche e un'ampia base di automazione. Deve anche affrontare una crescita debole, acquirenti esigenti e lunghi processi di approvvigionamento.
L'AI fisica potrebbe diventare un motore di crescita se estendesse l'automazione oltre le linee di produzione fisse. Tra i possibili contesti figurano la movimentazione in magazzino, la produzione flessibile, il lavoro di laboratorio, la logistica ospedaliera e, infine, l'assistenza domestica.
Ogni contesto impone requisiti diversi. I pavimenti dei magazzini premiano movimenti costanti e una movimentazione affidabile dei materiali. Gli ospedali richiedono controlli più rigorosi su sicurezza, privacy e flussi di lavoro. Le abitazioni presentano oggetti e configurazioni molto variabili.
Un robot di uso generale deve gestire questa variabilità senza diventare troppo costoso o inaffidabile. La necessità di garantire al tempo stesso flessibilità e operatività affidabile è il conflitto ingegneristico centrale del settore.
L'orientamento politico europeo offre un certo sostegno. La strategia sull'AI della Commissione europea identifica robotica, produzione, sanità, mobilità e sistemi automobilistici come aree strategiche per l'adozione.
Questo allineamento delle politiche può sostenere la ricerca, le infrastrutture condivise e le prime implementazioni. Non può sostituire clienti che ottengano ritorni misurabili dai robot.
Neura sta quindi facendo pressione su due gruppi contemporaneamente. I responsabili politici europei devono collegare gli investimenti nell'AI alle industrie fisiche. Le aziende consolidate dell'automazione devono decidere quanto rapidamente passare da macchine programmate a sistemi di apprendimento.
Le aziende robotiche americane e cinesi aumentano l'urgenza. Possono attingere a grandi mercati tecnologici, importanti laboratori di AI, profondi bacini di capitale e vaste reti produttive.
L'opportunità per l'Europa è reale, ma il tempo da solo non la proteggerà. Se i concorrenti raccolgono più dati sull'implementazione, possono migliorare i loro modelli perfezionando al contempo hardware e operazioni. Ciò crea un vantaggio cumulativo.
La strategia dati di Neura è il vero meccanismo
La tesi di Neura dipende dal trasformare l'esperienza fisica in dati di addestramento riutilizzabili, per poi distribuire le competenze apprese tra robot e siti diversi.
I robot hanno bisogno di esempi che colleghino la percezione all'azione. Un record di addestramento può includere immagini, letture della forza, posizioni dei giunti, stati degli oggetti e l'azione che ha prodotto un risultato.
Raccogliere questi record è più difficile che raccogliere testi dal web. L'interazione fisica richiede tempo, apparecchiature e può produrre risultati incoerenti. I fallimenti possono inoltre danneggiare oggetti o macchine.
La simulazione aiuta generando ambienti sintetici e prove ripetute. Tuttavia, superfici simulate, attrito, illuminazione, deformazione degli oggetti e comportamento umano non riproducono mai tutte le condizioni presenti fuori da un laboratorio.
Questa differenza è comunemente chiamata divario tra simulazione e realtà. Un comportamento che riesce in un ambiente virtuale può fallire quando un oggetto reale scivola, si piega, riflette la luce o si trova in una posizione inattesa.
Reger ha descritto sempre più spesso l'esperienza come la risorsa limitante del settore. Questo argomento ora guida le spese in conto capitale e le partnership universitarie di Neura.
A marzo, Neura e la Technical University of Munich hanno annunciato un centro di addestramento per l'AI fisica all'aeroporto di Monaco. Il TUM RoboGym iniziale copre 2.300 metri quadrati.
I partner hanno dichiarato di investire circa €17 milioni al lancio, con Neura che contribuisce per circa €11 milioni. I robot avrebbero dovuto iniziare l'addestramento in condizioni reali nel corso del 2026.
Neura ha affermato che i dati del sito sarebbero confluiti in Neuraverse. L'azienda ha descritto la piattaforma come indipendente dall'hardware, ossia pensata per supportare più di un progetto robotico.
Una seconda partnership con RWTH Aachen estende l'idea. Neura afferma che la sua struttura prevista ad Aachen coprirà circa 3.000 metri quadrati e aprirà entro la fine del 2026.
Secondo l'annuncio della rete di addestramento di Neura, a luglio erano in sviluppo 10 Neura Gyms. Cinque avrebbero dovuto operare entro la fine del 2026 in Europa, Stati Uniti e Cina.
L'azienda afferma che i partner industriali avranno accesso a questi ambienti. Ciò potrebbe offrire agli sviluppatori un luogo in cui addestrare sistemi senza dover costruire da zero una costosa operazione dati.
Il meccanismo ricorda un volano. Più robot svolgono più compiti, producendo più dati. Dati migliori migliorano i modelli, e modelli migliorati rendono i robot utili per un numero maggiore di compiti.
Tuttavia, ogni fase può indebolire il ciclo. I dati raccolti per un robot potrebbero non trasferirsi in modo pulito a un altro corpo. Un compito appreso in una fabbrica può dipendere da attrezzaggi o flussi di lavoro assenti altrove.
Anche la qualità conta più del semplice volume. Record ripetuti di movimenti semplici non insegnano necessariamente a un robot come recuperare da guasti rari.
Un centro di addestramento di valore deve acquisire esempi difficili, etichette accurate, eventi di sicurezza e strategie di recupero efficaci. Deve inoltre gestire le autorizzazioni quando i processi dei clienti contengono informazioni sensibili.
Questi requisiti rendono importante il linguaggio di Neura sulle piattaforme aperte. Un ecosistema ampio potrebbe generare esperienze più varie rispetto a una flotta chiusa. Potrebbe anche introdurre formati incoerenti, differenze hardware e controversie sulla governance.
L'azienda dovrà definire standard per il modo in cui le competenze vengono rappresentate, testate e approvate. I clienti vorranno sapere quale robot ha appreso un comportamento, dove è stato convalidato e quali limiti si applicano.
Il processo inizia ad assomigliare alla gestione dei rilasci software, ma le conseguenze fisiche alzano la posta in gioco. Un aggiornamento software difettoso può interrompere il lavoro. Una policy di movimento difettosa può danneggiare una linea di produzione.
La strategia di AI fisica di Neura non consiste quindi semplicemente nel raccogliere dimostrazioni. Richiede un sistema affidabile per trasformare l’esperienza in comportamento delle macchine trasferibile e verificabile.
Il finanziamento alza le aspettative, non dimostra nulla
Neura dispone ora di capitali annunciati sufficienti per tentare una crescita globale, il che rende la consegna commerciale il prossimo banco di prova dell’argomentazione di Reger.
Il 10 giugno, Neura ha annunciato un finanziamento di Serie C con un valore complessivo del round fino a 1,4 miliardi di dollari. La formulazione “fino a” è importante, perché può includere componenti impegnate e condizionate.
L’azienda ha indicato Tether, Qualcomm Technologies, Amazon, Nvidia, imec.xpand, Bosch, Schaeffler, la Banca europea per gli investimenti e altri sostenitori. Questo gruppo comprende finanza, chip, manifattura e sistemi industriali.
Neura ha descritto il finanziamento come il più grande round raccolto da un’azienda di robotica full-stack. Si tratta di un’affermazione dell’azienda e non dovrebbe essere considerata una classifica del settore verificata in modo indipendente.
L’annuncio della Serie C ha collegato il finanziamento alla produzione in serie, alla rete Neura Gym e al continuo sviluppo del Neuraverse.
Neura ha inoltre fissato l’obiettivo di portare la produzione a diversi milioni di robot entro il 2030. Questo traguardo offre un parametro insolitamente chiaro con cui valutare i suoi progressi.
Produrre robot su questa scala richiederebbe più di un modello di successo. Neura avrebbe bisogno di fornitori stabili, progetti producibili, controlli qualità, assistenza sul campo, supporto software e una domanda sostenuta da parte dei clienti.
I sistemi umanoidi amplificano queste sfide. I loro corpi contengono molte parti mobili e i relativi casi d’uso spesso coincidono con attività progettate attorno alla portata e al movimento umani.
Questa forma può rendere gli umanoidi interessanti per gli edifici esistenti. I clienti non dovrebbero ricostruire ogni corsia, postazione di lavoro o porta attorno a una macchina specializzata.
La stessa forma comporta anche costi tecnici. Equilibrio, camminata, presa, consumo energetico e interazione sicura con le persone competono tutti per le risorse ingegneristiche.
I robot su ruote o fissi possono superare gli umanoidi in compiti circoscritti. Un magazzino potrebbe beneficiare maggiormente di un sistema mobile specializzato, mentre una cella di assemblaggio potrebbe privilegiare un braccio robotico convenzionale.
Neura non può quindi affidarsi al solo fascino di un corpo simile a quello umano. Deve dimostrare che l’adattabilità compensa la complessità aggiuntiva.
La posizione più ampia di Reger è che i robot stanno passando da attrezzature isolate a sistemi di apprendimento connessi. In un’intervista di aprile sulla corsa alla scalabilità, ha sostenuto che l’Europa resta un luogo solido in cui costruire un ecosistema della robotica.
Il capitale può accelerare questo piano finanziando scorte hardware e strutture di addestramento prima che i ricavi raggiungano il ritmo. Può anche intensificare la pressione ad annunciare tempistiche ambiziose.
Il panorama competitivo si sta muovendo rapidamente. Figure ha perseguito l’implementazione di umanoidi nella manifattura con BMW. Agility Robotics si è concentrata sul lavoro in magazzino con il suo sistema bipede Digit.
Apptronik ha lavorato con partner industriali su Apollo, mentre Tesla continua a sviluppare Optimus nel proprio ambiente produttivo. Anche le aziende cinesi di robotica stanno iterando rapidamente su diversi progetti hardware.
Questi concorrenti rappresentano strategie differenti. Alcuni controllano lo stack di robot, modelli e implementazione. Altri puntano su partnership, modelli fondazionali o compiti commerciali specializzati.
Il vantaggio proposto da Neura è un livello di intelligenza aperto combinato con l’ingegneria industriale europea. Il suo finanziamento conferisce credibilità a questa strategia come tentativo serio, ma non ne convalida il risultato.
Le prove più solide arriveranno dai clienti che utilizzano i robot per periodi prolungati. Metriche utili includono completamento delle attività, interventi umani, tempi di inattività, incidenti di sicurezza e costo operativo totale.
Gli annunci di finanziamento rivelano chi è disposto a finanziare il tentativo. Non mostrano se un robot sia in grado di lavorare per un intero turno in condizioni variabili.
Ciò che il ritmo “ridicolo” non dimostra ancora
Il rapido miglioramento dei modelli non risolve le questioni di affidabilità, economia, sicurezza e governance dei dati che determinano se l’AI fisica diventerà un’infrastruttura.
La prima incertezza riguarda l’affidabilità. Un robot può ottenere un’elevata percentuale di successo nei test pur restando inadatto alla produzione.
Una macchina che completa 95 tentativi su 100 fallisce comunque cinque volte. Questo tasso può essere accettabile in una dimostrazione, ma non in prossimità di merci fragili o attrezzature critiche.
Il comportamento di recupero conta quanto il successo medio. I robot devono riconoscere l’incertezza, fermarsi in sicurezza, richiedere assistenza e riprendere il lavoro senza creare nuovi rischi.
La seconda incertezza riguarda l’economia. Il costo di acquisto di un robot è solo una parte del suo onere totale.
I clienti devono considerare integrazione, manutenzione, ricarica, supervisione, software, ricambi, formazione, assicurazione e modifiche alla struttura. Questi costi possono superare i risparmi sul lavoro utilizzati per giustificare l’implementazione.
Robot flessibili potrebbero migliorare questa equazione servendo più attività. Tuttavia, il passaggio da un’attività all’altra richiede competenze convalidate e una pianificazione affidabile, non solo capacità tecniche.
La terza incertezza riguarda i diritti sui dati. L’addestramento dell’AI fisica può catturare lavoratori, luoghi di lavoro, prodotti e processi proprietari.
Le fabbriche potrebbero opporsi al contributo di dati operativi a una piattaforma condivisa. Dipendenti e regolatori potrebbero interrogarsi su come vengano archiviati e riutilizzati video, movimenti o registrazioni delle prestazioni.
Neura dovrà stabilire confini chiari tra apprendimento condiviso e informazioni riservate dei clienti. L’accesso indipendente dall’hardware solleva inoltre interrogativi su chi possieda una competenza derivata da più contributori.
La quarta incertezza riguarda la certificazione di sicurezza. I sistemi di apprendimento possono modificare il comportamento quando i loro modelli o le loro policy ricevono aggiornamenti.
La certificazione tradizionale dei macchinari spesso presuppone un ambiente operativo più stabile. Regolatori e clienti hanno bisogno di modi per determinare se un robot aggiornato rimanga entro i limiti approvati.
Le regole europee possono diventare un vantaggio se producono sistemi affidabili e standard di approvvigionamento chiari. La conformità può anche rallentare l’implementazione quando gli obblighi restano incerti.
La quinta incertezza riguarda il lavoro. Reger presenta l’AI fisica come una risposta alla carenza di manodopera e ai lavori difficili, non semplicemente come una strategia di sostituzione.
Questa impostazione sarà messa alla prova nei siti di implementazione. I lavoratori giudicheranno se i robot eliminano attività pericolose, creano sorveglianza, aumentano i carichi di lavoro o riducono l’occupazione.
Un’adozione riuscita richiederà la partecipazione operativa delle persone che lavorano accanto alle macchine. Un sistema tecnicamente capace può comunque fallire se sconvolge i flussi di lavoro o non gode della fiducia dei dipendenti.
L’AI fisica resta inoltre vulnerabile al bias delle dimostrazioni. I video brevi mettono in evidenza movimenti riusciti, nascondendo al contempo tempi di preparazione, assistenza umana, tentativi falliti e manutenzione.
Una valutazione seria richiede finestre operative più lunghe e benchmark coerenti. Gli acquirenti dovrebbero chiedere con quale frequenza intervengano le persone, non solo se il robot abbia completato un’attività una volta.
I piani di espansione di Neura rendono queste domande più urgenti. Una rete di palestre può produrre volumi impressionanti di pratica, ma la pratica deve tradursi in prestazioni affidabili sul campo.
Reger potrebbe avere ragione nel dire che lo sviluppo appare sorprendente dall’interno del settore. Lo standard rilevante per i clienti è diverso. Hanno bisogno di risultati prevedibili in condizioni ordinarie e scomode.
Questo divario tra velocità tecnica e prova operativa è il conflitto principale dell’articolo. L’Europa non ha bisogno di un’altra promessa nella robotica. Ha bisogno di implementazioni ripetibili che resistano al contatto con i luoghi di lavoro reali.
Tre segnali mostreranno se la scommessa europea sta funzionando
La prossima fase dovrebbe essere valutata attraverso prove operative, competenze trasferibili e progressi produttivi, anziché dimostrazioni più grandi o previsioni più ampie.
Il primo segnale è un’implementazione sostenuta presso i clienti. Neura deve identificare attività specifiche, siti operativi e risultati misurabili ottenuti da robot che lavorano al di fuori delle sue strutture di addestramento.
Le divulgazioni più utili includerebbero frequenza degli interventi, successo nelle attività, disponibilità operativa e durata di ogni implementazione. Un funzionamento di più settimane o mesi ha più peso di un evento messo in scena.
Se i clienti si espandono da un progetto pilota a diversi siti di produzione, l’argomento di Reger sul motore di crescita diventa più forte. Ritardi ripetuti o sperimentazioni permanentemente supervisionate lo indebolirebbero.
Il secondo segnale è il trasferimento tra macchine e luoghi. La tesi della piattaforma di Neura dipende dal fatto che una competenza appresa in un contesto possa offrire valore altrove.
Le prove dovrebbero mostrare quanto riaddestramento sia ancora necessario dopo il trasferimento. Una capacità che richiede un’estesa attività ingegneristica in ogni sito non genera l’effetto rete previsto.
Il trasferimento tra hardware diversi sarebbe particolarmente significativo. Neura descrive il Neuraverse come indipendente dall’hardware, quindi il supporto a diversi corpi robotici è centrale per la sua affermazione sull’ecosistema.
Contano anche gli sviluppatori indipendenti e i partner industriali. Se organizzazioni esterne possono contribuire e implementare competenze, la piattaforma diventa più di un livello software interno.
Il terzo segnale è il progresso rispetto agli obiettivi produttivi dell’azienda. Neura ha collegato il proprio finanziamento alla produzione seriale e all’obiettivo di diversi milioni di robot entro il 2030.
Investitori e clienti dovrebbero osservare unità completate, implementazioni commerciali attive, capacità di assistenza e partnership nella catena di fornitura. Questi indicatori rivelano se la produzione stia avanzando insieme alla domanda.
L’espansione delle palestre offre punti di controllo anticipati. Neura ha affermato che cinque strutture sarebbero state operative entro la fine del 2026, con 10 in fase di sviluppo.
I siti di Monaco e Aquisgrana possono mostrare se università, sviluppatori e produttori utilizzino effettivamente un’infrastruttura di addestramento condivisa. Le loro politiche sui dati indicheranno quanto la rete diventi davvero aperta.
Le risposte dei concorrenti offriranno ulteriore contesto. Implementazioni commerciali più rapide da parte di Figure, Agility Robotics, Apptronik, Tesla o fornitori cinesi ridurrebbero la finestra di Neura.
Anche i programmi politici europei dovrebbero essere valutati in base ai risultati di adozione. Finanziare capacità di calcolo e ricerca è importante, ma l’AI fisica richiede siti di implementazione, dati industriali e percorsi di approvvigionamento.
Reger ha articolato una tesi europea coerente. La regione può combinare l’AI con macchinari, conoscenze manifatturiere e clienti industriali esigenti.
La sua descrizione “ridicola” cattura la velocità della ricerca e degli investimenti. Non stabilisce chi convertirà tale velocità in macchine sicure ed economiche.
Per gli sviluppatori, l’opportunità immediata risiede nella percezione, nel controllo, nella simulazione, nella valutazione e negli strumenti per le competenze robotiche. Gli acquirenti aziendali dovrebbero concentrarsi su flussi di lavoro misurabili piuttosto che su affermazioni di intelligenza generale.
Anche i knowledge worker dovrebbero prestare attenzione, perché l’AI fisica cambierà il modo in cui viene registrata la conoscenza operativa. Istruzioni, eccezioni e processi di risoluzione dei problemi diventeranno input per le macchine oltre che per le persone.
La domanda decisiva è ora pratica: i robot di Neura accumuleranno abbastanza esperienza affidabile da trasformare la base industriale europea in una rete di apprendimento?
Osservate le implementazioni presso i clienti, i trasferimenti di competenze e i numeri di produzione. Questi segnali mostreranno se l’AI fisica stia diventando il prossimo motore di crescita dell’Europa o un’altra promessa convincente in attesa di prove.
