Il focus di Nvidia porta sul palco il divario tra l’AI fisica e la realtà

Nvidia guiderà una nuova sessione di TechCrunch Disrupt il 13 ottobre, affrontando il conflitto centrale dell’AI fisica: le macchine intelligenti non dispongono ancora di dati di addestramento utili in quantità sufficiente. La presenza di Nvidia a TechCrunch fa parte del nuovo Real World AI Stage, dedicato a robotica, difesa, sistemi industriali e biologia computazionale. Il suo messaggio va oltre l’annuncio di un evento. L’AI deve ora dimostrare che il software addestrato in ambienti controllati può operare in sicurezza in un mondo imprevedibile.

In precedenza, TechCrunch aveva collocato l’intelligenza artificiale su un unico palco dedicato. Disrupt 2026 dividerà tale programmazione tra un AI Stage e il nuovo percorso dedicato al mondo fisico. Questa separazione riconosce il crescente divario tra modelli che producono contenuti digitali e sistemi che devono percepire, decidere e agire in presenza delle persone.

Nvidia è al centro di questo cambiamento perché fornisce gran parte dell’infrastruttura di calcolo e simulazione alla base del moderno sviluppo dell’AI. Tuttavia, la sua posizione mette anche in evidenza la più difficile questione ancora irrisolta del settore. La simulazione, i dati sintetici e i foundation model possono offrire ai robot un salto simile a quello degli LLM senza nascondere pericolosi fallimenti nel mondo reale?

La scaletta del Real World AI non offre una risposta semplice. Riunisce Nvidia, Shield AI, Colossal Biosciences, FieldAI, Medra, Bedrock Robotics, Foxglove e altri sviluppatori. Le loro applicazioni differiscono nettamente, ma affrontano lo stesso test spietato. Una dimostrazione AI convincente non equivale a un sistema fisico affidabile.

La sessione Nvidia TechCrunch punta al divario nei dati per i robot

Il nuovo palco trasforma la carenza di dati dell’AI fisica da nota tecnica a tesi d’apertura dell’evento.

TechCrunch Disrupt 2026 si terrà dal 13 al 15 ottobre al Moscone West di San Francisco. TechCrunch afferma che oltre 10.000 partecipanti provenienti da startup, tecnologia e venture capital si riuniranno nell’arco di tre giorni. Il programma più ampio comprende oltre 200 sessioni e più di 250 relatori distribuiti su sei palchi.

Il Real World AI Stage parte da una premessa precisa. I grandi modelli linguistici hanno avuto a disposizione un enorme internet pubblico per l’addestramento, mentre i veicoli autonomi hanno accumulato ampi archivi di guida. I robot generalisti non dispongono di nessuna delle due risorse su una scala comparabile.

Les Karpas, Inception Global Head of Physical AI di Nvidia, affronterà il problema in una sessione intitolata “Robots Are Waiting for Their ChatGPT Moment.” L’agenda di Disrupt programma la conversazione dalle 10:50 alle 11:20 del 13 ottobre.

Questa impostazione è importante perché “physical AI” comprende più dei robot con interfacce conversazionali. Descrive sistemi che percepiscono l’ambiente circostante, ragionano sulle condizioni fisiche e agiscono attraverso macchine. Queste azioni possono includere lo spostamento di un oggetto, la navigazione in un magazzino, la guida di un veicolo o il controllo di apparecchiature.

Un modello linguistico può produrre una frase errata e ricevere immediatamente il feedback dell’utente. L’errore di un robot può danneggiare attrezzature, interrompere la produzione o ferire qualcuno. Anche il costo della raccolta dei dati di addestramento aumenta quando ogni esempio richiede hardware, operatori, spazio fisico e tempo.

I dati robotici tendono a essere frammentati in base alla progettazione della macchina e al compito. Una sequenza di manipolazione registrata per un braccio potrebbe non trasferirsi efficacemente a un altro. Un modello di navigazione per magazzini può incontrare difficoltà in un cantiere, dove superfici, illuminazione, ostacoli e regole operative sono diversi.

Il settore non dispone quindi di un equivalente diretto dell’ampio corpus testuale riutilizzabile alla base dei modelli linguistici. Gli sviluppatori possono raccogliere dimostrazioni tramite teleoperazione, in cui una persona guida una macchina a distanza. Tuttavia, queste dimostrazioni restano costose e spesso rappresentano una gamma ristretta di condizioni.

Gli eventi rari creano un altro problema. Un team non può mettere in scena in sicurezza ogni guasto alle apparecchiature, traiettoria di collisione, insolita disposizione degli oggetti o reazione umana. Eppure sono spesso proprio questi casi non comuni a determinare se un sistema fisico sia pronto per il deployment.

Nvidia sostiene che il calcolo possa sostituire in parte una raccolta dati impraticabile. La sua strategia combina simulazione, world foundation model, dati sintetici e hardware embedded. Un world foundation model apprende schemi sul modo in cui gli ambienti cambiano, aiutando gli sviluppatori a generare o valutare possibili situazioni fisiche.

Nel marzo 2026, Nvidia ha annunciato un blueprint per una data factory. L’azienda afferma che l’architettura di riferimento può elaborare dati reali, generare variazioni sintetiche, supportare il reinforcement learning e valutare modelli di AI fisica.

I dati sintetici consistono in esempi generati al computer, creati per integrare le osservazioni reali. Gli sviluppatori possono variare illuminazione, materiali, posizioni delle telecamere, ostacoli e condizioni ambientali molto più rapidamente di quanto potrebbero ricostruire fisicamente ogni scena.

La tesi di Nvidia sull’AI fisica è diretta. Se l’esperienza nel mondo reale resta scarsa, gli sviluppatori possono amplificarla in simulazione e poi dedicare la loro limitata capacità di test fisici alla convalida. Questo approccio rende l’apprendimento dei robot più scalabile, ma non garantisce che le lezioni simulate resistano al deployment.

Questo problema di trasferimento ancora irrisolto crea la tensione della sessione Nvidia TechCrunch. L’evento non si limita a chiedere quando i robot disporranno di modelli migliori. Chiede se gli sviluppatori possano creare esperienza affidabile senza raccoglierla tutta nella realtà.

L’AI fisica porta le conseguenze oltre lo schermo

Quando l’AI controlla le macchine, l’affidabilità diventa un requisito del prodotto anziché un punteggio di benchmark.

Il resto del palco AI di TechCrunch estende la discussione sui dati ad ambienti in cui il fallimento comporta conseguenze immediate. Il CTO di Shield AI Nate Michael parteciperà a una sessione sui veicoli autonomi, la tecnologia per la difesa e i sistemi industriali. La domanda centrale è come i costruttori decidano che un sistema AI sia abbastanza sicuro per uscire dai test controllati.

La posta in gioco varia a seconda dell’applicazione. Un aereo bloccato a terra genera perdite operative e finanziarie. Un movimento industriale errato può fermare una linea di produzione. Un errore di navigazione in uno spazio pubblico può esporre lavoratori, pedoni o clienti a rischi.

Questi sistemi operano inoltre in condizioni che i team software non possono standardizzare completamente. I sensori si sporcano o vengono ostruiti. La connettività scompare. Il meteo cambia. Le apparecchiature si usurano. Le persone si comportano diversamente dagli agenti simulati.

La sicurezza dipende quindi da molto più dell’accuratezza media di un modello. Gli sviluppatori devono esaminare come l’intero sistema gestisce l’incertezza, input degradati, guasti dei componenti e situazioni sconosciute. Devono inoltre prevedere un chiaro meccanismo di fallback quando il modello non riesce a prendere una decisione affidabile.

È qui che l’AI fisica diverge dal rapido ciclo di rilascio associato al software consumer. Aggiornare un sito web può richiedere pochi minuti. Modificare un robot già distribuito può richiedere nuova convalida, controlli hardware, formazione degli operatori e revisione normativa.

I sistemi di difesa rendono questa differenza particolarmente visibile. Potrebbero dover funzionare senza GPS, comunicazioni o accesso cloud affidabili. Un sistema autonomo deve continuare a operare entro limiti definiti anche quando il collegamento all’infrastruttura remota viene meno.

Lo stesso vincolo si presenta nello spazio, nei siti industriali remoti, nelle miniere, nelle fattorie e nelle zone disastrate. Il nuovo palco include una sessione intitolata “Operating at the Edge,” con il CEO di FieldAI Ali Agha, la CEO di Medra Michelle Lee e il partner di Eclipse Ventures Aidan Madigan-Curtis.

L’edge AI elabora i dati vicino alla macchina invece di fare affidamento interamente su un servizio cloud distante. Questa architettura può ridurre la latenza e mantenere l’operatività durante le interruzioni di rete. Impone inoltre ai team di lavorare entro limiti più rigidi di alimentazione, memoria, raffreddamento e capacità di calcolo.

Nvidia beneficia di questo cambiamento architetturale su più livelli. L’addestramento e la simulazione consumano risorse di data center, mentre il deployment crea domanda per sistemi di calcolo più piccoli a bordo. L’azienda può collegare sviluppo dei modelli, test simulati e inferenza a livello macchina all’interno di un unico stack tecnico.

Questa posizione mette sotto pressione sia le startup della robotica sia i fornitori affermati di automazione. Devono decidere quanta parte dello stack di Nvidia adottare, quali componenti sviluppare internamente e se la differenziazione del loro prodotto possa sopravvivere alla dipendenza da un’infrastruttura condivisa.

Le aziende del cloud AI affrontano una pressione diversa. I modelli progettati attorno a un’abbondante capacità di calcolo remota non possono essere semplicemente trasferiti su una macchina con requisiti rigidi di potenza e tempi di risposta. Il deployment fisico premia sistemi capaci di prendere decisioni tempestive e circoscritte con risorse limitate.

Anche gli acquirenti enterprise assumono nuove responsabilità. Acquistare un robot non equivale ad abbonarsi a un assistente digitale. Gli acquirenti devono valutare manutenzione, integrazione, responsabilità legale, cybersecurity, procedure per gli operatori e le condizioni in cui il sistema dovrebbe fermarsi.

Queste domande rallentano l’adozione, ma non sono ostacoli secondari. Determinano se un progetto pilota diventa un deployment commerciale ripetibile. Le aziende che gestiranno questi dettagli operativi definiranno il vero mercato dell’AI fisica, indipendentemente dalla dimostrazione che attirerà maggiore attenzione.

La simulazione è il ponte, non la destinazione

Il meccanismo di Nvidia può moltiplicare l’esperienza di addestramento, ma la realtà resta il valutatore finale e meno indulgente.

La strategia di Nvidia per l’AI fisica inizia con un flusso di lavoro in tre parti. Gli sviluppatori addestrano i modelli usando calcolo accelerato, li testano in simulazione e li eseguono su hardware collocato dentro o vicino alla macchina. Questa impostazione collega la generazione dei dati al deployment, invece di trattare la robotica come un problema a modello singolo.

La simulazione offre agli sviluppatori il controllo su scenari che sarebbero lenti, pericolosi o costosi da riprodurre. Un robot da magazzino può incontrare migliaia di disposizioni degli oggetti senza che i lavoratori debbano ripristinare ripetutamente una struttura fisica. Un veicolo autonomo può affrontare eventi di traffico rari senza creare un pericolo reale.

La piattaforma Omniverse di Nvidia fornisce librerie per costruire e collegare ambienti simulati. Isaac Sim si concentra sulla simulazione robotica, mentre Isaac Lab supporta l’apprendimento dei robot. I modelli Cosmos generano e ragionano su possibili scene fisiche.

Il workflow robotico dell’azienda descrive come gli sviluppatori possano trasformare una situazione osservata in esempi sintetici diversificati. Tali esempi possono modificare i dettagli della scena preservando il compito che un modello deve apprendere.

Questa moltiplicazione ha un valore evidente. La raccolta fisica procede alla velocità delle macchine e degli operatori umani. La generazione sintetica procede alla velocità della capacità di calcolo disponibile. I team possono creare più combinazioni, enfatizzare condizioni rare e ripetere i test in modo coerente.

Il reinforcement learning aggiunge un altro componente. Addestra un agente attraverso gli esiti prodotti dalle sue azioni, spesso all’interno di un ambiente simulato. Un robot può tentare ripetutamente un compito senza danneggiare hardware reale in ogni prova fallita.

Eppure la simulazione aiuta solo quando le sue ipotesi corrispondono abbastanza fedelmente alla realtà. Il “divario sim-to-real” descrive la perdita di prestazioni che si verifica quando un modello lascia il proprio ambiente di addestramento simulato. Piccole differenze nell’attrito, nel rumore dei sensori, nell’illuminazione, nella tempistica o nel comportamento degli oggetti possono produrre risultati inattesi.

Una maggiore quantità di dati sintetici non colma automaticamente quel divario. Un simulatore difettoso può generare un enorme dataset che insegna ripetutamente la lezione sbagliata. Un world model può creare video plausibili senza catturare la relazione fisica precisa necessaria per un controllo affidabile.

La valutazione conta quindi quanto la generazione. Nvidia afferma che il suo blueprint include strumenti per valutare dati sintetici e modelli addestrati. Questo passaggio è essenziale perché gli sviluppatori hanno bisogno di prove che gli scenari generati migliorino le prestazioni, anziché limitarsi ad aumentare le dimensioni del dataset.

I materiali tecnici di Nvidia del 2026 rivelano la portata di questo sforzo. Un rapporto tecnico di Cosmos descrive un corpus pubblico di video sintetici per la robotica contenente 386.270 clip. La raccolta comprende collisioni, manipolazione, movimento umanoide e diversi tipi di incarnazione robotica.

Questo numero mostra con quale rapidità la simulazione possa creare materiale di addestramento. Non dimostra che un robot addestrato su quelle clip possa gestire ogni corrispondente situazione fisica. La copertura del dataset e l’affidabilità in fase di impiego restano misure distinte.

La distinzione è cruciale per gli acquirenti. Un fornitore può riportare successi in un’ampia suite di valutazione simulata, mentre un cliente si preoccupa di una fabbrica, un flusso di lavoro e un insieme di requisiti di sicurezza specifici. Un’ampia capacità non elimina la necessità di test specifici per il sito.

Le implementazioni reali generano inoltre feedback che la simulazione non può anticipare. I componenti si degradano, gli operatori improvvisano, gli spazi cambiano e le organizzazioni usano i prodotti in modo diverso dalle aspettative dei loro progettisti. I sistemi maturi devono trasformare queste esperienze in nuovi test e dati di addestramento.

Questo crea un ciclo, non una pipeline a senso unico. Le operazioni reali rivelano i fallimenti. I team ricreano o approssimano tali fallimenti nella simulazione. Le nuove policy vengono sottoposte a valutazioni controllate prima di tornare sull’hardware fisico.

Nvidia sta cercando di fornire l’infrastruttura per questo ciclo. Il suo vantaggio deriva dal collegamento tra grafica, addestramento AI, simulazione ed edge computing. Il rischio è che i clienti interpretino un toolkit integrato come un sostituto dell’ingegneria specifica per l’applicazione.

La discussione tra Nvidia e TechCrunch sarà più utile quando distinguerà i progressi dell’infrastruttura dall’intelligenza dei robot. Pipeline di dati migliori possono accelerare l’apprendimento. Non possono eliminare i test fisici necessari per stabilire un comportamento accettabile.

Robot, sistemi di difesa e de-estinzione condividono un limite difficile

L’insolita composizione del palco mostra che l’AI fisica è definita dalle conseguenze, non da un singolo tipo di macchina.

A prima vista, robot umanoidi, piattaforme di difesa autonome e animali estinti sembrano un tema di conferenza incoerente. Il filo conduttore è l’intervento. Ogni applicazione usa il calcolo per influenzare sistemi fisici che non possono essere ripristinati facilmente quanto il software.

Il CEO di Colossal Biosciences, Ben Lamm, discuterà del tentativo della sua azienda di applicare tecnologie genetiche e AI alla de-estinzione. TechCrunch descrive l’attività come controversa e inquadra la sessione attorno a una disputa in corso. I sostenitori vedono nuovi strumenti per la conservazione, mentre i critici si chiedono se la de-estinzione distolga l’attenzione dalle specie ancora viventi.

Il lavoro AI rilevante include l’analisi dei genomi, il confronto tra specie, la selezione di modifiche genetiche e il supporto alla sperimentazione biologica. Tuttavia, una previsione computazionale è solo una fase di un processo scientifico molto più lungo. Embriologia, salute animale, tratti ereditati, habitat ed effetti ecologici introducono tutti incertezza fisica.

Definire un organismo “riportato in vita” comprime anche un complesso dibattito scientifico. La somiglianza genetica non risolve le questioni relative a comportamento, sviluppo o identità ecologica. L’etichetta può attirare l’interesse pubblico, oscurando al contempo ciò che i ricercatori hanno effettivamente creato.

Questa tensione ricorda il linguaggio che circonda i robot general-purpose. Una macchina può completare diverse dimostrazioni, ma ciò non stabilisce una generalità affidabile. In entrambi i campi, un ambizioso nome di categoria può precedere le capacità validate.

L’autonomia per la difesa solleva un’altra versione dello stesso problema. Un modello può funzionare bene durante esercitazioni pianificate, ma incontrare segnali inattesi, comportamenti avversari o informazioni incomplete nell’impiego operativo. Quanto più un sistema AI si avvicina a decisioni con conseguenze rilevanti, tanto meno una dimostrazione rifinita risulta significativa da sola.

La robotica industriale sembra più vincolata, ma la scalabilità crea comunque problemi. La sessione del palco dedicata alla produzione includerà leader di MBRYONICS, Bedrock Robotics e Foxglove. Il loro tema separa un prototipo funzionante da un prodotto realizzato su scala industriale e da un’azienda sostenibile.

Un prototipo può dipendere dalla supervisione di specialisti e da condizioni accuratamente selezionate. L’hardware destinato alla produzione deve tollerare variazioni tra componenti, fornitori, strutture e utenti. Ogni nuova unità crea un’ulteriore potenziale fonte di costi di manutenzione e assistenza.

Il volume produttivo espone anche le debolezze progettuali. Un componente che funziona in laboratorio può essere difficile da reperire con continuità. Un processo di calibrazione accettabile per dieci macchine può diventare troppo lento per centinaia. Un sistema che richiede frequenti interventi di esperti potrebbe non offrire mai un’economia interessante.

Questi vincoli mettono sotto pressione l’assunto software-first secondo cui una distribuzione più ampia migliora sempre i margini. I prodotti fisici comportano obblighi relativi a materiali, logistica, installazione, riparazione e sostituzione. I loro ambienti operativi spesso resistono alla standardizzazione.

FieldAI rappresenta uno sforzo per costruire un’intelligenza robotica più adattabile per ambienti difficili. La sua partecipazione accanto a Nvidia è significativa perché Nvidia ha incluso FieldAI tra gli sviluppatori che usano la sua infrastruttura dati per l’AI fisica. Questo illustra il rapporto emergente tra fornitori di piattaforme e costruttori di applicazioni.

Nvidia può fornire componenti comuni, inclusi mondi simulati e sistemi di calcolo. FieldAI e altre aziende di robotica devono tradurre tali componenti in comportamenti che funzionino in presenza di terreno, macchinari e persone reali. Nessuno dei due livelli può rivendicare le prove dell’altro.

La divisione competitiva non è quindi semplicemente Nvidia contro un altro produttore di chip. L’avversario più importante è l’accelerazione guidata dalla simulazione contro la validazione vincolata dalla realtà. Entrambi i lati di questa tensione sono necessari, ma avanzano a velocità diverse.

La simulazione può produrre migliaia di nuove situazioni mentre un programma di certificazione procede con cautela. Un modello può cambiare in pochi giorni, mentre flotte hardware restano operative per anni. Le narrazioni sugli investimenti tendono a premiare il lato più veloce di questa equazione, anche se i clienti convivono con quello più lento.

La sessione dell’evento dedicata alla sicurezza offre un necessario contrappeso. Le aziende dovrebbero spiegare come definiscono tassi di fallimento accettabili, identificano i confini operativi e registrano gli incidenti. Dovrebbero inoltre chiarire quando la supervisione umana resta necessaria.

Le autorità di regolamentazione e gli assicuratori finiranno per richiedere risposte simili in molti mercati. I loro requisiti varieranno in base all’applicazione, rendendo improbabile un unico processo universale di approvazione dell’AI fisica. Un carrello da magazzino, un robot chirurgico, un velivolo autonomo e un organismo ingegnerizzato non condividono lo stesso modello di rischio.

Questa frammentazione complica l’opportunità di piattaforma di Nvidia. Un’infrastruttura condivisa può ridurre il lavoro di sviluppo, ma non può standardizzare gli obblighi legali e operativi di ogni cliente. L’implementazione finale resta legata a una macchina specifica in un contesto specifico.

Cosa deve ancora dimostrare il palco Real World AI

Le prossime prove devono arrivare da implementazioni validate, non da un’ulteriore espansione del vocabolario dell’AI fisica.

Il primo segnale da osservare è la prova presentata durante la sessione di Nvidia del 13 ottobre. Karpas deve andare oltre l’affermazione secondo cui i robot non dispongono di un dataset su scala internet. La domanda utile è come gli sviluppatori misurino se l’esperienza sintetica migliori le prestazioni su compiti fisici mai visti prima.

Prove solide includerebbero valutazioni chiaramente separate tra simulazione e mondo reale. Dovrebbero inoltre definire l’hardware, l’ambiente, i confini del compito e i criteri di fallimento. Senza questi dettagli, i confronti con ChatGPT resteranno un’analogia accattivante anziché una pietra miliare tecnica.

Il secondo segnale è se gli altri relatori descriveranno implementazioni produttive ripetibili. Bedrock Robotics, FieldAI, Foxglove, Medra, MBRYONICS e Shield AI si rivolgono a mercati diversi. La loro prova condivisa più forte sarebbe costituita da sistemi operativi in siti diversi senza un costante intervento di specialisti.

Gli acquirenti dovrebbero prestare attenzione alla durata dell’implementazione, al coinvolgimento degli operatori, alla segnalazione degli incidenti e ai requisiti di manutenzione. Questi dettagli rivelano se un prodotto abbia superato il divario tra un pilota supervisionato e le normali operazioni.

L’assenza di tali prove non significherebbe che l’AI fisica si è fermata. Mostrerebbe che l’infrastruttura sta avanzando più rapidamente dell’adozione. Questo squilibrio è importante perché l’esperienza di implementazione produce i dati reali necessari per migliorare i sistemi successivi.

Il terzo segnale riguarda il modo in cui i relatori affrontano sicurezza e responsabilità. Una discussione credibile dovrebbe descrivere cosa accade al di fuori dei limiti operativi del modello. Dovrebbe identificare chi può arrestare il sistema, come vengono esaminati i fallimenti e come gli aggiornamenti ricevono una nuova validazione.

Questo standard si applica anche quando l’applicazione sembra speculativa. Il lavoro biologico di Colossal necessita di affermazioni precise su ciò che l’AI apporta e ciò che rimane scienza di laboratorio convenzionale. L’autonomia per la difesa necessita di limiti chiari sulle decisioni delle macchine. La robotica industriale necessita di prestazioni trasparenti in normali condizioni operative.

Nvidia deve inoltre dimostrare che il suo stack integrato supporta una valutazione indipendente. Gli sviluppatori beneficiano della possibilità di ispezionare dataset, confrontare policy, riprodurre test e conservare prove. Gli acquirenti non dovrebbero essere costretti ad accettare le misurazioni interne di un fornitore di piattaforma come unico resoconto delle prestazioni.

Gli strumenti aperti possono aiutare e Nvidia ha rilasciato modelli, framework e architetture di riferimento attorno alla sua strategia di AI fisica. Tuttavia, la disponibilità non garantisce la neutralità. Gli sviluppatori devono esaminare licenze, requisiti hardware, portabilità e lo sforzo necessario per validare i risultati altrove.

Anche l’evento stesso merita un esame simile. Il nuovo palco AI di TechCrunch è editorialmente utile perché riunisce campi precedentemente separati attorno a un problema comune di implementazione. È anche una programmazione congressuale progettata per attirare partecipanti. Una rosa di relatori indica l’attenzione del settore, non la maturità del mercato.

Questa distinzione impedisce che la notizia centrale dell’articolo diventi più grande delle prove. TechCrunch ha creato un palco dedicato, non ha annunciato uno standard tecnico né verificato un robot general-purpose. Nvidia spiegherà il proprio approccio, ma la sua apparizione di ottobre non può stabilire se l’approccio funzioni in tutto il settore.

Ciò che questa divisione stabilisce è un cambiamento nella conversazione. Il giornalismo sull’AI non può più trattare la robotica come un’estensione visiva del software generativo. I sistemi fisici richiedono prove diverse perché i loro errori si propagano attraverso macchine, ambienti e istituzioni.

Gli sviluppatori dovrebbero osservare se i nuovi sistemi di dati migliorano le prestazioni al di fuori delle dimostrazioni familiari. Gli acquirenti aziendali dovrebbero richiedere prove legate alle proprie condizioni operative. Gli investitori dovrebbero separare la domanda di infrastruttura dall’economia delle aziende che implementano tale infrastruttura.

Anche i lavoratori della conoscenza hanno un motivo per seguire questo cambiamento. L'AI fisica trasformerà il modo in cui le organizzazioni registrano i test, collegano le osservazioni sul campo e conservano le decisioni operative. I team che valutano questi sistemi hanno bisogno di una traccia consultabile che colleghi affermazioni, incidenti e prove di implementazione. Una base di conoscenza personale può aiutare le singole persone a organizzare questo materiale senza confondere la documentazione con una validazione indipendente.

La sessione Nvidia a TechCrunch avrà successo se renderà più chiaro il divario, non se dichiarerà che i robot hanno raggiunto il loro momento ChatGPT. I progressi più importanti emergeranno nel trasferimento misurato dalla simulazione ad ambienti sconosciuti, seguito da un funzionamento continuativo e responsabile.

Quando Disrupt aprirà il 13 ottobre, guardate oltre i robot che si esibiscono bene sul palco. Chiedete quali dati mancavano loro, come gli sviluppatori hanno colmato quella lacuna e quali guasti sono rimasti dopo la simulazione. Poi chiedetevi chi ne subisce le conseguenze quando la macchina incontra qualcosa che nessuno aveva modellato. Le risposte mostreranno se l'AI fisica sta diventando un'infrastruttura affidabile o resta una raccolta di dimostrazioni impressionanti.