Il modello robotico Skild AI S1 porta l'addestramento dei robot nel prompt

Skild AI ha presentato S1, un modello robotico che tenta di eseguire attività mai viste, della durata massima di 10 minuti, dopo aver ricevuto una sola dimostrazione video. Il modello robotico Skild AI S1 non aggiorna i propri pesi né effettua post-addestramento specifico per l'attività prima di agire. Questo sposta la questione centrale dell'apprendimento robotico da come gli ingegneri riaddestrano una macchina alla possibilità per un operatore di mostrarle semplicemente un nuovo lavoro.

Skild definisce questo processo apprendimento in contesto, ossia una dimostrazione che guida il comportamento senza modificare il modello sottostante. L'azienda afferma che S1 può interpretare intenzioni, oggetti e ordine delle attività in scene e corpi robotici diversi. Tra gli esempi riportati figurano il rinvaso di piante, la preparazione del caffè, di pancake e l'assemblaggio di kit.

Il confronto rilevante non è tra Skild e un singolo produttore di robot. È tra l'adattamento basato sui prompt e la pratica consolidata di raccogliere dati sulle attività, ottimizzare una policy e convalidare ogni implementazione. La piattaforma GR00T di NVIDIA continua a supportare il post-addestramento per robot e ambienti specifici, mentre Physical Intelligence persegue anch'essa un'ampia generalizzazione attraverso i propri modelli robotici.

Il modello robotico Skild AI S1 apprende il lavoro da un solo video

S1 trasforma una dimostrazione registrata in una specifica temporanea dell'attività, anziché in un nuovo dataset di addestramento.

Un operatore registra innanzitutto l'attività dal punto di vista umano. S1 riceve quel video nella propria finestra di contesto, cioè nelle informazioni disponibili durante una singola sessione di esecuzione. La policy associa quindi l'obiettivo e la sequenza mostrati al robot, alla sua visuale dalla telecamera e agli oggetti davanti a sé.

Questa traduzione è importante perché la dimostrazione può differire dalla situazione effettiva del robot. L'angolo della telecamera, la disposizione della scena, gli strumenti disponibili e l'incarnazione fisica non devono coincidere esattamente. Secondo la dettagliata ricerca su S1 di Skild, il pre-addestramento insegna alla policy a dedurre relazioni funzionali anziché riprodurre una traiettoria fissa.

Skild afferma che gli stessi pesi del modello hanno generato tutti gli esempi della sua versione iniziale. Dopo ogni dimostrazione non è avvenuto alcun fine-tuning specifico per l'attività. L'azienda presenta questa distinzione come la differenza essenziale tra S1 e i sistemi che richiedono addestramento aggiuntivo prima di gestire un nuovo flusso di lavoro.

Gli esempi più lunghi vanno oltre le singole azioni di presa e posizionamento. Includono attività della durata massima di 10 minuti e composte da decine di passaggi di manipolazione. Questo lavoro richiede che il robot ricordi i progressi, combini movimenti noti in un nuovo ordine e recuperi quando un'azione non riesce.

Il rinvaso di piante offre l'esempio riportato più chiaro. Skild ha registrato una dimostrazione, l'ha fornita a S1 e ha avviato l'esecuzione autonoma sull'hardware entro 11 minuti. Questo intervallo ha coperto il processo dalla registrazione del prompt all'esecuzione dell'attività, secondo un resoconto di NVIDIA sulla collaborazione.

L'azienda ha inoltre mostrato casi in cui l'esecuzione differiva in modo sensato dal prompt. Quando una dimostrazione utilizzava un annaffiatoio ma era disponibile solo una tazza, secondo quanto riportato S1 ha scelto la tazza. Quando un bicchiere era già quasi pieno, il sistema ha aggiunto soltanto la quantità rimanente.

Un'altra dimostrazione includeva una persona che lasciava cadere un uovo troppo presto. Skild afferma che S1 ha completato il passaggio previsto con un movimento controllato anziché riprodurre l'errore. Questi esempi suggeriscono che il modello considera il video come prova di un obiettivo, non come uno script fotogramma per fotogramma.

Questa interpretazione distingue il prompting fisico dall'imitazione convenzionale. La copia letterale fallirebbe ogni volta che il corpo, il punto di vista o l'ambiente del robot differissero dall'esempio umano. S1 deve invece dedurre quale risultato intendesse ottenere chi ha effettuato la dimostrazione e quali azioni restino praticabili nella nuova scena.

L'affermazione è significativa, ma la sua portata richiede una formulazione prudente. Skild ha presentato dimostrazioni selezionate e risultati di valutazioni interne, non una valutazione indipendente completa in diversi stabilimenti. La capacità di S1 di generalizzare oltre tali condizioni resta un risultato riportato dall'azienda.

Tuttavia, il modello operativo è chiaro. Il prompt trasporta informazioni specifiche dell'attività al momento dell'esecuzione, mentre i pesi del modello restano fissi. Questo approccio sfida direttamente il costoso ciclo di adattamento che ha limitato l'automazione industriale flessibile.

Perché il prompting fisico mette sotto pressione il modello del riaddestramento

Se i prompt video funzionano in modo affidabile, i team di implementazione possono trasferire parte della programmazione dei robot dagli specialisti agli operatori in prima linea.

L'automazione industriale convenzionale offre buoni risultati quando prodotti, attrezzaggi e movimenti rimangono stabili. Gli ingegneri possono ottimizzare un robot per una singola sequenza ripetibile e circondarlo di apparecchiature controllate. L'economia diventa meno favorevole quando prodotti o layout cambiano frequentemente.

Le policy robotiche apprese promettono maggiore flessibilità, ma spesso mantengono un ciclo di implementazione impegnativo. I team raccolgono dimostrazioni nell'ambiente di destinazione, ottimizzano il modello, testano la policy aggiornata e ripetono il processo dopo le modifiche. Ogni fase richiede competenze, accesso alle apparecchiature e tempo.

Skild sostiene che policy moderatamente complesse possano richiedere decine o centinaia di ore di dati provenienti dalle condizioni di implementazione. Anche un modello pre-addestrato può perdere gran parte del proprio vantaggio economico se ogni attività del cliente richiede comunque un'ampia campagna di post-addestramento.

S1 trasferisce questo onere di adattamento nel prompt. Un lavoratore che comprende il processo può registrare una dimostrazione e chiedere poi alla policy esistente di interpretarla. Il modello non necessita di un ulteriore aggiornamento del gradiente, l'aggiustamento matematico normalmente utilizzato durante l'addestramento.

Skild stima che un breve prompt video possa fornire un'utilità paragonabile a circa 380 esempi raccolti manualmente. Afferma che la raccolta di tali esempi potrebbe richiedere tra 50 e 100 ore. Entrambe le cifre provengono dall'azienda e non hanno ricevuto una convalida indipendente.

Anche il divario di prestazioni riportato è sostanziale. Nei nuovi test multi-step di Skild, S1 ha raggiunto in media circa il 66 percento di successo per passaggio. Il sistema di confronto ha raggiunto circa il 9 percento per passaggio, con una differenza superiore a sette volte.

Il successo per passaggio non equivale al completamento con successo dell'attività. Una sequenza con molti passaggi dipendenti può fallire se anche una sola azione va storta. Di conseguenza, persino una media elevata può produrre tassi di completamento deludenti in un lungo flusso di lavoro.

Si supponga che un'attività contenga dieci passaggi e che ciascuno riesca indipendentemente il 66 percento delle volte. La probabilità di completare ogni passaggio resterebbe molto bassa. Gli esiti reali non sono necessariamente indipendenti, ma l'esempio mostra perché questa metrica richieda contesto.

Il comportamento di recupero può modificare questo calcolo. Un robot che rileva un oggetto fuori posto e riprova in modo intelligente ha più valore di uno che considera definitivo ogni errore. Skild afferma che S1 si adatta quando gli oggetti si spostano e recupera dagli errori, ma non ha pubblicato sufficienti dettagli operativi per ampi confronti di affidabilità.

La pressione commerciale ricade sull'integrazione specifica per l'attività, non solo sui modelli foundation concorrenti. Gli integratori di sistema spesso dedicano notevoli sforzi all'adattamento di hardware e software a una singola linea. Un prompting più rapido sposterebbe il valore verso modelli riutilizzabili, sistemi di convalida e supporto all'implementazione.

I produttori avrebbero comunque bisogno di controlli di sicurezza e qualificazione dei processi. Una dimostrazione video non può stabilire limiti di carico, confini di collisione, regole sanitarie o tolleranze di prodotto. Il prompting fisico modifica il modo in cui l'attività raggiunge la policy, ma non elimina l'ingegneria industriale.

L'opportunità più forte nel breve termine riguarda il lavoro ad alta variabilità che resiste alla programmazione fissa. Questi ambienti cambiano abbastanza spesso da rendere costosa l'ingegneria ripetuta, ma restano sufficientemente strutturati da consentire la supervisione. L'assemblaggio in piccoli lotti, il kitting, la preparazione alimentare e l'ispezione rientrano in questo schema.

Skild afferma di collaborare ora con oltre 60 clienti di implementazione paganti. L'azienda ha riportato un tasso annualizzato di ricavi ricorrenti pari a 100 milioni di dollari appena 10 mesi dopo la sua prima implementazione commerciale. Il suo aggiornamento commerciale afferma che la manipolazione genera circa il 90 percento dei ricavi, mentre la mobilità contribuisce per la parte restante.

Questi numeri sono riportati dall'azienda e insolitamente rapidi per la robotica. Non rivelano la durata dei contratti, la concentrazione dei clienti, i margini di implementazione o quale quota dei ricavi dipenda dai servizi. Tuttavia, indicano che Skild sta mettendo alla prova la propria tesi tecnica in operazioni paganti, non soltanto in dimostrazioni di laboratorio.

Come Skild S1 opera nello stack Physical AI di NVIDIA

S1 dipende da una pipeline completa di dati, simulazione, addestramento e implementazione, anche se ogni nuova attività evita il post-addestramento.

La semplice esperienza utente nasconde una preparazione sostanziale. Un modello non può interpretare una dimostrazione se il pre-addestramento non lo ha già esposto a compiti, scene, oggetti, errori e corpi robotici diversificati. Il prompt di un solo video riduce il lavoro di adattamento dopo l'addestramento, non il costo di costruzione del modello foundation.

Skild afferma che nessuna singola fonte di dati offre contemporaneamente realismo hardware, diversità e scala. Le dimostrazioni robotiche teleoperate corrispondono strettamente all'hardware di implementazione, ma devono essere raccolte lentamente dalle persone. I video umani sono abbondanti e vari, ma non contengono azioni robotiche native.

La simulazione può generare grandi volumi di esperienza e casi rari di errore. La sua debolezza è il divario tra simulazione e realtà, in cui contatto, attrito, illuminazione o comportamento dei sensori virtuali differiscono dalle condizioni fisiche. S1 combina queste fonti anziché considerare una sola sufficiente.

L'infrastruttura NVIDIA collega le fasi. Il calcolo accelerato supporta l'addestramento del modello attraverso simulazione, video umani, teleoperazione e dati di implementazione autorizzati. I modelli Cosmos elaborano i video e aiutano a creare input di addestramento diversificati, mentre Cosmos Curator supporta annotazione, filtraggio e organizzazione.

Omniverse e Isaac Sim offrono ambienti virtuali basati sulla fisica. Skild può generare dati, testare casi limite e convalidare comportamenti prima di trasferirli sull'hardware. Questo riduce il costo e il pericolo di apprendere ogni modalità di guasto sul pavimento di una fabbrica.

Isaac Lab fornisce un ambiente di apprendimento per rinforzo, in cui le policy migliorano attraverso l'interazione simulata e il feedback. Il motore fisico Newton modella forze, collisioni, pressione e contatto. Skild e NVIDIA stanno inoltre sviluppando solutori accelerati da GPU per la presa e la manipolazione di oggetti solidi.

Gli strumenti Nsight aiutano gli ingegneri a individuare i colli di bottiglia computazionali durante l'addestramento. TensorRT ottimizza l'inferenza, il processo di esecuzione del modello addestrato per selezionare azioni. Una bassa latenza è importante perché un robot fisico deve reagire mentre oggetti, persone e il suo stesso corpo continuano a muoversi.

Questa infrastruttura rivela anche una distinzione importante. Skild addestra S1 sui sistemi NVIDIA, ma S1 non è semplicemente un modello robotico NVIDIA rinominato. Skild possiede la policy e la strategia dei dati, mentre NVIDIA fornisce capacità di calcolo e un'ampia raccolta di strumenti di sviluppo.

NVIDIA compete anche a livello di modello attraverso Isaac GR00T. L'azienda descrive GR00T 1.7 come un modello vision-language-action aperto e utilizzabile commercialmente, con un checkpoint base da tre miliardi di parametri.

Un modello visione-linguaggio-azione collega osservazioni visive e istruzioni alle azioni del robot. GR00T 1.7 accetta immagini, linguaggio e stato del robot, quindi produce comandi di movimento. NVIDIA afferma che è stato preaddestrato su circa 32.000 ore di dati reali e 8.000 ore di dati simulati.

GR00T offre un percorso di adattamento diverso. Gli sviluppatori possono partire dal suo checkpoint preaddestrato e sottoporlo a post-training per il proprio robot, ambiente e compito specifico. La promessa principale di S1 è che un video prompt possa definire il nuovo compito senza quell'ulteriore aggiornamento del modello.

Questi approcci non si escludono a vicenda. Il post-training può massimizzare le prestazioni per lavori stabili e ad alto volume. L'apprendimento in-context può migliorare la flessibilità quando i compiti cambiano più rapidamente di quanto gli ingegneri riescano a ricostruire le policy.

NVIDIA trae vantaggio da entrambe le strade. Fornisce capacità di calcolo, simulazione, elaborazione dati, software di deployment e i propri foundation model. Il successo di Skild convaliderebbe quindi l'infrastruttura di NVIDIA anche se i clienti scegliessero S1 invece di GR00T.

La relazione ricorda quella tra un fornitore di piattaforme e un fornitore di applicazioni che collaborano mentre i loro confini tecnologici si sovrappongono. Skild necessita dello stack di sviluppo sottostante, e NVIDIA ottiene un carico di lavoro commercialmente visibile. Entrambe vogliono che i deployment di AI fisica crescano oltre dimostrazioni isolate.

Il progetto di assemblaggio Blackwell dà a questa partnership un contesto concreto. Skild, NVIDIA e Foxconn stanno implementando Skild Brain su manipolatori a doppio braccio usati nella produzione dei sistemi NVIDIA Blackwell.

In un flusso di lavoro dimostrato, il robot installa una sbarra collettrice e un blocco limitatore, quindi fissa 16 viti. Deve seguire la sequenza, controllare con precisione il contatto e reagire quando le condizioni fisiche differiscono dal suo piano.

Questo è un test più significativo che preparare il caffè per un video. L'assemblaggio hardware presenta tolleranze definite, errori costosi e throughput misurabile. Solleva anche una domanda impegnativa: se la flessibilità guidata dai prompt possa coesistere con una coerenza di livello produttivo.

Skild S1 contro GR00T riguarda in realtà adattamento contro affidabilità

Il compromesso centrale non è se S1 possa eseguire un nuovo compito una sola volta, ma se riesca a ripeterlo in sicurezza con un throughput utile.

Una dimostrazione curata attesta la capacità, non l'operatività affidabile. Le fabbriche misurano unità completate, tempo di ciclo, frequenza degli interventi, difetti, tempi di inattività e incidenti di sicurezza. Un modello può sembrare adattabile pur perdendo economicamente su diverse di queste misure.

Il tasso di successo per passaggio del 66 percento riportato da Skild richiede particolare cautela. Rappresenta un notevole miglioramento rispetto al baseline citato, ma resta molto al di sotto dell'affidabilità associata all'automazione fissa matura. La soglia pratica dipende da recupero, supervisione, valore del compito e costo del fallimento.

Alcune applicazioni possono tollerare i tentativi ripetuti. Un robot di magazzino potrebbe tentare nuovamente una presa dopo che un oggetto si è spostato. Altri fallimenti possono danneggiare componenti, contaminare alimenti o mettere i lavoratori a rischio. Lo stesso punteggio del modello può quindi supportare il deployment in un contesto e impedirlo in un altro.

I compiti a lungo orizzonte amplificano il problema. S1 deve mantenere il contesto attraverso decine di movimenti, monitorando quali passaggi sono riusciti. Un errore iniziale può modificare la scena e rendere meno rilevante la dimostrazione rimanente.

Il modello deve quindi decidere se ritentare, sostituire un altro oggetto, saltare un passaggio o chiedere aiuto a un essere umano. Ogni decisione introduce un'ulteriore possibilità di interpretazione errata. Un comportamento di buon senso in esempi selezionati non dimostra una policy di errore affidabile.

La valutazione indipendente resta limitata nell'intero settore dei foundation model per robot. Aziende diverse usano hardware, compiti, distribuzioni di addestramento, definizioni di successo e pratiche di editing differenti. I confronti di primo piano raramente offrono prove controllate che una policy generalizzi meglio di un'altra.

Physical Intelligence offre un confronto utile. La sua ricerca sui modelli robotici include generalizzazione nel mondo aperto, trasferimento da umano a robot, memoria a lungo termine e compiti che superano i 10 minuti. Il suo modello π0.7 punta inoltre a prestazioni pronte all'uso in ambienti non familiari e lavori multistadio.

La ricerca di NVIDIA su GR00T enfatizza checkpoint aperti, flussi di lavoro standard, simulazione e post-training. Figure sviluppa Helix insieme al proprio hardware umanoide. Ogni percorso bilancia in modo diverso generalizzazione, specializzazione per embodiment, raccolta dati e controllo del deployment.

La scommessa distintiva di Skild è che l'intento del compito possa arrivare attraverso un video prompt al momento dell'esecuzione. Ciò potrebbe ridurre il lavoro di personalizzazione preservando una policy condivisa tra diversi tipi di robot. Rende inoltre l'interpretazione del prompt parte del confine di sicurezza operativo.

Una dimostrazione vaga o imperfetta può creare ambiguità. Skild afferma che S1 talvolta corregge gli errori umani, il che sembra utile. Tuttavia, la correzione significa anche che il modello sceglie quando discostarsi dall'esempio fornito.

Questa discrezionalità necessita di limiti. Un operatore deve comprendere se il modello ha riconosciuto correttamente l'obiettivo e perché ha selezionato un movimento diverso. Altrimenti, una correzione apparentemente intelligente può trasformarsi in una deviazione imprevedibile.

La letteratura di ricerca identifica problemi irrisolti più ampi. Una rassegna sulla robotica sottoposta a peer review evidenzia la scarsità di dati robotici, le garanzie di sicurezza, la misurazione dell'incertezza e l'esecuzione in tempo reale come sfide persistenti per i foundation model.

Il lancio di S1 non elimina questi vincoli. Presenta un'interfaccia diversa per l'adattamento e una strategia di addestramento progettata attorno a tale interfaccia. Le prove di produzione devono mostrare che il metodo resiste a variazioni di attrezzature, illuminazione, usura, materiali e comportamento umano.

Anche la rendicontazione commerciale richiede un esame simile. Un run rate dei ricavi estrapola l'attuale business ricorrente su un anno. Non equivale a ricavi annuali sottoposti ad audit, liquidità incassata o deployment redditizio.

Skild afferma di aver riconosciuto $50 milioni nei suoi primi 10 mesi di deployment. Cita inoltre progetti che spaziano tra logistica, sicurezza, ispezione, preparazione alimentare, data center e produzione. Questi dettagli attestano attività reale dei clienti, ma non rivelano l'economia unitaria.

La strategia di deployment dell'azienda potrebbe rafforzare S1 nel tempo. Con il consenso dei clienti, l'esperienza operativa può alimentare il modello più ampio. Più deployment potrebbero quindi produrre policy migliori, ridurre il lavoro di adattamento e supportare ulteriori deployment.

Questo ciclo crea anche interrogativi di governance. I clienti hanno bisogno di chiarezza su quali dati operativi lascino le loro strutture, su come vengano filtrati e se migliorino modelli usati altrove. I video sensibili di produzione possono esporre design dei prodotti, procedure e assetti di sicurezza.

La dipendenza da NVIDIA introduce un'altra considerazione strategica. Il suo stack copre addestramento, simulazione, ottimizzazione e deployment, e può accelerare lo sviluppo. Una profonda integrazione potrebbe anche rendere più difficile modificare in seguito le scelte infrastrutturali.

Nessuna di queste preoccupazioni invalida l'approccio S1. Definiscono le prove necessarie per distinguere un modello di ricerca flessibile da un'infrastruttura industriale affidabile. Skild ha mostrato un meccanismo interessante, ma i clienti giudicheranno il sistema operativo che lo circonda.

Tre segnali che mostreranno se S1 scala

La prossima fase dovrebbe essere misurata attraverso tassi di completamento in produzione, prove su hardware più ampie e valutazioni riproducibili in modo indipendente.

Il primo segnale è una prestazione sostenuta nel deployment di assemblaggio Blackwell. Skild ha identificato un flusso di lavoro specifico che coinvolge due bracci, diversi componenti e 16 viti. Questo offre agli osservatori più elementi da valutare rispetto a una dimostrazione domestica definita in modo approssimativo.

Una divulgazione utile includerebbe il successo del compito completo, il tempo di ciclo medio, la frequenza degli interventi umani e i tassi di difetto. I risultati dovrebbero coprire periodi di produzione prolungati, anziché una sessione selezionata. Prestazioni stabili rafforzerebbero la tesi secondo cui il prompting fisico possa supportare la produzione di precisione.

Tassi di completamento deboli indicherebbero un'altra direzione. Suggerirebbero che il prompting flessibile di S1 necessita ancora di ingegneria specifica per il compito, post-training o un controllo ambientale più rigoroso. Il modello potrebbe restare prezioso, ma il suo vantaggio economico si ridurrebbe.

Il secondo segnale è un trasferimento ripetibile tra clienti e corpi robotici. Skild definisce il suo sistema più ampio un cervello robotico omni-bodied, ovvero uno strato di intelligenza in grado di controllare diverse piattaforme fisiche. Il valore di S1 cresce notevolmente se la stessa policy gestisce bracci, manipolatori mobili e altre macchine.

L'azienda ha citato collaborazioni con Foxconn, Sumitomo Wiring Systems e Mitsui. Questi progetti comprendono assemblaggio elettronico, produzione di cablaggi e cucine commerciali. Espongono inoltre il modello a materiali, requisiti di sicurezza e definizioni di successo differenti.

Le prove provenienti da diversi deployment testerebbero come Skild S1 operi al di fuori delle sue dimostrazioni di lancio. La domanda chiave è se l'adattamento tramite un solo video resti rapido quando hardware, telecamere, strumenti e regole del luogo di lavoro cambiano contemporaneamente.

Interventi ingegneristici frequenti indebolirebbero la tesi generalista. Indicherebbero che il prompt visibile è solo una piccola parte del lavoro di deployment. Al contrario, operatori che insegnano nuovi flussi di lavoro senza aggiornamenti del modello sosterrebbero l'argomento centrale di Skild.

Il terzo segnale è un quadro di valutazione più chiaro. Skild ha fornito risultati per passaggio e un confronto con un baseline, ma i lettori esterni necessitano di definizioni dei compiti, numero di prove, categorie di fallimento e tassi di completamento completi. Hanno inoltre bisogno di informazioni sulla distanza dalla distribuzione di preaddestramento.

Quest'ultimo punto è essenziale. Un compito può apparire nuovo pur condividendo oggetti e movimenti con molti esempi di addestramento. Un forte apprendimento in-context dovrebbe gestire cambiamenti sia nella struttura del compito sia nelle condizioni di deployment, non limitarsi a ricombinare scene familiari.

Sarebbero utili confronti controllati con GR00T, modelli di Physical Intelligence o policy specialistiche. L'obiettivo non dovrebbe essere un singolo numero in classifica. Le valutazioni dovrebbero separare adattabilità, precisione, recupero, latenza e sicurezza.

Skild ha annunciato che successivi post tecnici spiegheranno più in profondità l'addestramento di S1. Tali divulgazioni possono chiarire composizione del dataset, architettura, progettazione della valutazione e controlli della contaminazione. Metodi riproducibili fornirebbero ai ricercatori una base più solida per valutare le affermazioni dell'azienda.

Per gli sviluppatori, S1 suggerisce che le dimostrazioni potrebbero diventare un'interfaccia robotica pratica accanto a linguaggio e codice. Gli acquirenti aziendali dovrebbero concentrarsi sull'economia del completamento, sui controlli di sicurezza e sui diritti sui dati prima di considerare l'apprendimento one-shot pronto per il deployment.

Il modello robotico Skild AI S1 è importante perché verifica se un robot possa ricevere nuovo lavoro attraverso il contesto anziché tramite riaddestramento. Il suo prossimo traguardo non è un altro video curato di un compito. È la prova che operatori comuni possano insegnare lavori in evoluzione mentre il sistema mantiene una qualità prevedibile.

Osservate nei prossimi mesi il deployment Blackwell, il trasferimento tra clienti e i dettagli delle valutazioni. Se tutti e tre resisteranno alla verifica, il video prompting diventerà un'alternativa credibile alla personalizzazione ripetuta delle policy. Quale compito nella vostra attività offrirebbe il test più chiaro e sicuro di questa affermazione?