La spinta di Google DeepMind per portare l’IA dagli schermi alle fabbriche ha raggiunto un nuovo traguardo: Gemini Robotics 2.5, il suo più recente modello visione-linguaggio-azione, è stato testato sulle linee di produzione Mercedes-Benz in Ungheria e Germania.

La tesi di DeepMind è semplice. L’azienda afferma che il sistema amplia i compiti che i robot possono imparare, migliorando al contempo velocità, destrezza e sicurezza. In oltre 200 valutazioni—tra cui l’uso di pinze, il pipettaggio di liquidi e la realizzazione di fiocchi—ha riportato tassi di successo dal 30% al 100% superiori rispetto ai precedenti valori di riferimento, con compiti completati dal 20% al 30% più rapidamente.¹ Il modello viene distribuito ai partner della robotica anziché essere reso disponibile al pubblico.

Il test in fabbrica è il risultato principale. Apollo 2, l’umanoide di Apptronik, ha smistato componenti automobilistici da contenitori alla rinfusa in vassoi ordinati in sequenza, un processo ripetitivo noto come kitting, raggiungendo un tasso di successo del 96%. Il CEO di Apptronik Jeff Cardenas lo ha definito «lavoro utile accanto alle persone in contesti industriali reali», sostenendo che i risultati forniscono una base per impiegare umanoidi su scala industriale e commerciale.¹ DeepMind ha inoltre promosso il lancio come un mezzo per consentire ai robot di apprendere «centinaia di abilità quotidiane», dal piegare il bucato allo smistamento di componenti automobilistici.Demis Hassabis (demishassabis)²

Ma è nella distinzione tra una dimostrazione convincente e un’affidabilità pronta per la fabbrica che il dibattito si intensifica. Fonti indipendenti osservano che i lavoratori umani che svolgono compiti così ripetitivi li eseguono correttamente praticamente ogni volta; il direttore di DeepMind Kanishka Rao ha descritto il colmare il restante divario di quattro punti come una «strada ripida».³

La responsabile della robotica di DeepMind Carolina Parada presenta questa tensione come un compromesso. Un robot può essere ottimizzato per una singola applicazione, ha affermato, oppure gli sviluppatori possono puntare a un’ampia generalizzazione e «magari non arrivare a 99,9 in ogni applicazione».³ Questo conta perché l’ambizione dell’azienda non è un’altra macchina da fabbrica rigidamente programmata, ma un robot capace di adattarsi ad ambienti incerti.

La sicurezza fa parte della stessa equazione irrisolta. DeepMind afferma che la sua guida al ragionamento ha aumentato il completamento sicuro del 33% in presenza di ostacoli e del 43% in presenza di persone, mentre il suo nuovo benchmark ASIMOV-Jailbreak verifica se i robot rifiutano istruzioni non sicure.¹ Tuttavia, il modello attuale rimane basato sul cloud, il che significa che la latenza continua a separare un progetto pilota ben rifinito dalla risposta fluida e quasi istantanea richiesta da un’affollata linea di fabbrica.³