Embodied AI

L'IA incarnata è il campo dell'intelligenza artificiale che sviluppa agenti dotati di un corpo, che si tratti di un robot fisico o di un avatar in un simulatore 3D: gli agenti percepiscono l'ambiente circostante tramite sensori, agiscono su di esso tramite motori o controlli simulati e imparano dai risultati delle proprie azioni. Poiché ogni azione modifica ciò che l'agente vede in seguito, un agente incarnato raccoglie la propria esperienza invece di apprendere soltanto da un dataset fisso di immagini o testo. Tra le attività tipiche degli agenti incarnati ci sono esplorare una casa sconosciuta per trovare un oggetto, esplorare una stanza per rispondere a una domanda, seguire indicazioni vocali e raccogliere e riordinare oggetti; il campo fornisce i metodi di apprendimento alla base della robotica moderna.

Origini dell'IA incarnata#

L'IA incarnata nacque in reazione all'IA puramente simbolica. Verso la fine degli anni Ottanta, Rodney Brooks del MIT costruì robot deambulanti simili a insetti, controllati da livelli di semplici comportamenti sensore-motore; nel suo articolo del 1991, "Intelligence Without Representation", sostenne che l'intelligenza dovesse svilupparsi a partire dall'interazione diretta di una macchina con il mondo. Nel 1988, Hans Moravec osservò che i computer erano già in grado di eguagliare gli adulti nel gioco della dama e nei test d'intelligenza, ma non riuscivano a eguagliare la percezione e la mobilità di un bambino di un anno. Questa disparità, oggi chiamata paradosso di Moravec, resta la difficoltà centrale del campo.

Il campo moderno prese forma tra il 2017 e il 2019, quando i simulatori 3D veloci resero pratico addestrare gli agenti su miliardi di passaggi di esperienza. AI2-THOR, dell'Allen Institute for AI, offre case interattive in cui gli agenti aprono cassetti e spostano oggetti; Habitat di Meta carica scansioni 3D di case reali e genera oltre 10.000 fotogrammi al secondo su una singola GPU. Tra le attività di benchmark standard figurano la navigazione verso un punto o un oggetto, la risposta incarnata a domande e la navigazione visione-linguaggio. Nel 2019, Erik Wijmans e i suoi colleghi hanno addestrato un agente Habitat con l'apprendimento per rinforzo profondo per 2,5 miliardi di passaggi, equivalenti a 80 anni di esperienza umana; l'agente ha raggiunto quasi alla perfezione gli obiettivi all'interno di case mai viste, usando soltanto una videocamera RGB-D e un sensore GPS e bussola.

Il ciclo percezione-azione#

Un agente incarnato esegue un ciclo chiuso: legge i sensori, crea una rappresentazione della scena, sceglie un'azione, la esegue e osserva cosa è cambiato.

La percezione trasforma i dati grezzi dei sensori nelle quantità necessarie per prendere una decisione. Il rilevamento degli oggetti e la segmentazione delle istanze individuano gli elementi con cui un agente può interagire; la stima della profondità e la fusione dei sensori li collocano nello spazio 3D; la stima della posa segue le persone e i loro movimenti; la SLAM visiva crea una mappa e individua l'agente al suo interno. La guida rapida a Ultralytics ROS esegue Ultralytics YOLO26 all'interno di un nodo ROS1 o ROS2 che sottoscrive i topic della videocamera di un robot; nell'esempio basato sulla profondità, una maschera di segmentazione seleziona i pixel di un oggetto nell'immagine di profondità allineata e il nodo pubblica la distanza media dell'oggetto dalla videocamera.

Le decisioni derivano da pianificatori classici, dal controllo predittivo basato su modello o da politiche apprese che associano direttamente le osservazioni ai comandi motore. I modelli del mondo, che prevedono come cambierà una scena in risposta a un'azione, permettono a un agente di provare mentalmente un piano prima di muoversi.

Come gli agenti incarnati imparano ad agire#

L'apprendimento per rinforzo in simulazione consente agli agenti di imparare dai premi ottenuti in milioni di tentativi; la randomizzazione del dominio varia trame, illuminazione e fisica affinché le politiche apprese in simulazione possano essere trasferite a robot reali. OpenAI l'ha usata nel 2019 per addestrare una mano robotica in grado di risolvere un cubo di Rubik. L'apprendimento per imitazione addestra le politiche su dimostrazioni teleoperate, dal semplice apprendimento per imitazione comportamentale alle politiche di diffusione e al raggruppamento delle azioni, che prevedono in una volta brevi sequenze di azioni future.

I grandi modelli preaddestrati forniscono oggi conoscenze generali sugli oggetti e sul linguaggio. RT-1 (2022) di Google ha appreso più di 700 attività da 130.000 dimostrazioni raccolte con 13 robot nell'arco di 17 mesi; RT-2 (2023) ha perfezionato un modello visione-linguaggio per produrre azioni robotiche come token di testo, introducendo il termine modello visione-linguaggio-azione (VLA). La collaborazione Open X-Embodiment ha riunito dimostrazioni provenienti da 22 tipi di robot e 21 istituzioni per addestrare modelli fondazionali su corpi diversi. π0 di Physical Intelligence (ottobre 2024) ha aggiunto un esperto di azioni basato sul matching dei flussi a un modello visione-linguaggio da 3 miliardi di parametri per controllare i robot fino a 50 Hz; i modelli Gemini Robotics di Google DeepMind, pubblicati a marzo 2025, sviluppano un modello VLA basato su Gemini 2.0.

Questi metodi sono usati nei veicoli autonomi, nei robot mobili per magazzini, nei bracci di prelievo e posizionamento guidati dalla visione, nei robot agricoli e nei droni, che devono tutti agire in tempo reale in base a ciò che vedono, spesso usando hardware di IA edge installato a bordo.

IA incarnata e termini correlati#

• IA fisica: Termine in gran parte sinonimo, reso popolare da NVIDIA, che indica l'IA capace di percepire e agire nel mondo reale tramite robot, veicoli e altre macchine. L'IA incarnata comprende anche gli agenti che esistono solo in simulazione.
• Robotica: La disciplina ingegneristica che si occupa della realizzazione di robot, inclusi meccanica, attuatori e controllo classico. L'IA incarnata fornisce la percezione e il processo decisionale appresi che permettono a un robot di gestire situazioni impreviste dai programmatori.
• Agenti AI: Agenti software che agiscono tramite API, browser e codice. Seguono lo stesso ciclo osserva-decidi-agisci, ma senza fisica, forze di contatto o flussi continui di dati dai sensori.
• Intelligenza spaziale: Capacità di comprendere e ragionare sullo spazio 3D a partire da immagini e altri sensori, necessaria agli agenti incarnati per muoversi nell'ambiente circostante e manipolarlo.