AgiBot addestra un modello da zero su 30.000 ore di robot veri: piegare gli asciugamani compare solo alla scala più grande

⚠️ Come leggere questo pezzo. È un risultato di ricerca, non un prodotto. La fonte è il rapporto tecnico del team di AgiBot depositato su arXiv il 4 settembre 2026: tutti i numeri sono dichiarati dagli autori e non sono stati verificati in modo indipendente da nessun terzo. Li riportiamo come tali, con la fonte accanto.

In breve

• Il team di ricerca di AgiBot ha pubblicato GE-Act 2.0, un modello che prima immagina lo stato futuro della scena e poi ne ricava le azioni del robot, invece di limitarsi a ripetere traiettorie guidate a distanza da un operatore umano. (fonte: arXiv:2609.05588, 04/09/2026)
• La novità di metodo dichiarata è che tutte le componenti partono da zero, addestrate su dati di manipolazione robotica, senza ereditare un generatore video già addestrato su materiale del web. Secondo gli autori quasi tutti i lavori precedenti fanno il contrario, lasciando non verificato se l'addestramento specifico per la manipolazione scali davvero. (fonte: il rapporto tecnico)
• La curva di scala è il risultato centrale. Portando i dati da 300 a 30.000 ore, il successo su compiti mai visti prima — nessun addestramento dedicato, scene, sfondi, luci e oggetti nuovi — passa dal 17,1% al 44,1% su un corpo robotico e dal 13,4% al 31,1% su un secondo. (fonte: il rapporto tecnico)
• Il banco di prova è di 100 compiti reali su 20 gruppi di abilità, con due corpi robotici diversi. I miglioramenti coprono 19 gruppi su 20 nel primo caso e 18 su 20 nel secondo. (fonte: il rapporto tecnico)
• I dati raccolti su un robot migliorano un robot diverso: il secondo corpo pesa meno del 2% del materiale di addestramento, eppure guadagna 17,7 punti percentuali man mano che cresce il corpus condiviso. (fonte: il rapporto tecnico)
• Quanti dati esistono di una singola abilità correla fortemente con la riuscita su scene nuove. Tradotto: non ci sono scorciatoie, servono dati di quel gesto. (fonte: il rapporto tecnico)
• Sulla comprensione del linguaggio, il modello aggancia correttamente riferimenti a oggetto, colore, forma e posizione in almeno il 90% delle prove, e segue un'istruzione esplicita anche quando contraddice un movimento già avviato. (fonte: il rapporto tecnico)

Perché ci interessa: il punto domestico

Le abilità che gli autori indicano come emergenti solo alla scala massima — cioè del tutto assenti nel modello addestrato su 300 ore — sono, guarda caso, gesti di casa: piegare asciugamani, impilare bicchieri di carta, togliere il cappuccio a una penna, sistemare dei fiori. (fonte: il rapporto tecnico)

La nostra lettura. È la stessa direzione della corsa ai dati domestici di cui abbiamo già scritto in Chi raccoglie i dati dentro le case: il collo di bottiglia del robot di casa non è più il corpo, è il repertorio di gesti. E il repertorio si compra in ore di dati. Qui, per la prima volta, c'è una misura pubblica di quanto costi: per far comparire «piega l'asciugamano» sono servite cento volte le ore di partenza.

Un dettaglio che dice molto sul metodo: nel materiale di addestramento gli autori includono anche le traiettorie fallite, trattate come informazione utile invece che come rumore da buttare. (fonte: il rapporto tecnico)

Cosa non dice

1. Il 44,1% non è affidabilità domestica. Su 100 compiti, il modello migliore fallisce più della metà delle volte. Un robot che sbaglia un tentativo su due in salotto non è un prodotto: è un esperimento.
2. Non è un prodotto in vendita. Non esiste un robot domestico AgiBot acquistabile in Italia, né un prezzo, né una data.
3. I due corpi robotici provati sono piattaforme da laboratorio e da lavoro, non robot certificati per l'uso domestico europeo.
4. La curva non si è appiattita fra le 5.000 e le 30.000 ore, e questa è la notizia dietro la notizia. Se per il prossimo salto servirà un altro ordine di grandezza di dati raccolti nel mondo reale, la domanda vera diventa chi può permettersi di raccoglierli — un vantaggio strutturale cinese di cui abbiamo già scritto a proposito delle spedizioni del primo semestre 2026. Questa è una nostra lettura, non un dato del rapporto.