IA · 27 luglio 2026 · 4 min di lettura
Oltre la vista: perché le onde cerebrali sono la nuova frontiera per l'IA fisica
In sintesi: Per addestrare la prossima generazione di robot umanoidi e industriali, le registrazioni video non bastano più. Una collaborazione tra la startup di dati Encord e il laboratorio di neuroscienze Zander Labs introduce i segnali cerebrali degli operatori umani nel dataset di addestramento. Misurando intenzione e carico cognitivo tramite caschi EEG, la nuova tecnica mira a risolvere la penuria di dati ad alta intensità informativa nell'IA fisica.
di Team Mocchi's
Il collo di bottiglia dell'IA fisica non è più nei modelli
Nel percorso verso una robotica avanzata e autonoma, il vero ostacolo non risiede nella capacità di calcolo o nell'architettura delle reti neurali, ma nella drammatica scarsità di dati fisici dal mondo reale. Se i modelli linguistici hanno potuto beneficiare dell'intero testo presente su Internet, i sistemi di IA fisica destinati ad azionare robot umanoidi o bracci industriali richiedono informazioni dettagliate su come gli esseri umani interagiscono con l'ambiente circostante, gestendo attrito, gravità ed equilibrio.
Per rispondere a questa sfida, la startup di infrastrutture dati Encord ha avviato nei propri laboratori di San Leandro, in California, un esperimento senza precedenti: tracciare non solo le azioni fisiche e gli occhi di un operatore umano mentre esegue compiti complessi, ma anche le sue onde cerebrali. Come riporta TechCrunch, l'obiettivo è trasformare le reazioni neurologiche in etichette ad alta densità per l'addestramento dei robot.
L'esperimento Jenga: tradurre il cervello in dataset
Durante i test condotti da Encord, i piloti robotici affrontano compiti che richiedono estrema precisione e delicatezza, come sfilare mattoncini da una torre traballante di Jenga. L'operatore indossa un visore munito di telecamere per il tracciamento oculare, ma anche uno speciale casco sensoriale sviluppato dalla startup tedesca di neuroscienze Zander Labs.
I sensori elettroencefalografici (EEG) misurano in tempo reale l'attività cerebrale dell'operatore, identificando stati mentali chiave come l'esitazione, la percezione di un errore imminente, la sorpresa o l'aumento dell'impegno cognitivo. Vineeth Velmurugan, responsabile del robot learning di Encord ed ex ricercatore del laboratorio di robotica di OpenAI, ha spiegato che la teleoperazione tradizionale basata solo sulle riprese video registra ciò che la mano fa, ma ignora completamente cosa la mente stia calcolando in quel preciso istante.
Leggendo le onde cerebrali, il sistema di annotazione dati è in grado di comprendere quando l'operatore umano sta riscontrando un'alta difficoltà o sta correggendo una traiettoria al volo. Questa "telemetria neurale" consente di segnalare al modello di IA i momenti esatti in cui è richiesto un maggiore sforzo computazionale o una ricalibrazione della strategia di manipolazione.
Oltre la semplice teleoperazione
Fino ad oggi, l'addestramento di robot fisici si è basato prevalentemente sulla teleoperazione diretta o sulla generazione di dati sintetici in ambienti simulati. Entrambi gli approcci presentano limiti evidenti: la teleoperazione visiva è lenta e produce dataset privi di contesto sull'intenzionalità dell'operatore, mentre le simulazioni matematiche faticano a replicare l'imprevedibilità e la fisica imperfetta del mondo reale.
Arricchire il dataset con la telemetria neurale fornisce una traccia implicita di supervisione. Secondo Lucas Gehrke, neuroscienziato di Zander Labs coinvolto nel progetto, misurare l'attività cerebrale permette di dedurre con precisione il momento in cui l'operatore avverte che il controllo si sta destabilizzando. Trasferire questa consapevolezza nei modelli fondazionali per la robotica potrebbe consentire alle macchine di sviluppare un senso di "cautela" o di adattamento dinamico quando affrontano oggetti fragili o situazioni incerte.
Tuttavia, l'integrazione delle onde cerebrali nell'IA fisica presenta ancora evidenti sfide metodologiche. I segnali EEG sono notoriamente rumorosi, soggetti a interferenze muscolari e variano notevolmente da persona a persona. Encord sta attualmente conducendo una fase pilota per verificare se i dati arricchiti da informazioni neurologiche migliorino effettivamente le prestazioni e i tempi di convergenza dei modelli di robotica dei propri clienti prima di pianificare una produzione su larga scala.
Il punto di Mocchi's
L'esperimento condotto da Encord e Zander Labs segna una svolta concettuale per l'IA applicata al mondo fisico: per superare i limiti dei modelli attuali, la frontiera della data ingestion si sposta dall'osservazione esterna alla comprensione degli stati interni dell'operatore. Per le aziende italiane impegnate nell'automazione industriale, nella meccatronica e nella robotica avanzata, questa evoluzione dimostra che il vero fattore differenziante non sarà il semplice hardware, ma la qualità e la ricchezza semantica dei dataset di addestramento gestiti. Sebbene la telemetria neurale sia ancora in una fase sperimentale, integrare metriche avanzate di intenzione e contesto operativo nelle pipeline di raccolta dati rappresenta fin d'ora la strada maestra per costruire sistemi robotici davvero sicuri, flessibili e pronti a collaborare con l'uomo nei contesti manifatturieri più complessi.