Ant Group ha presentato LingBot-Vision, un modello di visione artificiale progettato specificamente per l’AI embodied e per applicazioni robotiche che richiedono comprensione geometrica dell’ambiente. Il punto centrale non è la semplice classificazione degli oggetti, ma la capacità di interpretare lo spazio dal punto di vista operativo di un robot: profondità, confini, superfici, distanze e relazioni fisiche tra gli elementi presenti nella scena.
LingBot-Vision viene descritto come un modello “spatial-native”, cioè costruito fin dall’inizio attorno alla percezione spaziale. Questa impostazione lo distingue dai modelli di visione addestrati prevalentemente su immagini web, che imparano a riconoscere categorie visive ma non sempre sviluppano una rappresentazione affidabile della struttura tridimensionale dell’ambiente. Nel caso della robotica, invece, riconoscere che un oggetto esiste non basta: il sistema deve capire dove si trova, quanto è distante, quali bordi lo delimitano, se una superficie è attraversabile e come interagire fisicamente con ciò che osserva.
Una delle caratteristiche più rilevanti riguarda il riconoscimento di materiali difficili come vetro, specchi e oggetti trasparenti. Questi elementi rappresentano un problema storico per la visione robotica, perché riflettono, deformano o lasciano passare la luce, rendendo più complessa la stima della profondità e dei contorni reali. Un robot domestico, industriale o logistico che non interpreta correttamente una porta a vetri, una parete riflettente o un contenitore trasparente può commettere errori di navigazione, presa o manipolazione. La capacità di gestire questi casi è quindi un requisito tecnico importante per portare i sistemi embodied fuori dai benchmark controllati e dentro ambienti reali.
Il modello ha 1,1 miliardi di parametri, quindi si colloca in una fascia relativamente leggera rispetto ai grandi modelli di visione multimodale. Questo aspetto è significativo perché la robotica richiede spesso inferenza efficiente, latenza contenuta e possibilità di esecuzione su sistemi hardware non sempre paragonabili ai grandi cluster cloud. Un modello più compatto, se ben specializzato, può risultare più utile di un modello più grande ma meno ottimizzato per la percezione spaziale e l’interazione fisica.
Insieme a LingBot-Vision è stato rilasciato anche LingBot-Depth 2.0, dedicato alla stima della profondità. La combinazione tra un foundation model visivo orientato allo spazio e un modello specifico per la profondità punta a creare una base più solida per robot mobili, manipolatori, assistenti domestici, sistemi autonomi e piattaforme di simulazione. La stima accurata della profondità è infatti uno dei passaggi chiave per trasformare l’immagine bidimensionale della telecamera in una rappresentazione utilizzabile per movimento, pianificazione e controllo.
Il confronto prestazionale con modelli più grandi, come DINOv3 di Meta, evidenzia una tendenza importante: nelle applicazioni embodied non vince necessariamente il modello con più parametri, ma quello addestrato sui dati e sugli obiettivi più vicini al compito finale. Se il dataset include prospettive in prima persona, interazioni robotiche e segnali geometrici, il modello può sviluppare competenze più adatte alla navigazione e alla manipolazione rispetto a sistemi generalisti addestrati soprattutto per il riconoscimento semantico.
Il rilascio open source è un altro elemento strategico. Rendere disponibili modelli di percezione spaziale consente a ricercatori e sviluppatori di integrarli in pipeline robotiche, valutarli su ambienti reali, combinarli con sistemi di pianificazione e adattarli a piattaforme hardware differenti. Per il settore, significa accelerare il passaggio da modelli di visione capaci di “vedere” gli oggetti a sistemi in grado di comprendere lo spazio in cui devono agire.
LingBot-Vision si inserisce quindi nella fase in cui l’AI multimodale incontra la robotica operativa. La sfida non è più soltanto descrivere una scena, ma costruire rappresentazioni visive che possano guidare decisioni fisiche affidabili. In questo senso, la percezione spaziale diventa una componente fondamentale per robot più autonomi, capaci di muoversi e interagire in ambienti complessi, non strutturati e ricchi di superfici difficili da interpretare.