La startup Generalist AI ha annunciato il modello GEN-1, progettato per robot generalisti in grado di svolgere molteplici attività in ambienti reali con elevata affidabilità. Il nuovo sistema rappresenta un salto significativo rispetto ai modelli precedenti, grazie a un approccio di apprendimento su larga scala basato su interazioni fisiche e dati comportamentali.
GEN-1 è stato sviluppato come evoluzione diretta del precedente GEN-0, introdotto solo cinque mesi prima, ma migliorato attraverso l’espansione dei dati, l’aumento della capacità computazionale e l’ottimizzazione degli algoritmi. Il risultato più evidente riguarda l’aumento della percentuale di successo nelle attività operative, passata da circa il 64% del modello precedente a una media del 99%. Parallelamente, il tempo necessario per completare le operazioni è stato ridotto di circa tre volte, indicando un miglioramento sia in termini di affidabilità sia di efficienza.
Una delle caratteristiche distintive del modello è la capacità di adattamento a situazioni non previste. Nei test dimostrativi, il robot è stato in grado di risolvere autonomamente problemi imprevisti, come un oggetto bloccato all’interno di una busta, scuotendola spontaneamente per completare l’operazione. Questo comportamento indica che il sistema non si limita a replicare movimenti appresi, ma utilizza una forma di ragionamento situazionale per generare nuove strategie operative.
Il miglioramento delle prestazioni deriva in gran parte dall’approccio di addestramento. GEN-1 è stato allenato su circa 500.000 ore di dati di interazione fisica, raccolti attraverso attività reali. Un aspetto particolarmente innovativo è che il dataset non include dati generati direttamente dai robot, ma deriva da movimenti umani acquisiti tramite dispositivi indossabili. Questo metodo consente di ridurre i costi di raccolta dei dati e di ottenere una maggiore varietà di situazioni operative rispetto alle tecniche tradizionali.
L’utilizzo di dati umani rappresenta una rottura rispetto alla metodologia classica della robotica, basata sulla teleoperazione. In questo modello tradizionale, un operatore controlla manualmente il robot per generare esempi di apprendimento, ma il processo è costoso e difficilmente scalabile. L’approccio adottato per GEN-1 sfrutta invece le attività quotidiane delle persone, trasformandole in dati utilizzabili per l’addestramento, migliorando così l’efficienza e la scalabilità del processo.
Le capacità operative del modello sono state validate in diversi scenari reali. Il robot ha eseguito compiti ripetitivi per periodi prolungati, come la classificazione di componenti automobilistici per oltre un’ora, la piegatura consecutiva di decine di capi di abbigliamento e l’assemblaggio di centinaia di scatole. Questi test dimostrano non solo la precisione, ma anche la stabilità nel lungo periodo, un requisito fondamentale per l’adozione industriale.
Un altro dato significativo riguarda la velocità operativa. Il modello è riuscito a ridurre il tempo di assemblaggio delle scatole a circa 12 secondi per unità, pari a un miglioramento di circa 2,8 volte rispetto ai sistemi precedenti. Questo incremento suggerisce che i robot basati su GEN-1 possono essere utilizzati in contesti produttivi ad alta intensità, dove la rapidità di esecuzione è cruciale.
GEN-1 si inserisce nella categoria dei modelli generalisti, progettati per gestire molteplici compiti senza addestramento specifico per ciascuna attività. Questo paradigma è analogo a quello dei modelli linguistici generalisti, ma applicato alla robotica fisica. L’obiettivo è creare robot capaci di apprendere competenze trasferibili, riducendo la necessità di programmazione manuale per ogni scenario operativo.