NeuraFrame Studio ha sviluppato NeuraFrame Embodied, un livello di memoria portatile destinato ai sistemi robotici, progettato per separare l’ambiente nel quale avviene l’apprendimento dal dispositivo fisico incaricato di eseguire le azioni. L’architettura mantiene i modelli di intelligenza artificiale più pesanti su un server, dove possono operare all’interno di simulazioni e utilizzare risorse computazionali elevate, mentre sul robot vengono installati soltanto una memoria compatta contenente l’esperienza acquisita e un motore leggero incaricato di consultarla.
La soluzione affronta uno dei principali vincoli dell’intelligenza artificiale incorporata nei dispositivi fisici, poiché un robot dispone normalmente di capacità di calcolo, alimentazione, dissipazione termica e memoria molto inferiori rispetto a quelle di un’infrastruttura cloud o di un server dedicato. L’esecuzione locale di modelli di grandi dimensioni richiede processori costosi, aumenta il consumo energetico e produce calore che deve essere gestito all’interno di una piattaforma mobile o industriale; il ricorso continuo al cloud introduce invece dipendenza dalla connettività, tempi di trasmissione e problemi legati alla continuità operativa.
NeuraFrame Embodied distribuisce queste funzioni tra due ambienti collegati. Sul server il sistema opera come componente di apprendimento, esegue azioni in simulazione, identifica le situazioni nelle quali non dispone di una risposta sufficientemente affidabile e riceve correzioni da un supervisore umano oppure da un modello utilizzato come insegnante. Le esperienze validate vengono registrate in una struttura di memoria che può essere trasferita direttamente al robot, senza installare sul dispositivo il modello impiegato durante l’addestramento.
Sul robot la stessa tecnologia assume il ruolo di motore esecutivo, confrontando le informazioni ricevute dai sensori con le esperienze già memorizzate e selezionando un comportamento coerente con quanto appreso. L’accesso locale alla memoria permette di produrre una risposta nell’ordine dei millisecondi, evitando una chiamata remota per ogni decisione e rendendo possibile il funzionamento anche su schede della classe NVIDIA Jetson oppure su comuni controllori x86.
L’esperienza viene distribuita attraverso un file denominato memory pack, che utilizza lo stesso formato sia nell’ambiente di simulazione sia sul dispositivo fisico. Il passaggio dalla fase di addestramento alla distribuzione non richiede quindi una conversione specifica o un nuovo processo di training, perché il pacchetto creato sul server può essere caricato direttamente sul robot e utilizzato dal motore locale.
Il trasferimento può avvenire anche nella direzione opposta. Durante il funzionamento reale, il robot continua a registrare nuovi casi, decisioni ed eventi che hanno richiesto un’escalation; questa memoria operativa può essere riportata sul server, dove gli sviluppatori possono riprodurre le situazioni incontrate, analizzare le motivazioni associate a ogni comportamento e proseguire l’insegnamento all’interno della simulazione. Il nuovo pacchetto viene successivamente restituito alla macchina, creando un ciclo nel quale l’esperienza sul campo alimenta gli aggiornamenti futuri senza trasformare il robot in una piattaforma di addestramento completa.
Il sistema è progettato per riconoscere anche i limiti della conoscenza memorizzata. Quando il motore incontra una situazione nuova, rileva una confidenza insufficiente oppure individua un’azione incompatibile con le regole definite, interrompe il processo e richiede l’intervento di un supervisore anziché generare autonomamente un comportamento non giustificato dall’esperienza disponibile. Questa logica rende l’incertezza un’informazione operativa, utilizzata per decidere quando il robot può procedere e quando deve fermarsi.
Sotto il livello di memoria sono presenti regole rigide e limiti numerici che non possono essere modificati dal processo decisionale del robot. Un vincolo può essere reso più restrittivo durante l’utilizzo sul campo, mentre non può essere allentato attraverso l’apprendimento locale; resta comunque necessario integrare la piattaforma con sistemi indipendenti, come arresti di emergenza, limitazioni meccaniche e controlli certificati, perché il livello di memoria costituisce uno strumento per la gestione del comportamento e non un sistema di sicurezza funzionale certificato.
NeuraFrame Embodied supporta processori ARM64 e x86_64 con sistemi Linux a 64 bit, senza richiedere un acceleratore proprietario o un’edizione ridotta destinata all’hardware economico. La capacità effettiva della macchina dipende dalla qualità dell’addestramento, dall’estensione della memoria e dai vincoli impostati dal costruttore, mentre il motore di esecuzione rimane compatibile con dispositivi caratterizzati da risorse relativamente contenute.
La gestione può essere estesa a un’intera flotta attraverso NeuraFrame Embodied Fleet. Ogni robot conserva le proprie esperienze locali e invia soltanto le informazioni nuove che il costruttore ha autorizzato alla condivisione; gli apprendimenti vengono esaminati, approvati e distribuiti alle altre unità mediante pacchetti firmati, senza sovrascrivere le competenze già presenti su ciascuna macchina. Una capacità verificata su un robot può così essere trasferita all’intera flotta, mentre le informazioni specifiche di un singolo ambiente rimangono associate al dispositivo che le ha raccolte.
La separazione tra modello insegnante e memoria esecutiva introduce un approccio nel quale l’intelligenza operativa del robot non coincide con la presenza fisica di un grande modello a bordo. Il server svolge le attività computazionalmente più impegnative, il memory pack conserva l’esperienza selezionata e il motore locale applica quanto appreso con una latenza ridotta. Questa struttura permette di aggiornare il comportamento dei robot, studiare le decisioni prese sul campo e condividere competenze validate tra macchine differenti, mantenendo il controllo dell’apprendimento nelle mani dello sviluppatore.