Nei laboratori di Seattle si sta preparando una piccola rivoluzione nella robotica. Non parliamo solo di braccia meccaniche che si muovono su comando, ma di robot capaci di capire lo spazio che li circonda e ragionare prima di agire. L’obiettivo? Farli interagire in modo più naturale, efficiente e intelligente nel mondo reale.
Il merito è dell’Allen Institute for AI (AI2), un centro di ricerca statunitense che ha annunciato il lancio di MolmoAct 7B, un innovativo modello open source di intelligenza artificiale. A differenza dei sistemi tradizionali, questo strumento non si limita a “tradurre” comandi in azioni: li interpreta, li analizza e li scompone in passaggi logici, un po’ come farebbe una persona.
MolmoAct 7B: Un ponte tra linguaggio e azione
I modelli classici di AI che uniscono visione, linguaggio e azione (chiamati VLA) funzionano così: ricevono un comando in linguaggio naturale, lo interpretano grazie a fotocamere e sensori, e lo trasformano in azioni. Ma spesso si scontrano con un limite importante: il linguaggio da solo non basta a descrivere con precisione movimenti, spazi e profondità nel mondo reale.
Qui entra in scena MolmoAct 7B.
Secondo AI2, questo nuovo modello colma “il divario tra linguaggio e azione” grazie a una caratteristica fondamentale: usa token percettivi basati sulla visione 3D, non solo parole o testi. In pratica, il robot non si affida soltanto alla frase che riceve, ma analizza lo spazio attorno a sé e crea una mappa di punti visivi per capire dove e come muoversi.
Come funziona: dalla frase al movimento ragionato
Immagina di dire a un robot: “Ordina questi rifiuti”.
Un sistema VLA classico potrebbe cercare di eseguire il comando in un’unica fase, rischiando confusione o errori. MolmoAct invece scompone il comando in una serie di micro-task, come:
- Analizzare l’ambiente circostante.
- Riconoscere ogni oggetto.
- Classificarli per tipo (plastica, carta, vetro…).
- Afferrare un oggetto per volta.
- Ripetere l’operazione.
E lo fa non sulla base del testo, ma di una traiettoria visiva tracciata da una sequenza di punti nello spazio, elaborata in 3D grazie a dati di profondità e geometria. Questi dati arrivano da token speciali addestrati con auto-encoder, che traducono immagini in rappresentazioni comprensibili per la macchina.
Questa forma di “ragionamento a strati” consente al modello di essere più preciso, adattivo e affidabile. Il robot non esegue più alla cieca, ma pianifica ogni mossa in anticipo.
Risultati promettenti: meglio dei modelli precedenti
Il modello MolmoAct 7B prende il nome dal numero dei suoi parametri: ben 7 miliardi. Per addestrarlo, AI2 ha utilizzato oltre 26 milioni di esempi su un’infrastruttura avanzata con 256 GPU Nvidia H100, seguiti da una fase di messa a punto su 64 GPU.
Durante i test, i ricercatori hanno scoperto che MolmoAct:
- Funziona bene su robot umanoidi e bracci meccanici.
- Si adatta a diversi ambienti e compiti.
- Supera sistemi già noti come OpenVLA o i modelli “?0” di Physical Intelligence.
È stato inoltre post-addestrato su oltre 10.000 episodi robotici, cioè scene registrate in ambienti reali (case, uffici, magazzini), con situazioni complesse e variabili.
Il risultato? Un punteggio del 72,1% sul benchmark SimplerEnv, superando anche modelli avanzati come:
- RT-2 di Google
- RoboVLM di ByteDance
- ?0 di Physical Intelligence
Verso una robotica più umana e intelligente
L’idea alla base di MolmoAct è potente: insegnare ai robot a pensare nello spazio, non solo a reagire. Questo potrebbe avere implicazioni enormi per settori come:
- Assistenza domiciliare: robot in grado di supportare anziani o disabili con gesti precisi.
- Industria manifatturiera: maggiore efficienza e sicurezza nelle catene di montaggio.
- Logistica: manipolazione di pacchi e oggetti senza errori.
- Robotica educativa: strumenti più evoluti per laboratori e scuole.
La combinazione tra visione tridimensionale, intelligenza linguistica e ragionamento logico rende MolmoAct una base solida per costruire robot davvero capaci di interagire con il mondo reale.
Come conclude AI2 nel suo comunicato:
“MolmoAct permette ai robot di combinare percezione e azione in modo strutturato, riducendo l’ambiguità nei compiti complessi e aprendo nuove possibilità nel campo della robotica cognitiva”.
