Nei dati più rari ci sono due persone
Nella robotica e nell’IA fisica vince chi ha i dati. I più preziosi mostrano persone che lavorano insieme, viste da ogni lato. Quasi non esistono.

Passa un paio di forbici a qualcuno. Giri i manici verso di lui senza pensarci. Lui comincia ad allungare la mano prima che tu abbia finito di girarle, e tu lasci la presa nel momento in cui senti la sua. Nessuno dice una parola. Lo scambio dura circa un secondo, ed è ancora difficile per un robot.
Una macchina impara ciò che le si mostra, e questo quasi nessuno gliel’ha mostrato. Le aziende di IA oggi pagano miliardi per i dati, e più sono esatti, più pagano. Il tipo più prezioso mostra più di una persona, ripresa da ogni lato. In pratica, quel tipo di dati non esiste ancora.
Che cosa dicono i soldi
Nel giugno 2025 Meta ha pagato 14,3 miliardi di dollari per il 49% di Scale AI. Scale non costruisce chip e non possiede nessun modello famoso. Prepara dati di addestramento.
Nel marzo 2026 Yann LeCun, che per più di dieci anni ha guidato la ricerca sull’IA di Meta, ha raccolto 1,03 miliardi di dollari per la sua nuova azienda, AMI Labs. È stato il più grande round seed mai visto in Europa, con una valutazione pre-money di 3,5 miliardi di dollari, e tra i finanziatori c’erano Nvidia, Samsung e il fondo di Jeff Bezos. AMI costruisce modelli del mondo, sistemi che imparano da telecamere e altri sensori come si comporta il mondo fisico e usano questo sapere per pianificare che cosa fare dopo. Il punto di partenza non è il linguaggio.
A LeCun piace sostenere la tesi con un conto. Tutto il testo pubblico di internet, la dieta dei grandi modelli linguistici, ammonta a circa centomila miliardi di byte. Un bambino di quattro anni è stato sveglio per circa 16.000 ore, e in quel tempo più o meno la stessa quantità gli è arrivata al cervello attraverso gli occhi. Il bambino impara anche ciò che nessuna pagina dice, per esempio che un bicchiere cade quando lo lasci andare.
Per il lavoro fisico non esiste niente di simile al web, e il settore sta cercando di costruirne uno a forza di braccia. Nel 2023 Google DeepMind e i suoi partner, 21 istituzioni in tutto, hanno riunito 60 dataset in Open X-Embodiment, che contiene più di un milione di movimenti robotici registrati su 22 tipi di robot.
Nel novembre 2025 la startup Generalist AI ha detto che il suo modello GEN-0 era stato addestrato su 270.000 ore di manipolazione reale, raccolte in case, magazzini e luoghi di lavoro e in crescita di 10.000 ore a settimana. Figure, che costruisce umanoidi, ha ingaggiato il gruppo immobiliare Brookfield, che ha in portafoglio più di 100.000 abitazioni, per filmare la vita quotidiana al loro interno. Poi il suo robot ha imparato, solo da video di persone, a orientarsi in una stanza ingombra. Tutti scommettono che un modello si può rifare in un anno e una buona registrazione no.

La ricchezza batte la quantità
Le ore sono una misura grossolana. Un video mostra una mano che si chiude su una tazza. Non mostra quanto ha stretto la mano, quanto pesava la tazza, il clic che diceva che il coperchio era chiuso, né dove sono andati gli occhi mezzo secondo prima. Ognuna di queste cose è un canale separato, e un modello che li riceve tutti insieme impara qualcosa che nessuna quantità di semplice video può insegnare.
Meta l’ha capito presto. Il suo dataset Ego-Exo4D, costruito con 15 università, ha registrato più di 800 persone esperte, tra cui cuochi, arrampicatori, ballerini e meccanici di biciclette. Ognuna indossava occhiali con telecamera mentre altre telecamere riprendevano dall’esterno, e gli occhiali aggiungevano sette canali audio, sensori di movimento, tracciamento dello sguardo e una mappa 3D della stanza. In tutto sono quasi 1.300 ore. È un numero piccolo, e ognuna di quelle ore dice molto più di un’ora di semplice video.
I designer conoscono il principio dai disegni. Uno schizzo quotato si può costruire. Un bellissimo rendering senza quote no. Preferisco dieci ore esatte a mille approssimative.
Un paio d’occhi non è una stanza
Quasi tutti questi dati hanno un limite in comune. Mostrano una sola persona. La telecamera sta su una testa e guarda un paio di mani. Anche Ego-Exo4D segue per lo più un esperto alla volta.
Il lavoro vero raramente si fa da soli. Due infermieri girano un paziente. Un cuoco impiatta mentre un altro, al passe, chiama le comande. Due montatori portano una finestra su per le scale. Ciò che fa funzionare queste cose non sta nel campo visivo di nessuno dei due. Una telecamera sulla testa dell’uno o dell’altro ne registra metà e si perde l’occhiata o il mezzo passo che ha detto all’altro di aspettare. Il segnale sta in ciò che succede tra loro: chi guarda, chi aspetta, chi cede il passo, e quando.

Per impararlo, a una macchina servono entrambe le visuali contemporaneamente, allineate sullo stesso istante, e la stanza che le circonda. Un robot è pensato per lavorare accanto alle persone in case, ospedali e officine. Lì non sarà mai solo, quindi deve sapere quando aspettare e quando lasciare la presa.
Se n’è registrato pochissimo. Nel 2023 Microsoft ha pubblicato HoloAssist: 166 ore di una persona che svolge un compito mentre una seconda la guida. La seconda persona era a distanza e guardava attraverso il visore della prima. Nel luglio 2026 ricercatori dell’ETH di Zurigo, di Microsoft, dell’Istituto Max Planck per l’informatica e della TU di Monaco hanno pubblicato CoMind. Coppie di persone cucinano insieme in cucine vere. Ognuno indossa occhiali con telecamera, altre due telecamere riprendono la stanza, e vengono registrati sguardo, mani e parlato. Gli autori osservano che i dataset dal punto di vista di una sola persona abbondano, che pochi guardano a persone che lavorano insieme e che la maggior parte tratta l’attore principale in isolamento. Il loro dataset comprende 80 registrazioni e 41 ore.
Quarantuno ore. Mettile accanto alle 270.000 ore di manipolazione raccolte da una sola startup. Il rapporto è di oltre 6.500 a uno.
Chi lo filma
Il divario non si colmerà dentro un data center. Servono stanze in cui le persone lavorano insieme e accettano di essere registrate, con sensori scelti apposta e tutti i flussi sullo stesso orologio. È un lavoro lento e fisico, ed è per questo che il divario è ancora aperto. Ho fondato OptAI, una società di IA a Zurigo con un proprio laboratorio per i modelli del mondo, e nessun modello, nemmeno il nostro, può rimediare a ciò che la registrazione lascia fuori.
Il primo robot che prenderà le forbici dalla tua mano come fa un collega l’avrà imparato da registrazioni di due persone che lo fanno, riprese da entrambi i lati nello stesso momento.
Rea Stark è designer industriale e fondatore di imprese a Zurigo. Ha progettato per Sony e Nespresso, ha cofondato Piëch Automotive e Archaí Physics, e studia come le macchine percepiscono e maneggiano il mondo fisico. Profilo di Rea Stark
Le immagini di questo saggio sono generate con l’IA.