Perché l'AI non riesce ancora a lasciare lo schermo, secondo un professore di Shanghai
Gran parte di ciò che i modelli linguistici di grandi dimensioni fanno bene accade ancora dentro uno schermo. Leggono, scrivono, traducono, abbozzano codice e richiamano strumenti digitali. Chiedi a uno di loro di spostare una cassa attraverso il pavimento di una fabbrica e il problema cambia forma: ora il sistema deve fare i conti con oggetti, spazio, forza e tempo, e deve convivere con le conseguenze di ciò che fa.
Di questo divario ha parlato Zhang Weinan, professore alla Shanghai Jiao Tong University, al CNCC 2026, una delle principali conferenze cinesi di informatica. La sua tesi, riportata da Leiphone, è che la prossima frontiera è l’intelligenza fisica — un’AI che chiude un ciclo di percezione, previsione, azione e apprendimento continuo in un ambiente che non si ferma ad aspettarla.
Il mondo digitale è indulgente in modi che raramente notiamo. A un chatbot che produce una risposta sbagliata si può rivolgere un nuovo prompt; un modello che fallisce un test di programmazione può riprovare. Un braccio robotico che valuta male una presa ha già lasciato cadere il pezzo. L’inquadramento di Zhang mette al centro incertezza e irreversibilità: il mondo reale è pieno di situazioni che i dati di addestramento non coprono, e il costo di una mossa sbagliata spesso si paga subito.
Questo rende l’ingegneria più difficile a ogni livello. La percezione deve reggere con luce scarsa e disordine. La previsione deve essere abbastanza rapida da risultare utile prima che qualcosa cada. L’azione deve essere sicura quando il sistema non è certo. E l’apprendimento non può fermarsi al momento del deployment, perché fabbriche, laboratori e infrastrutture urbane continuano a cambiare attorno alla macchina.
Il dibattito di ricerca su questi temi è già visibile nella comunità robotica cinese. CoRL, la Conference on Robot Learning, apre ad Austin, in Texas, il 9 novembre, e Leiphone osserva che il numero di paper accettati è cresciuto di circa quattro volte e mezzo in sei edizioni, con le università cinesi in rapida ascesa accanto ai gruppi americani consolidati. Il robot learning è passato da nicchia a uno dei crocevia più affollati tra AI e hardware.
La spinta commerciale è altrettanto forte. Le aziende cinesi ormai vendono robot umanoidi e cani robot a prezzi che pochi anni fa sarebbero sembrati implausibili, e gli investitori hanno riversato denaro nei world models — sistemi che apprendono come evolvono le scene fisiche — per dare alle macchine uno spazio di prova più economico prima che tocchino qualcosa di reale. La simulazione è attraente proprio perché lì il fallimento è gratis.
Il punto di Zhang non è che il lavoro sullo schermo sia finito. È che la parte facile della storia pubblica dell’AI è stata quella che non deve mai toccare nulla. Portare l’intelligenza nelle fabbriche, nei laboratori e nei sistemi urbani significa accettare un contratto diverso: la macchina deve agire nell’incertezza e il mondo non offrirà un pulsante di reset. Per un settore che ha passato un decennio a ottimizzare il testo, è un tipo di problema genuinamente nuovo.