Chi paga per i "dati di base" degli umanoidi? Un cambiamento a Pechino mostra cosa conta veramente.

Centro chiuso: è la fine?

Il centro di addestramento robotico umanoide nel parco Shougang, a Pechino, che dal marzo 2025 operava come uno dei primi in Cina, ha cessato la sua attività. Secondo i media locali, la causa è stata il ritiro di Realman, fornitore di hardware e tecnologia. Non si è trattato del fallimento di un progetto, ma della sua ristrutturazione. Il distretto di Shijingshan ha spiegato che, dopo l'uscita del partner dalla fase I, il centro passa a una nuova fase: lo sviluppo di campi di luce gaussiana 4D e modelli del mondo. Invece di costruire ulteriori progetti, si sta cambiando la logica operativa: dalla raccolta di dati in condizioni controllate al loro utilizzo in scenari reali.

Questo non è il primo caso in cui un centro di addestramento cambia direzione. Negli ultimi due anni, molte regioni della Cina hanno investito in tali strutture come parte della strategia di sviluppo dell'intelligenza incarnata. Ma la costruzione delle infrastrutture è solo l'inizio. La domanda chiave è: chi pagherà per i dati a lungo termine e se questi dati saranno realmente utili.

A maggio di quest'anno, la fase III del centro di Shijingshan ha raccolto quasi 270 robot e aveva una capacità produttiva annuale di dati pari a circa 20 milioni di punti. Inizialmente, nella primavera del 2025, la fase I prevedeva la produzione di oltre un milione di punti dati all'anno. Questo ritmo di sviluppo dimostra quanto intensamente le regioni della Cina stiano investendo nelle infrastrutture per i robot umanoidi.

I dati non sono "terreni": sono uno strumento.

La logica precedente era semplice: più dati, meglio è. Il centro di Pechino doveva raccogliere oltre 20 milioni di punti dati all'anno, principalmente da scenari simulati, dall'assistenza domestica al montaggio di elettronica. Ma si è scoperto che i dati provenienti da ambienti di laboratorio stabili sono difficili da utilizzare nel mondo reale. I robot incontrano cambiamenti di illuminazione, irregolarità del pavimento, interferenze impreviste: situazioni che non possono essere facilmente simulate.

Realman lo ha capito e ha cambiato strategia. Invece di raccogliere dati in condizioni controllate, ora gestisce a distanza le operazioni dei robot nelle fabbriche, nei magazzini e nelle case. Funziona come un "circuito chiuso": i dati vengono generati durante il lavoro reale, vengono immediatamente utilizzati per migliorare il modello e quest'ultimo, a sua volta, riesce meglio ad affrontare le situazioni successive. Non si tratta più solo di raccogliere dati: è un'iterazione continua.

I dati raccolti in condizioni di laboratorio stabili sono difficili da utilizzare nel mondo reale, dove si verificano variazioni di illuminazione, irregolarità del pavimento e interferenze impreviste. Realman sostiene che i dati provenienti da operazioni reali in ambienti non controllati sono più preziosi per il modello rispetto ai dati provenienti da condizioni di laboratorio stabili.

Chi pagherà per i dati in futuro?

Il problema è che i dati per i robot umanoidi hanno un forte carattere di "dominio privato". Ogni azienda utilizza corpi robotici, sensori, sistemi di controllo e architetture di modelli diversi. Pertanto, i dati provenienti da un sistema sono difficili da utilizzare per un altro. Ciò significa che anche se un centro di formazione raccogliesse milioni di punti dati, un'azienda potrebbe non essere disposta ad acquistarli, a meno che non portino a un miglioramento diretto del modello.

Pertanto, si crea un conflitto: le autorità locali vogliono costruire centri pubblici come infrastruttura per supportare lo sviluppo del settore, mentre le aziende si concentrano sul fatto che i dati siano convenienti e apportino un valore reale. Non è una contraddizione, ma una differenza di obiettivi. Pertanto, la domanda chiave diventa: chi finanzierà questo ciclo? Saranno le aziende che li utilizzano o lo stato come investitore nel futuro?

Il valore dei dati non risiede nella quantità, ma nella loro utilità. Pertanto, la domanda chiave diventa: chi finanzierà questo ciclo? Saranno le aziende che li utilizzano o lo stato come investitore nel futuro?

Una nuova era dei dati - dalla raccolta all'applicazione

Questo dimostra che il governo comprende che non esiste un unico metodo "corretto". I dati possono provenire da simulazioni, video, Internet o operazioni reali, ma il loro valore dipende da come vengono utilizzati.

Il futuro non risiede nella costruzione di ulteriori centri di formazione, ma nella creazione di cicli chiusi: scenario → dati → modello → miglioramento. Ciò significa che il centro non deve essere "esattamente lo stesso", ma può cambiare, come ha fatto Pechino. È fondamentale che funzioni in modo coerente con le reali esigenze del modello e non solo con il piano di investimento.

Realman sostiene che i dati provenienti da operazioni reali in ambienti non controllati sono più preziosi per il modello rispetto ai dati provenienti da condizioni di laboratorio stabili. Questo dimostra che il futuro non risiede nella quantità di dati, ma nella loro qualità e utilità.

Cosa significa questo per il futuro della robotica?

La chiusura del centro di formazione a Pechino non è la fine, ma una svolta. Dimostra che costruire infrastrutture senza un chiaro modello di finanziamento e applicazione è un rischio. Ma dimostra anche che il futuro non risiede nella quantità di dati, ma nella loro qualità e utilità.

Per le aziende, questa è una sfida: devono pensare ai dati come a uno strumento per lo sviluppo del modello e non solo come a un costo. Per i governi, questo rappresenta un nuovo ruolo: non costruire centri, ma supportare sistemi integrati che collegano i dati con scenari e applicazioni reali. Non si tratta più di "chi paga per la base di dati", ma di "come trasformare i dati in valore".

Questa trasformazione dimostra che il futuro della robotica non risiede nella costruzione di centri dati sempre più grandi, ma nella creazione di sistemi dinamici e integrati che combinano le condizioni operative reali con il continuo miglioramento dei modelli. L'aspetto cruciale non è chi paga per i dati, ma come questi dati vengono utilizzati in pratica: si traducono in decisioni migliori, reazioni più rapide e azioni robotiche più affidabili? Per le aziende ciò significa la necessità di passare dal considerare i dati come un costo a considerarli come una chiave per la competitività. Per i governi, questo implica un nuovo ruolo: non costruire infrastrutture, ma sostenere gli ecosistemi che consentono cicli chiusi di dati.