Intelligenza Artificiale e robotica: π 0.7 abbatte il paradosso di Moravec. E il lavoro umano non è mai stato così a rischio

Mentre i salotti televisivi e le aule parlamentari continuano a dibattere, con colpevole ritardo, sulle regole burocratiche per limitare gli algoritmi che scrivono testi o generano immagini, l’economia reale rischia di essere travolta da uno tsunami silenzioso proveniente, ancora una volta, da San Francisco. La startup statunitense Physical Intelligence ha recentemente annunciato i risultati del suo ultimo modello di intelligenza artificiale applicata alla robotica, denominato π 0.7. E, senza cedere a facili trionfalismi, i dati ci dicono che potremmo essere vicini all’alba dell’Intelligenza Artificiale Generale (AGI) applicata al mondo fisico.

Per comprendere la vera portata di questa rivoluzione, dobbiamo fare un passo indietro agli anni ’80, quando lo scienziato Hans Moravec formulò un celebre principio che porta il suo nome. Il Paradosso di Moravec osserva una verità apparentemente controintuitiva: per le macchine è facilissimo eseguire calcoli matematici complessi o battere i campioni mondiali di scacchi, ma è incredibilmente difficile replicare le abilità sensomotorie di un bambino di un anno, come camminare, riconoscere un ostacolo o afferrare una palla. Per decenni, l’intelligenza artificiale ha trionfato nella logica astratta, ma ha fallito miseramente nel mondo fisico, scontrandosi con la complessità della realtà materiale.

Oggi, il modello π 0.7 sembra aver trovato la chiave per scardinare questo paradosso.

Fino a ieri, il paradigma della robotica industriale era chiaro e rigido: si raccoglievano moli immense di dati specifici per addestrare un robot a compiere una singola azione ripetitiva in un ambiente iper-controllato. Se si cambiava la forma della scatola da spostare, il robot andava in blocco. Il nuovo sistema introduce invece la “generalizzazione composizionale”: la capacità di ricombinare competenze apprese in contesti diversi per risolvere problemi del tutto nuovi, senza alcun addestramento preventivo specifico.

Nei laboratori, robot guidati da π 0.7 hanno dimostrato di saper utilizzare elettrodomestici mai visti prima o di piegare il bucato, pur non avendo nei loro database alcuna riga di codice relativa a quelle specifiche mansioni. Il segreto risiede nei prompt multimodali. Il modello aggrega informazioni da piattaforme diverse, dimostrazioni umane e tentativi autonomi. Non gli viene detto solo “cosa” fare, ma gli si fornisce un contesto su “come” farlo, processando istruzioni testuali e immagini di obiettivi visivi da raggiungere in tempo reale.

I pilastri di questo “cervello sintetico” sono tre:

• Apprendimento Trasversale: Adatta le conoscenze preesistenti a contesti inediti. Sa manipolare un oggetto morbido e sa riconoscere un capo d’abbigliamento? Allora deduce autonomamente come piegare una maglietta.
• Adattamento in tempo reale: Il modello non esegue un programma cieco, ma si adatta all’ambiente in base alle istruzioni e agli ostacoli visivi.
• Standardizzazione dell’Hardware: Svincola il software (il “cervello”) dai limiti fisici del singolo fornitore del braccio meccanico.

Dal punto di vista dell’economia reale e dell’occupazione, le implicazioni sono drammatiche. Finora, l’operaio umano ha mantenuto un vantaggio competitivo incolmabile sulla macchina: l’adattabilità. Il lavoratore in carne ed ossa può gestire imprevisti, cambiare strumento di lavoro o riorganizzare una linea logistica semplicemente usando il buon senso e l’esperienza pregressa. Le macchine, relegate a compiti di mera forza e precisione ripetitiva, necessitavano di programmatori umani per ogni minima deviazione.

Se l’adozione di modelli come π 0.7 dovesse scalare commercialmente, questo ultimo baluardo crollerebbe. L’ingresso di un “operaio sintetico” polivalente, capace di imparare guardando, ascoltando o ragionando, mette a rischio mortale milioni di posti di lavoro non solo nella manifattura pesante, ma anche nella logistica avanzata, nelle pulizie, nella ristorazione e in gran parte dei servizi. Non stiamo più parlando di macchine che sostituiscono la pura forza muscolare, ma di entità capaci di replicare la deduzione e l’adattamento umano nel mondo materiale.

Ci troviamo di fronte a uno shock dell’offerta che promette di abbattere drammaticamente i costi marginali di produzione per le aziende, spingendo la produttività a livelli inesplorati. Tuttavia, il rovescio della medaglia è l’obsolescenza rapida e inesorabile della manodopera umana. Il lavoro umano, nella sua componente fisica e adattiva, non è mai stato così a rischio. Mentre l’algoritmo impara a piegare il bucato e a gestire gli imprevisti, il vero imprevisto da gestire sarà quello di un mercato del lavoro in cui l’uomo rischia di diventare, semplicemente, superfluo e non più competitivo.

Rimani aggiornato seguendoci su Google News!

SEGUICI