Robot umanoide addestrato in 40 minuti: Bleu Robotics scommette contro i modelli miliardari

Il 29 ottobre la startup parigina Bleu Robotics ha annunciato cinque milioni di euro di finanziamento in pre-seed, e il calcolo dietro tutto questo suona quasi offensivo nella sua semplicità: circa quaranta minuti dalla prima dimostrazione al robot funzionante, e circa dieci passaggi mostrati bastano dove altri calcolano con milioni di punti dati.

Due giorni prima era stato annunciato che Physical Intelligence in California vuole raccogliere oltre un miliardo di dollari, senza ricavi e per la scommessa esattamente opposta. Questo mette fianco a fianco due risposte alla stessa domanda: se i robot devono imparare da enormi quantità di dati o da pochi gesti insegnati. I numeri parigini finora provengono dal simulatore, non da una fabbrica in funzione.

L'addestramento avviene sul posto di lavoro stesso, con un gripper manuale che il dipendente prende in mano e con il quale dimostra il compito una volta, senza che nessuno scriva una riga di codice. Il software successivamente non tenta di riprodurre il movimento, ma di dedurne l'intenzione dietro, cioè l'obiettivo e i vincoli del passo di lavoro, e da ciò costruire un'esecuzione propria. Bleu chiama questo apprendimento abduttivo e lo contrappone esplicitamente ai modelli end-to-end diffusi, che derivano i movimenti direttamente dalle immagini. Secondo il blog aziendale, i calcoli vengono eseguiti sul robot stesso e non nel cloud, e l'addestramento di un compito dovrebbe essere completato su un laptop in meno di due minuti, mentre una Diffusion Policy ne richiede da uno a tre.

Dietro l'azienda ci sono tre persone con biografie insolitamente ben abbinate. Benoît Berkoukchi ha guidato grandi team sulle linee di montaggio della Renault per anni, Jean-Baptiste Mouret e Serena Ivaldi sono direttori di ricerca presso l'istituto francese Inria e lavorano da circa quindici anni su IA e robotica, con pubblicazioni fino a Nature. Bleu è stata fondata solo nel dicembre 2025, la serie è guidata da Contrarian Ventures e OVNI Capital, con Kvanted, WEPA Ventures, Motier Ventures e Charlie Songhurst, che siede nel consiglio di amministrazione di Meta.

Chi fa i conti trova però una lacuna tra la pubblicità e le prove. Il comunicato sul finanziamento parla di un'efficienza dei dati fino a cento volte migliore rispetto allo stato dell'arte, ma le misurazioni proprie nel blog aziendale non lo supportano. Lì dice che nell'ambiente di simulazione ManiSkill3 con meno di dieci dimostrazioni si raggiunge un tasso di successo del 98 percento, mentre una Diffusion Policy ne richiede almeno cento. È una potenza di dieci e non il centuplo, e si tratta di simulazione. Un secondo compito in laboratorio, in cui un robot apre una porta e preme un pulsante, raggiunge il 99 percento rispetto allo zero per il metodo di confronto, il che impressiona, ma semplicemente non è stato misurato in un'officina.

L'azienda stessa traccia i confini, e questo è piacevolmente inusuale in questo settore. Lo sguardo è rivolto a parti rigide, i tessili rimangono al di fuori dell'ambito, e il cambio indipendente tra due stazioni di lavoro è ancora considerato lavoro futuro. I test sono stati effettuati tra gli altri su un Unitree G1 e un Franka Research 3, il software dovrebbe in linea di principio funzionare su qualsiasi robot che parli l'interfaccia ROS. Secondo l'azienda ci sono già due grandi clienti industriali, ma non ne fornisce i nomi, e l'indicazione di quaranta minuti proviene da un'intervista del fondatore e non da un protocollo di fabbrica pubblicato.

Perché questa scommessa trovi comunque finanziamento lo dimostra un numero di Interact Analysis che circola nel settore: dei più di 20.000 robot umanoidi costruiti l'anno scorso, solo circa il dieci percento è arrivato in un'applicazione effettiva. Il collo di bottiglia quindi non è il robot, ma l'addestramento, e proprio lì si stanno concentrando attualmente diversi progetti europei. Audi dall'annuncio del 21 ottobre testa nel Production Lab di Ingolstadt robot umanoidi mobili di Agile Robots per la sequenziazione delle parti, insieme a un gemello digitale di Dassault Systèmes e librerie di Nvidia. Si tratta esplicitamente di una prova di fattibilità, senza numeri di prestazione e senza scadenza per un rollout.

Per la Svizzera è il cantiere più interessante. Chi produce qui lo fa in piccole serie con molte varianti, e un robot che per ogni nuova variante ha bisogno di centinaia di ore di dati di addestramento è in un'operazione del genere inutilizzabile, indipendentemente da quanto la hardware sia diventata economica. L'equazione si decide sul tempo di addestramento e non sul prezzo, eppure finora quasi tutti i fornitori parlano del prezzo. Un capofficina a Zurigo o Biel non ha bisogno di un robot umanoide da 20.000 franchi la cui integrazione richiede tre mesi, ma uno che il capocantiere il venerdì pomeriggio riprogramma per la nuova serie.

Berkoukchi formula il motivo della deviazione con sobrietà. Non ci sono abbastanza dati sul lavoro di fabbrica, dice, e per i robot non ci saranno a lungo volumi di dati sulla scala di Internet come quelli che hanno fatto crescere i modelli linguistici. Se da ciò nasce un business lo decide nei due clienti industriali non nominati, e cioè se i quaranta minuti reggono anche quando i pezzi giacciono storti nel contenitore. Nel blog aziendale c'è una frase che rivela più dello stato dell'arte di qualsiasi tasso di successo: se il robot non riconosce la situazione, si ferma e chiede aiuto.