Google Robotics: progetti e tecnologie nel 2026

Dentro i laboratori di Google DeepMind Robotics, quello che colpisce non è la sofisticazione meccanica dei prototipi, ma la velocità con cui i sistemi imparano a generalizzare: un braccio robotico che non ha mai visto un oggetto riesce a manipolarlo con precisione dopo pochi tentativi, applicando ragionamenti appresi in contesti del tutto diversi. Questa capacità — trasferire conoscenza tra domini distanti — è il problema centrale attorno a cui ruota l'intera strategia di Google robotics nel 2026, e rappresenta il punto di discontinuità rispetto ai decenni precedenti di ricerca industriale sul movimento autonomo.

Google non è arrivata alla robotica da un'unica direzione: ci è entrata attraverso acquisizioni, esperimenti abbandonati, ripartenze strategiche e una progressiva convergenza tra i suoi modelli linguistici di grandi dimensioni e i sistemi di controllo fisico. La fusione operativa tra il team robotics e DeepMind, avvenuta nei anni immediatamente precedenti, ha prodotto un'organizzazione in cui i ricercatori di reinforcement learning lavorano fianco a fianco con ingegneri meccanici e specialisti di visione artificiale — una composizione che si riflette direttamente nell'architettura dei progetti attivi.

Quello che emerge dall'osservazione ravvicinata di questi sviluppi è un approccio che privilegia la generalizzazione sull'ottimizzazione per compiti specifici: invece di costruire robot eccellenti in un singolo dominio, Google punta a sistemi capaci di operare in ambienti non strutturati, con oggetti mai visti e istruzioni formulate in linguaggio naturale. È una scelta con implicazioni profonde, sia sul piano tecnico che su quello competitivo rispetto ad aziende come Boston Dynamics, Figure AI e i laboratori di ricerca universitari che popolano questo spazio.

RT-2 e i modelli vision-language-action: architettura e funzionamento

Il modello Robotics Transformer 2, sviluppato internamente e presentato come uno dei contributi più rilevanti dell'ecosistema Google robotics, rappresenta un tentativo concreto di unificare percezione visiva, comprensione del linguaggio e generazione di azioni motorie all'interno di una singola architettura neurale; la novità non è tanto nell'idea in sé — diversi gruppi di ricerca lavoravano su approcci simili — quanto nella scala del pretraining e nella qualità della generalizzazione zero-shot che il modello dimostra su compiti mai inclusi nei dati di addestramento.

RT-2 utilizza un transformer preaddestrato su dati web — testo e immagini — e lo finetunia su dati di teleoperation raccolti da robot fisici; in questo modo, il modello porta dentro il controllo motorio una quantità enorme di conoscenza semantica sul mondo, conoscenza che un sistema addestrato solo su traiettorie robotiche non potrebbe mai acquisire. Il risultato pratico è che il robot capisce istruzioni come "porta l'oggetto che non dovrebbe stare in cucina" senza che questa categoria concettuale sia mai stata esplicitamente codificata nel dataset robotico.

L'evoluzione successiva, denominata RT-X e sviluppata in collaborazione con decine di laboratori universitari attraverso il consorzio Open X-Embodiment, ha affrontato un problema strutturale di questo campo: la scarsità di dati diversificati. Raccogliendo traiettorie da robot fisicamente diversi — bracci, manipolatori mobili, sistemi bimanuali — in ambienti eterogenei, il progetto ha dimostrato che un modello addestrato su corpi diversi generalizza meglio di uno addestrato su un singolo embodiment; un risultato non ovvio, che suggerisce come la diversità morfologica nei dati di training funga da forma implicita di data augmentation.

AutoRT e la raccolta dati autonoma su scala

Uno dei colli di bottiglia più severi nella robotica moderna è la raccolta di dati di training: ogni traiettoria richiede un operatore umano, un robot fisico, un ambiente controllato e decine di ripetizioni per produrre esempi sufficientemente puliti; AutoRT è il tentativo di Google di spezzare questo ciclo costoso attraverso un sistema in cui i robot stessi propongono compiti, li eseguono autonomamente e filtrano i risultati utilizzando un LLM come valutatore della qualità e della sicurezza.

Il sistema funziona attraverso una gerarchia di modelli: un LLM di alto livello riceve una descrizione dell'ambiente — generata da un modello visivo — e propone un elenco di compiti plausibili e appropriati al contesto; un secondo livello seleziona il compito ottimale in base a criteri di fattibilità e valore informativo per il training; infine, un modello di controllo esegue il compito e un sistema di verifica valuta il successo. In deployment su flotte di decine di robot in parallelo, AutoRT ha permesso di raccogliere dataset di dimensioni altrimenti irraggiungibili con teleoperation tradizionale.

La componente di sicurezza embedded nel sistema merita attenzione specifica: l'LLM supervisore opera con un insieme di vincoli espressi in linguaggio naturale — non avvicinarsi agli esseri umani, non manipolare oggetti fragili senza istruzione esplicita, interrompere il compito in presenza di ambiguità — e questi vincoli vengono applicati prima della selezione del compito, non come post-processing; si tratta di un'architettura di sicurezza che riflette una scelta progettuale precisa, distante dall'approccio di aggiungere layer di sicurezza a sistemi già costruiti.

ALOHA e la manipolazione bimanuale: dati e apprendimento per imitazione

Il progetto ALOHA — sviluppato in collaborazione con Stanford prima di essere integrato più organicamente nell'ecosistema Google robotics — ha affrontato la manipolazione bimanuale di precisione attraverso un hardware deliberatamente economico e un approccio all'apprendimento per imitazione che sfrutta dimostrazioni umane in teleoperation a bassa latenza; la scelta di hardware accessibile non è una concessione pratica ma una strategia: abbassare il costo per dimostrazione permette di raccogliere dataset più grandi, e dataset più grandi migliorano la generalizzazione più di qualsiasi raffinamento architetturale a parità di dati.

ACT, l'algoritmo di training sviluppato su ALOHA, affronta un problema specifico della manipolazione di precisione: la compounding error, ovvero l'accumulo di piccoli errori predittivi che in sequenze lunghe porta il robot fuori dalla distribuzione dei dati di training; la soluzione adottata — predire chunk di azioni future invece di azioni singole, e aggregare predizioni sovrapposte — riduce la frequenza con cui il modello deve fare inferenza, limitando l'accumulo di errore e producendo movimenti visivamente più fluidi e meno esitanti.

Mobile ALOHA, l'estensione su base mobile del sistema, ha dimostrato capacità che fino a pochi anni fa sembravano lontane dalla robotica consumer: cucinare pietanze multi-step, pulire superfici in ambienti complessi, interagire con elettrodomestici di uso quotidiano; queste dimostrazioni hanno un valore comunicativo evidente, ma il loro significato tecnico è altrettanto rilevante — mostrano che l'apprendimento per imitazione con pochi dati di alta qualità può produrre comportamenti complessi senza reward engineering manuale.

Gemini Robotics: integrazione tra modelli fondazionali e controllo fisico

Con il lancio di Gemini Robotics nel 2025 e il suo sviluppo nel corso del 2026, Google ha reso esplicita una direzione strategica che nei progetti precedenti era presente solo implicitamente: i modelli fondazionali multimodali non sono strumenti ausiliari per il controllo robotico, ma possono diventare il nucleo stesso del sistema di controllo, generando azioni motorie direttamente dalla comprensione del contesto visivo e linguistico senza architetture intermedie dedicate.

Gemini Robotics-ER — la variante con capacità di ragionamento spaziale esteso — è progettato per compiti che richiedono pianificazione a lungo orizzonte temporale: assemblare oggetti con istruzioni parziali, adattare una sequenza di azioni a variazioni impreviste nell'ambiente, interpretare feedback ambigui dall'esito di azioni precedenti; queste capacità dipendono da una rappresentazione del mondo sufficientemente ricca da supportare ragionamento controfattuale, e il modello le acquisisce combinando pretraining su dati web con finetuning su dati robotici strutturati per includere esempi di pianificazione esplicita.

La sfida tecnica aperta su Gemini Robotics riguarda la latenza: generare azioni attraverso un transformer di grandi dimensioni introduce ritardi incompatibili con il controllo reattivo ad alta frequenza necessario per compiti fisici che richiedono correzioni rapide; le soluzioni attualmente esplorate — distillazione in modelli più piccoli, caching di rappresentazioni intermedie, architetture ibride con un layer di controllo reattivo separato — riflettono una tensione fondamentale tra la ricchezza rappresentativa dei grandi modelli e i vincoli fisici del controllo in tempo reale.

Posizionamento competitivo e direzioni di sviluppo nel 2026

Nel panorama della Google robotics attuale, la distinzione più rilevante rispetto ai competitor non riguarda l'hardware — su cui Google non ha mai avuto un vantaggio particolare — ma la capacità di sfruttare asset computazionali e dati che nessun altro laboratorio possiede nella stessa misura: infrastruttura di calcolo, dataset web di scala internet, modelli fondazionali già addestrati su miliardi di parametri; questa asimmetria strutturale definisce dove Google può competere con vantaggio e dove invece affronta le stesse difficoltà di chiunque altro.

Le difficoltà persistenti riguardano soprattutto il deployment in ambienti reali non controllati: i sistemi funzionano bene in laboratorio e in ambienti semi-strutturati, ma la distribuzione shift tra condizioni di test e condizioni operative reali rimane un problema aperto; la variabilità dell'illuminazione, la presenza di oggetti deformabili, le superfici riflettenti e le occlusioni parziali continuano a degradare le performance in modo non prevedibile, e nessun approccio attuale — né il data augmentation aggressivo né il domain randomization — ha risolto il problema in modo sistematico.

La traiettoria più probabile per i prossimi anni vede Google concentrare gli sforzi su applicazioni in ambienti semi-strutturati ad alto valore economico — logistica interna, assistenza in ambito ospedaliero, manipolazione in linee di produzione flessibili — dove la variabilità ambientale è controllabile e il costo per errore giustifica investimenti significativi in dati e supervisione; la robotica domestica generalista, quella che popola le presentazioni di prodotto, rimane un orizzonte più distante di quanto le dimostrazioni suggeriscano, vincolata da problemi di affidabilità che la ricerca attuale non ha ancora risolto in modo convincente.