Nel cuore di San Francisco, Physical Intelligence sta sviluppando modelli di intelligenza artificiale capaci di generalizzare le competenze robotiche. Con oltre un miliardo di dollari raccolti e una valutazione da 5,6 miliardi, la startup punta su ricerca pura e dati reali, rinviando la commercializzazione.
Dentro il quartier generale non ci sono showroom patinati, ma bracci robotici che tentano di piegare pantaloni, girare camicie o sbucciare zucchine. L’idea, spiega il cofondatore Sergey Levine, è costruire modelli di base per la robotica: un “ChatGPT per robot” che apprende da ambienti reali e trasferisce conoscenza tra piattaforme diverse.
Fondata nel 2024, Physical Intelligence nasce dall’incontro tra ricerca accademica e industria, con figure come Lachy Groom e ricercatori provenienti da Google DeepMind. Il cuore della strategia è l’apprendimento inter-incarnazione: se cambia l’hardware, il sapere resta. Il costo marginale per rendere autonomo un nuovo robot si riduce drasticamente.
La scelta di rimandare i ricavi è sostenuta da investitori come Khosla Ventures, Sequoia Capital e Thrive Capital, convinti che la priorità sia costruire un’intelligenza generale robusta. La maggior parte dei costi oggi va al calcolo computazionale, non all’hardware, volutamente economico.
Il confronto con Skild AI evidenzia due visioni opposte: implementazione commerciale rapida contro ricerca di lungo periodo. Chi avrà ragione si vedrà negli anni. Intanto, Physical Intelligence collabora già con aziende in logistica e food per test reali, mantenendo un approccio prudente su sicurezza ed etica.
Approfondimento – Cronologia essenziale (con fonti)
- 2023–2024: ricerche su modelli robotici generalisti (UC Berkeley, Stanford).
Fonte: https://bair.berkeley.edu - 2024: nascita di Physical Intelligence e primi round di finanziamento.
Fonte: https://techcrunch.com - 2025–2026: crescita del settore “robot foundation models”, confronto con Skild AI.
Fonte: https://www.weforum.org, https://www.mckinsey.com
Consigli di approfondimento
- Robot foundation models (MIT): https://www.csail.mit.edu
- AI e robotica generale (Nature): https://www.nature.com
Abstract: pro, rischi e impatti sociali
Pro: accelerazione dell’automazione flessibile, riuso della conoscenza, riduzione dei costi di integrazione.
Rischi: sicurezza domestica e industriale, dipendenza da dati reali, concentrazione di capitale e potere tecnologico.
Conseguenze future: possibile ridefinizione del lavoro manuale e delle competenze; necessaria governance etica per l’adozione diffusa.
