Il 17 luglio si aprirà a Shanghai la World Artificial Intelligence Conference 2026. Ci incontreremo lì per discutere quale direzione prenderanno l’intelligenza artificiale e la robotica e se la Physical AGI potrà diventare la prossima grande frontiera tecnologica e industriale.
La prima fase dell’intelligenza artificiale ha insegnato alle macchine a parlare, scrivere, tradurre e creare contenuti. La Physical AI sta dando loro la capacità di percepire il mondo e di agire al suo interno.
La Physical AGI promette qualcosa di molto più ambizioso: macchine capaci non soltanto di svolgere un compito, ma anche di comprendere obiettivi diversi, imparare dall’esperienza e adattarsi a situazioni mai incontrate prima.
È il passaggio dall’AI che risponde alle macchine che osservano, decidono e agiscono.
La Physical AI può riconoscere un oggetto, afferrarlo, evitare un ostacolo o seguire un percorso. La Physical AGI dovrebbe invece capire che cosa fare anche quando cambiano il compito, l’ambiente e il problema stesso.
Non sarebbe semplicemente un’intelligenza artificiale inserita dentro un robot. Sarebbe un’intelligenza generale incorporata in una macchina.
Dalla Physical AI alla Physical AGI
La Physical AI esiste già. È presente nelle fabbriche, nei magazzini, nei veicoli autonomi e nei sistemi di ispezione.
Un robot industriale può riconoscere un componente, prenderlo e collocarlo nella posizione corretta. Un drone può ispezionare un ponte e individuare una crepa. Un robot mobile può trasportare materiali evitando persone e altri mezzi.
Questi sistemi non si limitano a elaborare informazioni. Percepiscono ciò che li circonda e producono un’azione fisica.
Eppure, nella maggior parte dei casi, rimangono specializzati.
Un robot addestrato a spostare scatole può diventare estremamente bravo nel riconoscerle, decidere come afferrarle e modificare il proprio percorso quando incontra un ostacolo. Questo non significa che sappia anche preparare una sala riunioni, assistere un paziente o aiutare un tecnico a riparare una macchina.
Può adattarsi all’interno di un compito ben definito. Non possiede ancora un’intelligenza generale.
Nella letteratura accademica, il termine più comune è Embodied AGI, cioè un’intelligenza artificiale generale incorporata in un corpo fisico. Preferisco però l’espressione Physical AGI, perché rappresenta la naturale prosecuzione del vocabolario che l’industria ha già adottato con la Physical AI.
L’obiettivo non è semplicemente costruire robot più veloci o più precisi. La promessa è diversa: macchine capaci di trasferire ciò che hanno imparato da una situazione all’altra e di trovare una soluzione anche quando non hanno ricevuto istruzioni per ogni singolo movimento.
Il test della sala riunioni
Immaginiamo di dire a un robot:
«Prepara questa sala per una riunione di dieci persone».
Un robot tradizionale avrebbe bisogno di istruzioni dettagliate: porta dieci sedie, disponile intorno al tavolo, accendi lo schermo e prepara dieci bottiglie d’acqua.
Un sistema avanzato di Physical AI potrebbe riconoscere le sedie, evitare gli ostacoli e adattare i propri movimenti alla forma della stanza. Resterebbe però legato alle situazioni per le quali è stato addestrato.
Un sistema di Physical AGI dovrebbe invece comprendere autonomamente che cosa significa davvero preparare una sala riunioni.
Dovrebbe entrare nella stanza, valutare l’ambiente, contare le sedie, assicurarsi che il tavolo sia libero e controllare che lo schermo funzioni. Se ci fossero soltanto otto sedie, dovrebbe cercarne altre due. Se una fosse rotta, dovrebbe sostituirla. Se il tavolo fosse coperto di scatole, dovrebbe trovare un luogo adatto dove spostarle. Se lo schermo non funzionasse, dovrebbe tentare di risolvere il problema oppure avvisare una persona.
Non si limiterebbe a eseguire una sequenza. Lavorerebbe per raggiungere un risultato.
È qui che emerge la differenza tra una macchina programmata per svolgere un compito e una macchina capace di comprenderne lo scopo.
La stessa distinzione vale per qualcosa di semplice come preparare un caffè. Un sistema di Physical AI può essere addestrato a utilizzare una determinata macchina in una cucina conosciuta, con le tazze e gli ingredienti sempre nello stesso posto. La Physical AGI significherebbe invece entrare in una cucina sconosciuta, individuare la macchina del caffè, capire come utilizzarla, trovare una tazza adatta, verificare che ci siano acqua e caffè e adattarsi quando accade qualcosa di imprevisto.
L’intelligenza generale non consiste nel ripetere perfettamente una singola azione. Consiste nell’utilizzare ciò che si è già imparato per risolvere un problema nuovo.
L’intelligenza si misura nell’imprevisto
I video promozionali mostrano quasi sempre robot che operano in condizioni accuratamente preparate. Gli oggetti sono al posto giusto, il percorso è libero e il compito è stato provato molte volte.
Il vero test comincia quando qualcosa va storto.
Che cosa fa il robot se un oggetto cade? Se una persona gli blocca la strada? Se non trova lo strumento necessario? Se le istruzioni sono incomplete? Se due obiettivi entrano in conflitto?
Un sistema specializzato di Physical AI può fermarsi, ripetere l’azione o chiedere l’intervento di un operatore umano. La promessa della Physical AGI è la capacità di affrontare l’imprevisto: valutare la situazione, considerare le alternative e trovare una soluzione nuova e sicura.
L’intelligenza non si misura soltanto quando il mondo si comporta come previsto. Si misura soprattutto quando smette di farlo.
È anche per questo che una forma umana può risultare ingannevole. Un robot può camminare, parlare e afferrare oggetti senza possedere un’intelligenza generale.
La forma non dimostra la comprensione. Il linguaggio non dimostra il ragionamento. La fluidità dei movimenti non dimostra la capacità di risolvere un problema nuovo.
Un robot umanoide può rappresentare un importante progresso nella Physical AI senza essere una Physical AGI.
La convergenza è già iniziata
La Physical AGI non esiste ancora, ma le tecnologie che potrebbero condurci in quella direzione stanno convergendo rapidamente.
Cosmos di NVIDIA è progettato per aiutare robot e sistemi autonomi a comprendere e simulare il mondo fisico. Gemini Robotics di Google DeepMind porta il ragionamento multimodale nella robotica, mentre π0 di Physical Intelligence punta a creare una base più generale per i sistemi vision-language-action.
Nessuno di questi sistemi è una Physical AGI. Indicano però una trasformazione concreta: il software che controlla i robot sta passando da modelli progettati per una singola funzione a piattaforme più generali, capaci di percepire, ragionare e generare azioni.
Il cambiamento è significativo. La robotica non avanza più soltanto grazie a hardware migliori, motori più potenti o sensori più precisi. Sempre più spesso, il progresso dipende dall’intelligenza che collega percezione, linguaggio, pianificazione e azione.
Il robot sta diventando un sistema completo, nel quale il corpo e il modello imparano a operare insieme.
Dalla dimostrazione al lavoro quotidiano
Nelle aziende che ho visitato a Shenzhen e nella Greater Bay Area, da UBTECH a EngineAI e LimX, la distanza tra una dimostrazione e un prodotto industriale appare immediatamente evidente.
Non si misura nella spettacolarità del movimento, ma nel numero di ore durante le quali il robot può operare senza interruzioni, nel tasso di errore, nell’autonomia delle batterie, nelle esigenze di manutenzione, nelle prestazioni di sicurezza e nel costo di ogni attività completata.
Un robot che piega una maglietta durante una presentazione non è necessariamente pronto a lavorare otto ore al giorno in una fabbrica. Un umanoide che attraversa un palco non è automaticamente capace di muoversi in sicurezza tra persone, carrelli elevatori e macchinari industriali.
Il passaggio decisivo non è da una macchina immobile a una macchina capace di camminare. È dalla dimostrazione controllata al funzionamento quotidiano e affidabile.
UBTECH offre un esempio utile della rapidità con cui questa transizione sta avanzando. Entro la fine del 2025, il millesimo Walker S2 era uscito dalla linea di produzione, mentre durante l’anno erano state consegnate oltre 500 unità. L’azienda prevede di espandere la capacità produttiva annua a 5.000 robot umanoidi industriali nel 2026 e a 10.000 nel 2027.
Nel gennaio 2026, Airbus ha acquistato il Walker S2 nell’ambito di un accordo iniziale con UBTECH per esplorare l’impiego dei robot umanoidi nella produzione aeronautica. La collaborazione è ancora limitata ai primi test, ma rappresenta un’indicazione iniziale di come potrebbe svilupparsi la dipendenza tecnologica: non attraverso la scomparsa delle capacità industriali europee, ma con il progressivo ingresso di piattaforme robotiche straniere nei sistemi produttivi strategici.
UBTECH ha anche riconosciuto apertamente quanta strada resti ancora da percorrere. L’azienda ha dichiarato che il Walker S2 opera attualmente a circa il 30-50% dell’efficienza umana nei compiti per i quali è più adatto, con l’obiettivo di arrivare a circa l’80% entro il 2027.
Questi numeri mostrano insieme l’ambizione e la distanza ancora da colmare. I robot umanoidi stanno entrando in veri ambienti industriali, ma non eguagliano ancora i lavoratori umani in velocità, flessibilità e affidabilità.
La vera corsa non consiste nel produrre il video più impressionante. Consiste nel costruire macchine capaci di lavorare in modo sicuro, continuo ed economicamente sostenibile in ambienti progettati per le persone e non per i robot.
Il mondo fisico non perdona gli errori
Far agire l’intelligenza artificiale nel mondo reale è molto più difficile che chiederle di generare un testo.
Quando un chatbot produce una frase sbagliata, possiamo chiedergli di correggerla. Quando un robot compie un movimento errato, può rompere un oggetto, fermare una linea produttiva o ferire qualcuno.
Nel mondo fisico contano il peso, la velocità, l’equilibrio, l’attrito e la fragilità. Prendere una bottiglia di plastica non è come maneggiare un bicchiere. Attraversare un magazzino vuoto non è come muoversi in un corridoio affollato.
Una macchina autonoma deve quindi comprendere non soltanto ciò che deve fare, ma anche ciò che non deve fare.
Se le viene ordinato di liberare rapidamente un corridoio, non può trattare una persona come un ostacolo o spostare oggetti fragili senza attenzione. Deve interpretare l’obiettivo insieme al contesto, alle regole e alle possibili conseguenze.
È qui che sicurezza e responsabilità diventano inseparabili dalla tecnologia stessa. L’AI Act europeo disciplina i sistemi di intelligenza artificiale in base al rischio, mentre la nuova direttiva sulla responsabilità da prodotto include software e sistemi di AI nel quadro europeo relativo alla responsabilità per prodotti difettosi.
Il problema non sarà soltanto stabilire se una macchina ha commesso un errore. Sarà anche necessario ricostruire che cosa ha percepito, perché ha scelto una determinata azione e chi aveva il dovere di impedire quella conseguenza.
Una maggiore autonomia dovrà quindi essere accompagnata da limiti umani chiari, da una supervisione efficace e dalla possibilità di ricostruire il modo in cui sono state prese le decisioni più rilevanti.
Costruire il corpo, importare il cervello
La corsa verso la Physical AGI sarà anche una competizione industriale e geopolitica.
Gli Stati Uniti occupano una posizione forte nei modelli avanzati, nel software, nelle infrastrutture cloud e nei semiconduttori. La Cina dispone di un’enorme capacità manifatturiera, di filiere robotiche in rapida espansione e della possibilità di sperimentare su scala industriale.
L’Europa conserva eccellenze mondiali nella meccanica, nell’automazione, nella robotica industriale, nell’automotive e nei macchinari avanzati.
Ma l’Europa corre un rischio evidente: costruire il corpo delle macchine e importare il cervello che le controlla.
Le aziende europee potrebbero continuare a produrre robot, sensori, motori e componenti altamente sofisticati, diventando però dipendenti da modelli, sistemi operativi e piattaforme di apprendimento sviluppati altrove.
Sarebbe una forma di dipendenza più profonda di quella dal cloud o dalle piattaforme social. Entrerebbe direttamente nelle fabbriche, nelle reti di trasporto, nei magazzini, negli ospedali e nelle infrastrutture critiche.
L’Europa non può limitarsi a finanziare la ricerca e a regolamentare tecnologie sviluppate da altri. Ha bisogno di capacità di calcolo, dati industriali, piattaforme robotiche e imprese disposte a sperimentare in ambienti reali.
La sfida europea non è soltanto restare un produttore leader di macchine, ma mantenere il controllo sull’intelligenza che sempre più spesso le guiderà.
