Machenta raccoglie 40 milioni di dollari in un round seed per insegnare nuovi compiti ai robot con una sola dimostrazione

Insegnare a un robot un nuovo compito può richiedere molto più tempo che svolgerlo. Raccogliere dimostrazioni, preparare i dati di addestramento e aggiornare un modello può trasformare una piccola modifica del flusso di lavoro in un progetto ingegneristico di notevole portata. Machenta ha raccolto 40 milioni di dollari in un round seed per accelerare questo processo, sviluppando un modello fondazionale per robot progettato per apprendere un compito fisico da una sola dimostrazione, senza ulteriore addestramento specifico per il compito.

La società londinese ha annunciato il finanziamento il 27 ottobre, con Creandum e Union Square Ventures alla guida congiunta del round. Userà il capitale per ampliare il modello e ingrandire il team nella nuova sede e nel laboratorio di King’s Cross.

Machenta definisce il proprio approccio «apprendimento istantaneo dei robot». L’azienda afferma di aver dimostrato la tecnologia in attività di confezionamento, assemblaggio e riordino, mostrando ai robot una volta cosa fare e facendoli poi adattare alle variazioni. L’ambizione è ampia, ma i risultati vanno considerati dimostrazioni di una tecnologia in fase di sviluppo, non la prova che un robot sia già in grado di svolgere qualsiasi compito possibile.

Imparare un nuovo compito senza avviare un nuovo ciclo di addestramento

La distinzione fondamentale è tra addestrare un modello e insegnare un compito specifico a un modello già addestrato. Machenta continua ad addestrare il proprio modello fondazionale. Ciò che intende eliminare è la necessità di raccogliere un nuovo ampio insieme di dati e avviare un altro ciclo di addestramento ogni volta che il robot si trova davanti a un nuovo compito.

«L’intelligenza non riguarda tanto ciò che si sa già fare, quanto la rapidità con cui si impara a fare qualcosa di nuovo», ha dichiarato nell’annuncio il professor Edward Johns, cofondatore e CEO di Machenta.

Il flusso di lavoro proposto è volutamente semplice: mostrare il comportamento desiderato, lasciare che il robot lo osservi e poi fargli eseguire il compito. In pratica, la dimostrazione diventerebbe parte delle istruzioni impartite a un modello esistente, anziché l’avvio di un progetto distinto di sviluppo del modello.

Questo approccio è particolarmente rilevante quando il compito rimane sostanzialmente lo stesso, ma cambiano gli oggetti o la loro disposizione. Un robot capace soltanto di ripetere una sequenza fissa richiede che l’ambiente si conformi al suo programma. Un sistema di apprendimento efficace deve capire quale risultato la dimostrazione gli chiede di ottenere e adeguare le proprie azioni alla situazione che ha davanti.

La simulazione serve ad addestrare la capacità di apprendere

La strategia di addestramento di Machenta trasferisce gran parte del lavoro di generazione dei dati nella simulazione. Secondo il comunicato, l’obiettivo non è elencare ogni compito che il robot potrebbe trovarsi ad affrontare in futuro. Si tratta invece di esporre il modello a scenari sufficientemente vari da sviluppare una capacità riutilizzabile di apprendere da un nuovo esempio.

Questo cambia il modo in cui l’azienda si aspetta di poter ampliare il sistema. Molti progetti di apprendimento robotico dipendono in larga misura dalla raccolta di dimostrazioni fisiche tramite teleoperazione o registrazioni delle attività umane. Machenta punta sul fatto che l’esperienza simulata possa fornire la varietà necessaria per apprendere nuovi compiti, mentre una dimostrazione reale offre le istruzioni al momento dell’impiego.

La sua presentazione tecnica definisce il sistema un modello visione-dimostrazione-azione, o VDA. Il modello riceve in ingresso una dimostrazione e osservazioni continue delle telecamere, e prevede le azioni in un ciclo chiuso. L’azienda afferma che il preaddestramento avviene esclusivamente in simulazione; l’esempio dimostrativo e le osservazioni in tempo reale sono invece dati del mondo reale forniti durante l’inferenza.

La distinzione è importante: un preaddestramento svolto solo in simulazione non significa che il robot, una volta operativo, funzioni senza informazioni sul mondo reale. Deve comunque interpretare la dimostrazione, osservare l’ambiente e scegliere le azioni man mano che le condizioni cambiano.

La ricerca alla base dell’apprendimento robotico in contesto

L’azienda si basa sul lavoro svolto da Johns e dal cofondatore e CTO Vitalis Vosylius all’Imperial College London. Johns è professore di apprendimento robotico all’Imperial e i due hanno sviluppato metodi precedenti per apprendere comportamenti fisici da un numero limitato di esempi.

La loro ricerca su Instant Policy, pubblicata a ICLR 2025, descrive l’apprendimento per imitazione in contesto a partire da una o due dimostrazioni, senza ulteriore addestramento. Rappresenta dimostrazioni, osservazioni e azioni tramite un grafo e utilizza un processo di diffusione appreso per generare la struttura del grafo necessaria a prevedere le azioni.

L’articolo descrive anche l’addestramento con pseudo-dimostrazioni: traiettorie generate in simulazione che forniscono un ampio insieme di esempi. Gli esperimenti riguardano compiti simulati e reali, e includono ulteriori studi sul trasferimento tra diverse configurazioni corporee dei robot e su istruzioni formulate in linguaggio naturale.

Questa ricerca aiuta a comprendere le basi scientifiche, ma non dimostra che il modello commerciale attuale di Machenta abbia esattamente la stessa architettura. La startup descrive il nuovo sistema come un modello fondazionale sviluppato a partire da questo filone di ricerca.

L’apprendimento in contesto è noto nel campo dei modelli linguistici, nei quali gli esempi inseriti in un prompt possono influenzare la risposta senza aggiornare i pesi del modello. Applicare questa idea alla robotica è più impegnativo, perché il risultato deve tradursi in una sequenza di azioni fisiche soggette ai vincoli del mondo reale, non semplicemente in una risposta plausibile.

Cosa dimostrano gli esempi — e cosa resta da verificare

Nel suo post tecnico, Machenta riferisce di prove della durata di un’ora su tre compiti semplici con ripristino automatico: 74 posizionamenti di blocchi riusciti su 74 tentativi, 78 passaggi di cacciavite su 78 e 97 tentativi riusciti di mettere una bottiglia in piedi su 99. L’azienda attribuisce i due insuccessi con la bottiglia al rischio di collisione e a vincoli cinematici.

Sono utili verifiche preliminari dell’affidabilità, ma non costituiscono un ampio banco di prova industriale. Il post presenta inoltre come direzioni ancora preliminari l’apprendimento direttamente dalle mani umane e il funzionamento con mani umanoidi. Non dimostra che il sistema sia in grado di svolgere qualsiasi compito né che garantisca prestazioni affidabili in ogni ambiente di lavoro.

Per un potenziale utente, tra una dimostrazione convincente e un sistema pronto per l’impiego rientrano la ripetibilità, il recupero dagli insuccessi, un comportamento sicuro in presenza di persone e i limiti pratici dell’hardware del robot. Imparare rapidamente un’istruzione non può permettere a una pinza di afferrare un oggetto che non è fisicamente in grado di prendere.

L’opportunità commerciale è tuttavia evidente. Se i tempi di insegnamento si riducono in misura significativa, diventa più facile prendere in considerazione l’impiego di robot per attività che cambiano troppo spesso perché siano giustificati lunghi interventi di programmazione e integrazione. Questo potrebbe avere effetti sia sull’impiego in fabbrica sia sulle applicazioni su scala ridotta, dove è difficile ottenere supporto specialistico in robotica.

Un round seed per ampliare il modello e il team

Machenta si inserisce in una più ampia ondata di investimenti nell’intelligenza adattiva per i robot. Il resoconto di Unite.AI sul finanziamento di Dream Labs per un’IA applicabile a diversi robot illustra un altro tentativo di rendere le capacità apprese utili su macchine diverse. Machenta punta soprattutto sulla rapidità con cui una nuova istruzione impartita fisicamente può tradursi in un comportamento utilizzabile.

Kathi Wilhelm, socia di Creandum, ha sottolineato gli anni di ricerca del team prima della fondazione dell’azienda. Rebecca Kaden, managing partner di Union Square Ventures, ha evidenziato il valore di robot capaci di apprendere rapidamente un nuovo compito, senza richiedere un percorso di addestramento distinto per ogni attività.

Per Machenta, la fase successiva consiste nel trasformare le basi di ricerca in capacità più ampie e affidabili. I 40 milioni di dollari forniscono all’azienda le risorse per ampliare il modello e assumere personale per svilupparlo, mentre il suo team fondatore porta nell’impresa sei anni di lavoro sull’apprendimento robotico one-shot.

La questione centrale è fino a che punto questo apprendimento possa essere esteso man mano che i compiti diventano più vari e impegnativi. Se l’approccio si dimostrerà valido, il cambiamento più importante sarà concreto: le persone potranno dedicare meno tempo a costruire una pipeline di addestramento e più tempo a mostrare al robot il lavoro che hanno davvero bisogno di far svolgere.