Machenta raccoglie 40 milioni di dollari in un round seed per insegnare ai robot nuovi compiti 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 al flusso di lavoro in un progetto ingegneristico impegnativo. Machenta ha raccolto 40 milioni di dollari in un round seed per abbreviare questo processo, sviluppando un modello fondazionale per robot progettato per apprendere un compito fisico da una sola dimostrazione, senza ulteriore addestramento specifico per quel 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 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 imballaggio, assemblaggio e riordino, mostrando ai robot una sola volta cosa fare e consentendo loro di adattarsi alle variazioni. L’ambizione è ampia, ma le prove vanno considerate 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 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. L’obiettivo è eliminare la necessità di raccogliere un nuovo ampio insieme di dati e avviare un altro ciclo di addestramento ogni volta che il robot incontra un nuovo compito.

«L’intelligenza non riguarda tanto ciò che si è già in grado di 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: si mostra il comportamento desiderato, si lascia che il robot lo osservi e poi gli si fa eseguire il compito. In pratica, la dimostrazione diventerebbe parte delle istruzioni fornite a un modello esistente, anziché l’avvio di un progetto separato 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 ha bisogno che l’ambiente si conformi al suo programma. Un sistema di apprendimento efficace deve capire quale risultato la dimostrazione gli chiede di ottenere e adattare le proprie azioni alla situazione che si trova davanti.

La simulazione serve ad addestrare la capacità di apprendere

La strategia di addestramento di Machenta trasferisce in larga misura alla simulazione l’onere di generare i dati. 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 un numero sufficiente di scenari diversi, affinché sviluppi una capacità riutilizzabile di apprendere da un nuovo esempio.

Questo cambia il modo in cui l’azienda prevede di crescere. Molte iniziative di apprendimento robotico dipendono fortemente 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 fornisce le istruzioni al momento dell’esecuzione.

La sua introduzione tecnica definisce il sistema un modello visione-dimostrazione-azione, o VDA. Il modello riceve in ingresso una dimostrazione e le osservazioni continue delle telecamere e prevede le azioni in un ciclo chiuso. L’azienda afferma che il preaddestramento si basa esclusivamente sulla simulazione; l’esempio dimostrativo e le osservazioni in tempo reale sono invece dati reali forniti al momento dell’inferenza.

La distinzione è importante: un preaddestramento basato soltanto sulla simulazione non significa che il robot, una volta in funzione, operi 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 sviluppa il lavoro svolto da Johns e dal cofondatore e CTO Vitalis Vosylius all’Imperial College London. Johns è professore di apprendimento robotico all’Imperial e, insieme a Vosylius, ha sviluppato metodi precedenti per apprendere comportamenti fisici da un numero ridotto di esempi.

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

Il documento descrive anche l’addestramento con pseudodimostrazioni: traiettorie generate in simulazione che forniscono un ampio insieme di esempi. Gli esperimenti riguardano compiti simulati e reali, con ulteriori studi sul trasferimento tra diverse configurazioni robotiche e su istruzioni formulate in linguaggio naturale.

Questa ricerca aiuta a comprendere le basi scientifiche del progetto, ma non dimostra che l’attuale modello commerciale di Machenta abbia esattamente la stessa architettura. La startup descrive il sistema più recente come un modello fondazionale sviluppato a partire da questa linea di ricerca.

L’apprendimento in contesto è noto nei modelli linguistici, nei quali gli esempi inseriti in un prompt possono influenzare la risposta senza aggiornare i pesi del modello. Applicare la stessa 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 esperimenti e cosa resta da verificare

Nel suo articolo tecnico, Machenta riferisce di prove della durata di un’ora su tre semplici attività con ripristino automatico: 74 posizionamenti riusciti di blocchi su 74 tentativi, 78 passaggi di cacciavite su 78 e 97 tentativi riusciti di mettere bottiglie in posizione verticale su 99. L’azienda attribuisce i due insuccessi con le bottiglie al rischio di collisione e ai vincoli cinematici.

Sono utili verifiche preliminari di affidabilità, ma non costituiscono un ampio benchmark industriale. L’articolo presenta inoltre l’apprendimento diretto dalle mani umane e l’operatività con mani umanoidi come direzioni ancora preliminari. Non dimostra che il sistema sia in grado di svolgere qualsiasi attività né che offra prestazioni affidabili in ogni ambiente di lavoro.

Per un potenziale utente, tra una dimostrazione convincente e un sistema pronto per l’impiego ci sono la ripetibilità, la capacità di riprendersi da un errore, un comportamento sicuro in presenza di persone e i limiti pratici dell’hardware del robot. Imparare rapidamente un’istruzione non permette a una pinza di afferrare un oggetto che non è fisicamente in grado di afferrare.

L’opportunità commerciale è comunque evidente. Se i tempi di insegnamento si riducono sensibilmente, diventa più facile valutare l’impiego dei robot per attività che cambiano troppo spesso per giustificare lunghi interventi di programmazione e integrazione. Ciò potrebbe incidere sia sull’impiego in fabbrica sia sulle applicazioni su scala ridotta, dove è difficile trovare supporto specializzato in robotica.

Un round seed per ampliare il modello e il team

Machenta si inserisce in una più ampia ondata di investimenti nell’intelligenza robotica adattabile. La copertura di Unite.AI sul finanziamento di Dream Labs per un’IA applicabile a robot diversi illustra un altro tentativo di rendere utili le capacità apprese su macchine differenti. Machenta punta invece a rendere utilizzabile un nuovo comando fisico nel minor tempo possibile.

Kathi Wilhelm, partner di Creandum, ha sottolineato gli anni di ricerca del team precedenti alla fondazione dell’azienda. Rebecca Kaden, managing partner di Union Square Ventures, ha evidenziato il valore di robot capaci di apprendere rapidamente una nuova attività, senza richiedere un percorso di addestramento separato per ogni lavoro.

Per Machenta, la fase successiva consiste nel trasformare queste basi di ricerca in capacità più ampie e affidabili. I 40 milioni di dollari mettono a disposizione dell’azienda le risorse per ampliare il modello e costruirvi attorno un team, 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 comportamento di apprendimento possa estendersi man mano che le attività diventano più varie e impegnative. Se l’approccio si dimostrerà valido, il cambiamento importante sarà pratico: le persone potrebbero dedicare meno tempo a costruire una pipeline di addestramento e più tempo a mostrare al robot il lavoro che devono effettivamente svolgere.