Daimon-Infinity: perché i robot ora hanno fame di tatto

Per anni abbiamo chiesto ai robot di vedere meglio. Più camere, più modelli vision-language, più riconoscimento oggetti. Poi arriva una notizia come Daimon-Infinity e ci ricorda una cosa elementare: per prendere un oggetto non basta guardarlo. Bisogna sentirlo.

DAIMON Robotics, società di Hong Kong, ha presentato un dataset omni-modale per physical AI basato su sensing tattile ad alta risoluzione. IEEE Spectrum riporta che l'iniziativa copre attività che vanno dalla lavanderia domestica all'assemblaggio in fabbrica, coinvolge partner come Google DeepMind, Northwestern University e National University of Singapore, e include anche 10.000 ore di dati open source.

È una storia che sembra da laboratorio, ma parla direttamente anche alla manifattura. Se vogliamo mani robotiche più affidabili, non servono solo video di robot che afferrano cubi. Servono dati su contatto, deformazione, attrito, scivolamento e forza. Cioè tutto quello che succede quando il pezzo smette di essere un'immagine e diventa materia.

In sintesi: Daimon-Infinity sposta il tema dal "robot che vede" al "robot che sente". Per chi valuta assemblaggio robotico, presa di oggetti delicati o futuri robot umanoidi come Unitree G1, il punto non è poetico: meno scivolamenti, meno rotture, più capacità di lavorare con oggetti imperfetti.

Il tatto è il dato che manca alla physical AI

I modelli linguistici hanno avuto una fortuna enorme: il web era già pieno di testo. I modelli visivi hanno potuto crescere su miliardi di immagini. La robotica invece ha un problema più duro. I dati fisici costano, sono lenti da raccogliere e spesso non si trasferiscono bene da un robot all'altro.

DAIMON prova ad attaccare proprio quel collo di bottiglia. La società parla di sensori vision-based tattili, capaci di catturare informazioni ad alta risoluzione dal contatto tra fingertip e oggetto. Spectrum cita un modulo con oltre 110.000 sensing units in formato fingertip-size. Non è un dettaglio da scheda tecnica: se un robot deve capire se un pezzo sta scivolando, se una superficie è ruvida, se una presa sta deformando un componente fragile, la risoluzione del contatto diventa operativa.

Il salto concettuale è l'architettura VTLA, Vision-Tactile-Language-Action. In pratica: non solo visione, linguaggio e azione, ma anche tatto come canale nativo del modello. È una sigla, certo. Ma dietro la sigla c'è una domanda semplice: come facciamo a far imparare ai robot ciò che gli umani sentono senza pensarci?

Perché questa notizia è più grande di una mano robotica

Il rischio è leggere Daimon-Infinity come una notizia su un componente. In realtà è una notizia sull'infrastruttura dei dati robotici.

DAIMON dichiara una rete distribuita di raccolta dati fuori dal laboratorio, pensata per generare milioni di ore all'anno. Questo dettaglio conta perché la robotica non può restare prigioniera di dataset puliti, centrati e ripetibili. In fabbrica il pezzo arriva storto, il contenitore è mezzo vuoto, la luce cambia, l'operatore appoggia qualcosa nel posto sbagliato. A casa, in hotel o in un negozio gli oggetti sono ancora meno ordinati.

Se il dataset include contatto e manipolazione reale, l'AI può imparare segnali che una camera esterna non vede: micro-scivolamenti, presa instabile, rigidità del materiale, forza eccessiva. È qui che il tatto diventa meno romantico e più industriale.

Per un integratore, questo significa immaginare una prossima generazione di gripper e mani robotiche meno cieche nelle fasi finali del task. Per un cliente, significa domandarsi se un'applicazione oggi scartata perché "troppo delicata" potrà diventare affrontabile quando il robot non dipenderà solo dalla visione.

La fabbrica ha già un elenco di casi difficili

Pensiamo a un assemblaggio con clip plastiche sottili, a una guarnizione da inserire senza pizzicarla, a un componente verniciato che non deve graffiarsi, a un pezzo metallico che sembra identico in camera ma cambia leggermente per bave o lubrificante. Sono casi in cui la visione vede la scena, ma non sente la relazione tra utensile e oggetto.

Il tatto può aiutare in almeno tre modi.

• Presa più sicura: il robot riconosce se l'oggetto sta scivolando prima che cada.
• Forza più controllata: la mano non schiaccia materiali fragili o deformabili.
• Adattamento in tempo reale: il sistema corregge la traiettoria quando il contatto reale non corrisponde al modello previsto.

Questo non vuol dire che domani ogni PMI installerà mani antropomorfe. Vuol dire che la sensoristica tattile può entrare prima in task ad alto valore: assemblaggi delicati, controllo qualità, manipolazione di oggetti variabili, robot di servizio che devono lavorare vicino alle persone.

La parte da non romanticizzare

C'è un punto da tenere fermo: un dataset grande non garantisce da solo robot affidabili. La qualità dei dati, la trasferibilità tra hardware diversi, la latenza del controllo e la robustezza dei sensori contano almeno quanto il numero di ore raccolte.

C'è anche il tema del costo. Un sensore tattile sofisticato ha senso se risolve un problema più costoso del sensore stesso: scarti, rilavorazioni, fermate, operatori difficili da trovare, qualità non ripetibile. Se lo mettiamo su un task semplice solo perché è elegante, abbiamo perso il punto.

La domanda giusta quindi non è "quando i robot avranno il tatto umano?". La domanda utile è: quali task oggi falliscono perché il robot non sa cosa succede al punto di contatto?

Per Bubbles, questa lettura è importante quando parliamo di robotica per assemblaggio, di cobot con utensili sensorizzati o di futuri pilot umanoidi in cui il valore non sta nella camminata, ma nella manipolazione. Vedere è necessario. Sentire, in certi casi, è ciò che fa la differenza tra demo e lavoro. Prima della scelta hardware, resta utile anche il tema dell'AI per progettare automazione industriale: se il task è fragile, variabile o ad alto mix, il requisito va descritto meglio prima di portarlo in cella.

Daimon-Infinity merita attenzione proprio per questo: non promette solo una mano più bella da guardare. Mette dati fisici sul tavolo. E nella robotica del 2026, i dati che nascono dal contatto potrebbero valere più di molte demo perfette al primo tentativo. Se vuoi capire se un'applicazione di manipolazione delicata può diventare un pilot realistico, partiamo dal pezzo reale e non dal video più spettacolare.

Fonti

• IEEE Spectrum, DAIMON Robotics Wants to Give Robot Hands a Sense of Touch — https://spectrum.ieee.org/daimon-robotics-physical-ai
• DAIMON Robotics, Daimon-Infinity dataset — https://modelscope.cn/datasets/daimonrobotics/Daimon-Infinity
• IFR, AI in Robotics - New Position Paper — https://ifr.org/ifr-press-releases/news/ai-in-robotics-new-position-paper