Ricorderemo la settimana dal 10 al 16 marzo 2026 come quella degli umanoidi: una sala di addestramento gigantesca a Monaco, un keynote NVIDIA al GTC, un piano quinquennale cinese, un robot-marionetta sul palco, una proiezione di tre miliardi di macchine nel 2060. Sei annunci, sei protagonisti, e la tentazione di schierarli in campi contrapposti — l'Europa contro la Cina, l'open source contro il proprietario. È perdere di vista l'unica frase che li collega, ed è NEURA Robotics ad averla scritta nero su bianco: il principale collo di bottiglia della robotica non è più l'hardware, è l'acquisizione di grandi quantità di dati di apprendimento fisico reali.

Una volta posata questa frase, la settimana cessa di essere una giustapposizione. Diventa una battaglia — a tre risposte incompatibili — attorno a un'unica domanda: da dove vengono i dati che addestrano i robot? Raccoglierli a mano, sintetizzarli tramite calcolo, oppure decretarli per via statale. Nessuno ha vinto. Ci si è battuti per stabilire chi possiede la fabbrica.

Risposta n°1: raccoglierli a mano

Il 10 marzo, NEURA Robotics e il MIRMI della Technische Universität München annunciano congiuntamente il TUM RoboGym. La presentazione è senza giri di parole: il più grande centro scientifico d'Europa dedicato all'addestramento di Physical AI al momento del suo annuncio. Ma il dispositivo interno dice più dei superlativi di cosa si tratta. I dati di apprendimento vi vengono catturati da formatori umani che indossano guanti MANUS e un sistema di cattura del movimento corporeo Xsens, poi iniettati nella piattaforma Neuraverse.

È l'ammissione letterale del collo di bottiglia: si pagano esseri umani per fabbricare a mano la materia prima che manca. Neuraverse è del resto concepito come un sistema hardware-agnostico di raccolta e distribuzione, destinato ad aprirsi ai partner industriali e alle startup, e la maggior parte dei dati generati al RoboGym sarà condivisa in open source con la comunità robotica. Il gesto umano, catturato e ridistribuito, come risorsa. I dati non sono un sottoprodotto dell'addestramento: sono il prodotto, e serve un capannone da 17 milioni di euro per produrli.

Risposta n°2: sintetizzarli tramite calcolo

Al GTC 2026, il 16 marzo, NVIDIA compie l'operazione esattamente inversa — e se ne assume la responsabilità. Jensen Huang presenta in anteprima GR00T N2, modello di fondazione robotico nato dalla ricerca interna DreamZero, dotato di un'architettura « world action model », la cui disponibilità generale è annunciata per la fine del 2026. Secondo NVIDIA, i robot che lo eseguono riescono in compiti nuovi in ambienti sconosciuti più di due volte più spesso rispetto ai modelli visione-linguaggio-azione concorrenti.

Attorno al modello, un'intera catena di sintesi: il Physical AI Data Factory Blueprint, architettura di riferimento aperta per generare dati di addestramento su larga scala, costruita sul modello di mondo Cosmos e sull'orchestratore OSMO; Isaac Lab 3.0 in accesso anticipato, motore di apprendimento per rinforzo basato sul motore fisico Newton 1.0 e ottimizzato per le infrastrutture DGX. The Decoder riassume la manovra senza riguardi: NVIDIA vuole « trasformare il problema dei dati della robotica in un problema di calcolo ».

La dimostrazione che condensa tutto è Olaf. Per addestrare questo robot, 100 000 istanze virtuali sono state simulate simultaneamente in due giorni su un'unica GPU NVIDIA RTX 4090, tramite il simulatore Kamino — strumento proprietario di Disney Research, costruito sul solver Newton e accelerato da scheda grafica. Lì sta il dato duro, riesumato sotto il folklore dei tre miliardi di umanoidi: non un orizzonte al 2060, ma 100 000 istanze in due giorni su una scheda di largo consumo. Il giorno in cui addestrare un robot smette di essere un problema di braccia e di guanti per diventare un problema di schede grafiche, il centro di gravità dell'industria lascia l'officina per il datacenter. E la conseguenza è limpida: se i dati diventano calcolo, chi vende il calcolo possiede i dati per definizione.

Risposta n°3: decretarli

Il 12 marzo, l'Assemblea nazionale del popolo adotta formalmente il 15° Piano quinquennale cinese (2026-2030). Per la prima volta, l'intelligenza artificiale incarnata vi è classificata come categoria industriale strategica autonoma, allo stesso livello del quantistico, delle interfacce cervello-macchina e del 6G; i robot umanoidi figurano tra le otto industrie strategiche nazionali designate, un'elevazione di status rispetto al 14° piano.

Il dettaglio che conta qui non è l'ambizione generale, ma l'elenco. Il piano enumera cinque assi per l'IA incarnata, e due di essi nominano precisamente i dati come infrastruttura di Stato: il coordinamento dei terreni di addestramento e la fusione virtuale-reale per l'addestramento collaborativo — ossia le prime due risposte, raccolta e sintesi, pianificate dall'alto. Il tutto sostenuto da un fondo di capitale di rischio statale di 1 000 miliardi di yuan (circa 138 miliardi di dollari) dedicato all'IA, alla robotica e alle tecnologie emergenti.

E perché i dati esistano, servono corpi che li producano. A marzo, UBTech Robotics firma un accordo di cooperazione strategica con Siemens Digital Industries Software per portare la produzione del Walker S2 a 10 000 unità all'anno, integrando i software Siemens di progettazione, simulazione e pianificazione in tutto il ciclo di fabbricazione. Fabbricare in massa le macchine che, una volta dispiegate, genereranno a loro volta i dati: il cerchio si chiude su scala statale.

La « biforcazione geopolitica » non regge

La narrazione facile della settimana era quella di una frattura: un contrappeso europeo — il RoboGym si posiziona del resto esplicitamente di fronte ai quaranta centri di raccolta cinesi e alle iniziative americane — contro blocchi rivali. Il grafo della settimana smonta questa narrazione.

L'unica autonomia reale dimostrata, senza teleoperatore, è al GTC: RealSense e LimX Dynamics realizzano la prima dimostrazione mondiale di navigazione autonoma 3D per umanoide, combinando telecamere di profondità RealSense e cuVSLAM di NVIDIA, con il robot che si muove in spazi condivisi con esseri umani senza il minimo intervento di un operatore. Ora, questo robot è cinese — LimX ha sede a Shenzhen — ed è stato addestrato tramite apprendimento per rinforzo in NVIDIA Isaac Lab per ridurre il divario sim-to-real.

Nella stessa settimana, NEURA (Europa), Figure AI (Stati Uniti), Agility Robotics (Stati Uniti) e AgiBot (Cina) annunciano tutti l'adozione dei modelli Isaac GR00T N — mentre NVIDIA affida il motore Newton alla Linux Foundation e lo pubblica in open source sotto licenza Apache 2.0, co-sviluppato con Disney Research e Google DeepMind. Gli « schieramenti » si contendono forse i dati per via geografica. Ma li addestrano tutti sullo stesso simulatore, con lo stesso modello di fondazione, sullo stesso motore fisico. La frattura è nella raccolta, non nello strumento: a livello dello stack, non ci sono due blocchi, c'è un fornitore.

Un piano più in basso

Questo filo scende lo stack strato dopo strato, settimana dopo settimana. A dicembre, la demo era il prodotto; al CES di gennaio, la teleoperazione diventava un business di dati; a febbraio, il corpo si rivelava consumabile, il valore si annidava nel cervello; il 9 marzo, la domanda era: chi possiede il cervello? Questa settimana scende di un gradino ancora, sotto il cervello: chi possiede la fabbrica di dati che lo alimenta? L'oggetto è nuovo — i dati di addestramento e il loro modo di produzione — ed è attestato nella stessa settimana da un centro fisico (il RoboGym), uno stack di sintesi (la Data Factory e Olaf) e un piano di Stato (il 15° Piano).

Allora non chiedete quale robot ha funzionato meglio questa settimana. Chiedete da dove vengono i suoi dati di addestramento. Le tre risposte — raccoglierli a mano, simularli, decretarli — disegnano la vera mappa delle forze. E mentre le tre si affannano, NVIDIA lavora affinché non resti che una sola domanda da porre: quante GPU?