Figure AI blinda 3,5 miliardi di dollari di potenza di calcolo prima di avere un prodotto da vendere

A IROS 2026 a Pittsburgh, svoltosi dal 27 settembre al 2 ottobre, un annuncio si è distinto dalla solita serie di demo di ricerca. Figure AI ha dichiarato di aver firmato una partnership pluriennale con il provider cloud AI Nscale, impegnando inizialmente 3,5 miliardi di dollari in potenza di calcolo, con piani per superare i 6 miliardi e distribuire fino a 100.000 GPU Nvidia a partire dalla seconda metà del 2027.

La costruzione è prevista a Barstow, in Texas. L'addestramento avverrà sulla piattaforma Vera Rubin di Nvidia, la validazione in Isaac Sim, e le stesse GPU alla fine funzioneranno all'interno dei robot stessi.

Una scommessa fatta prima della prova

Le aziende di robot umanoidi hanno raccolto molto denaro e la maggior parte lo ha speso in hardware e progetti pilota. Impegnare così tanto in potenza di calcolo prima che un robot svolga lavoro retribuito in grandi numeri è un tipo diverso di scommessa. Significa che l'azienda crede che il vincolo decisivo per gli umanoidi sarà la potenza di calcolo per l'addestramento e la qualità dei modelli, non le parti meccaniche.

Questa convinzione è verificabile, e le prove finora sono contrastanti. Il programma umanoide più seguito al mondo, l'Optimus di Tesla, ha aumentato la produzione nella sua linea di Fremont a diverse centinaia di unità a settimana a fine settembre, circa dieci volte il tasso del secondo trimestre, e si dice che ai fornitori siano stati richiesti pezzi per circa 15.000 unità nel corso del 2026. Il blocco segnalato non è il numero di gusci a settimana. Sono le mani e l'incapacità dell'IA di generalizzare tra i compiti. Una fabbrica che può costruire il corpo non ha risolto il problema di rendere il corpo utile.

L'impegno di Figure sulla potenza di calcolo è, in effetti, una scommessa sul fatto che gettare molta più capacità di addestramento su quel problema di generalizzazione sia la mossa giusta. Se è vero, l'azienda che si assicura per prima la potenza di calcolo ha un vantaggio. Se non lo è, il denaro compra un grosso conto e molte GPU inattive.

Perché il numero di 100.000 GPU è la notizia

Distribuire GPU all'interno dei robot è la parte che vale la pena osservare. La potenza di calcolo per l'addestramento è una quantità nota. La potenza di calcolo a bordo che esegue un modello di grandi dimensioni in tempo reale, entro un budget di potenza e termico che una macchina in movimento può sopportare, è un obiettivo ingegneristico più difficile. Se Figure prevede di mettere GPU Nvidia nei robot su larga scala, sta segnalando che i modelli che vuole eseguire sono abbastanza grandi che gli acceleratori edge non basteranno.

Ciò ha conseguenze ben oltre Figure. Stabilisce un requisito su potenza, raffreddamento e costo per unità che cambia quanto vale un umanoide per un acquirente. Un robot che necessita di una GPU seria per funzionare è un prodotto diverso da uno che esegue un modello piccolo su un chip di classe smartphone.

Dove si trova il resto del settore

Il salone IROS ha offerto un utile insieme di confronti. Agility Robotics ha presentato Digit 5, la prossima versione del suo robot bipede, e ha citato più di 65.000 ore operative per Digit 4 presso siti di clienti nordamericani tra cui Amazon, GXO, Schaeffler e Toyota Motor Manufacturing Canada. Agility ha anche annunciato una partnership con FORT Robotics finalizzata alla sicurezza funzionale per gli umanoidi. Queste due cose, ore di servizio e un caso di sicurezza, sono ciò che un acquirente di fabbrica chiede prima di firmare.

Sanctuary AI ha riportato un tasso di successo superiore al 99,5% con un tempo di ciclo di 2,54 secondi su un compito di inserimento di fili, convalidato rispetto ai benchmark in tempo reale di un fornitore automobilistico di primo livello. Questo è un compito ristretto, e i compiti ristretti sono esattamente dove la tecnologia è pronta. Unitree ha annunciato H2 Plus come piattaforma di riferimento Isaac GR00T per il mondo accademico, estendendo una rapida cadenza di rilascio. Astribot ha approfittato della conferenza per presentare in anteprima il suo umanoide T1 in Nord America a circa 18.000 dollari, posizionato come piattaforma di ricerca piuttosto che come lavoratore.

Letto nel suo insieme, il settore si sta dividendo. Alcune aziende corrono per dimostrare capacità generale e spendono molto in potenza di calcolo. Altre spediscono compiti ristretti e misurabili e costruiscono i record di sicurezza e servizio che i clienti pagano effettivamente.

Cosa ha segnalato la conferenza nel suo complesso

IROS è un raduno di ricerca, e le sessioni tecniche hanno riflettuto dove si concentra l'attenzione. I workshop si sono concentrati sulla loco-manipolazione agile, sulla valutazione delle politiche per i controller visione-linguaggio-azione nel mondo reale e sul trasferimento dell'addestramento simulato su macchine bipedi fisiche. Quest'ultimo argomento è quello che decide se la potenza di calcolo spesa nella simulazione si trasforma in comportamento su un pavimento di fabbrica.

La città ospitante era Pittsburgh, che ha messo in mostra la forza del team di robotica della Carnegie Mellon. Per un settore che ha passato anni a produrre video impressionanti di robot che fanno parkour, lo spostamento dell'enfasi verso la manipolazione ricca di contatti e la valutazione nel mondo reale è un cambiamento di direzione significativo. È più facile filmare un robot che salta che certificarne uno che raccoglie in sicurezza un oggetto sconosciuto.

L'argomento della potenza di calcolo, detto chiaramente

La scommessa di Figure si basa su un'affermazione specifica: che il divario tra umanoidi che fanno belle dimostrazioni e umanoidi che funzionano è principalmente un problema di modellazione, e i problemi di modellazione si risolvono con dati e potenza di calcolo. Questa affermazione non è folle. Gli ultimi anni hanno dimostrato che aumentare l'addestramento su dati più grandi e vari continua a migliorare la generalizzazione in altri domini, e non c'è una forte ragione per pensare che la manipolazione sia esente.

La controargomentazione è che la robotica ha un problema di dati che i modelli linguistici non avevano. Il testo è abbondante sul web. I dati di manipolazione di alta qualità, del tipo che insegna a una mano ad afferrare un nuovo oggetto in una nuova posizione, sono costosi da raccogliere e difficili da simulare accuratamente. Più potenza di calcolo aiuta se la pipeline di dati c'è. Se non c'è, un grande cluster di addestramento per lo più resta fermo.

Cosa dovrebbero trarne gli acquirenti

Due metriche contano più del numero di robot. La prima è l'affidabilità della manipolazione, ovvero se una mano può eseguire prese varie senza fallire. La seconda è la generalizzazione, ovvero se un comportamento addestrato su un insieme di oggetti si trasferisce a oggetti nuovi, con nuove luci, in un nuovo layout. Un dato di produzione settimanale non dice nulla su nessuna delle due.

Gli impegni sulla potenza di calcolo come quello di Figure sono mirati direttamente alla seconda metrica. Se funzioni è una questione aperta, e la risposta non arriverà da un comunicato stampa. Arriverà dal fatto che un robot addestrato con la capacità di Barstow riesca a raccogliere un oggetto che non ha mai visto e a posarlo correttamente, su una linea, senza un supervisore che guarda.

Il costo dell'essere in anticipo

C'è anche un rischio finanziario diretto. Gli accordi sulla potenza di calcolo sono obblighi pluriennali, e le generazioni di GPU si muovono velocemente. Un impegno dimensionato per gli addestramenti di oggi può sembrare sovradimensionato o sottodimensionato in diciotto mesi, a seconda di come si muove il settore. Figure ha scommesso che avrà bisogno di più, non di meno.

La scommessa è difendibile. La frontiera della robotica si sta muovendo verso modelli più grandi, e i modelli più grandi hanno bisogno di più potenza di calcolo. La questione è la tempistica. Se la generalizzazione arriva nei tempi che Figure lascia intendere, l'impegno anticipato sembra lungimirante. Se ci vuole più tempo, l'azienda si sobbarca un grande costo fisso mentre aspetta che il problema venga risolto.