Non si limita a copiare gli umani. Il modello di guida autonoma presentato dal gruppo del professor Jun Won Choi alla CVPR 2025 fa qualcosa di più radicale: prima di sterzare, accelerare o frenare, stila una classifica di sicurezza di tutte le traiettorie possibili. Solo dopo sceglie quella che massimizza un punteggio di incolumità — e lo fa a bordo del veicolo, senza interpellare il cloud.

La differenza con l’approccio dominante (behavioral cloning) è netta. I sistemi più diffusi addestrano reti neurali a imitare la guida umana partendo da enormi dataset di sensori e comandi. Funzionano finché la situazione è familiare; quando invece serve una decisione in un contesto mai visto, faticano a spiegare perché hanno preferito una traiettoria a un’altra. In uno scenario di pericolo reale, questa opacità diventa un problema legale e tecnico.

Il modello coreano rovescia la prospettiva: trasforma il problema in uno di valutazione esaustiva. Per ogni istante di guida, l’algoritmo genera un insieme di percorsi candidati e assegna a ciascuno un punteggio di sicurezza, basato sulla probabilità di collisione, sul rispetto della segnaletica e sulla prevedibilità per gli altri utenti della strada. È una sorta di “giudice universale” che precede l’azione, un concetto che ricorda le ricerche formali nei giochi a informazione perfetta, ma applicato alla guida reale, dove l’incertezza è strutturale.

L’impatto hardware: inference locale senza compromessi

Un simile carico computazionale non è neutro. Valutare in tempo reale centinaia o migliaia di traiettorie prima di ogni decisione richiede una potenza di calcolo notevole, e la latenza non può essere delegata a un data center remoto. L’inference deve avvenire on-vehicle, su GPU o acceleratori dedicati, con un footprint energetico compatibile con l’alimentazione di bordo. Questo schiaccia l’ago della bilancia verso architetture ottimizzate per il throughput a bassa precisione — quantization aggressiva, motori di inference come TensorRT o Apache TVM, e modelli compilati direttamente per il silicio specifico dell’auto.

Per le case automobilistiche, il messaggio è chiaro: non basta più un chip “abbastanza potente”. Serve un sistema che garantisca latenza deterministica e riproducibilità dei risultati, perché una classifica di sicurezza diversa a ogni esecuzione minerebbe qualsiasi omologazione. È un vincolo che ricorda i requisiti dei sistemi avionici o industriali, dove la certificazione passa anche attraverso la prevedibilità dell’hardware.

Sovranità del dato e conformità: il vero vantaggio dell’edge

C’è un secondo ordine di implicazioni, meno visibile ma strutturale. Un modello che elabora tutte le decisioni a bordo non invia flussi video o LiDAR a server esterni. I dati restano sul veicolo, e questo semplifica drasticamente la compliance con regolamenti come il GDPR in Europa o le normative sulla privacy dei dati biometrici in stati come l’Illinois. Inoltre, evita la dipendenza da connettività costante — una vulnerabilità nota nei servizi cloud-based per la guida autonoma.

Questo non significa che il training avvenga in isolamento: il modello va pur sempre addestrato su dati aggregati, ma il deployment su strada può essere interamente self-hosted. Per i costruttori che valutano strategie di differenziazione, un sistema che garantisce la privacy dei conducenti e riduce la superficie d’attacco telematica diventa un argomento commerciale e legale di peso.

Chi vince e chi perde

I fornitori di piattaforme cloud per l’inference automotive (storicamente legate a grandi provider USA) vedono erodersi la propria value proposition quando l’intelligenza si sposta interamente a bordo. Al contrario, chi produce sistemi embedded ad alte prestazioni — NVIDIA con la linea Orin e successori, Qualcomm con Snapdragon Ride, ma anche startup europee specializzate in NPU automobilistiche — trova un mercato in espansione. Anche gli strumenti di compilazione e profiling per modelli on-device diventano più strategici.

Regolatori e assicurazioni potrebbero infine essere i grandi alleati di questo approccio. Una decisione di guida corredata da un punteggio di sicurezza esplicito per ogni alternativa offre una audit trail analizzabile in caso di incidente: si potrà verificare non solo cosa ha fatto l’auto, ma perché ha scartato le altre opzioni. È un passo verso quella “explainability” che le normative sull’intelligenza artificiale stanno rendendo sempre meno opzionale.