Un finanziamento per passare dalla fase di sviluppo alla produzione

Tombot, azienda con base nell’area di Los Angeles, ha annunciato il 24 giugno la chiusura di un round di finanziamento di Serie A3 da 7 milioni di dollari. L’obiettivo dichiarato è chiaro: traghettare Jennie, il suo cane robotico, dalla fase prototipale alla manifattura su scala commerciale. Hanno partecipato all’operazione Caduceus Capital Partners, Wavemaker 360 e la Lutheran Foundation, tutti attori con un focus sull’health-tech e sull’innovazione per la qualità della vita. Jennie è pensato per offrire compagnia a persone anziane, pazienti con demenza o chiunque non possa prendersi cura di un animale domestico reale, ma desideri l’interazione affettiva che un pet sa dare.

Al di là della notizia finanziaria, il round solleva un punto spesso trascurato: quale architettura di calcolo anima questi robot da compagnia? La risposta non è ancora pubblica per Jennie, ma il settore dei companion robot sta affrontando una scelta tecnicica che ha molto in comune con le decisioni che le aziende IT prendono ogni giorno per i carichi di intelligenza artificiale: elaborazione in cloud oppure on-device.

Che hardware serve per un robot che interagisce in tempo reale?

Un robot come Jennie deve processare segnali provenienti da sensori tattili, microfoni, eventuali telecamere, e reagire con movimenti, suoni e vibrazioni in modo credibile. Questa pipeline di percezione-azione richiede una latenza molto bassa: se il cane deve scodinzolare quando viene accarezzato, un ritardo di anche solo 500 millisecondi – tipico di un andata e ritorno su rete mobile – spezzerebbe l’illusione. Quindi, anche in assenza di dati ufficiali, è ragionevole ipotizzare che l’inference dei modelli di controllo avvenga in locale, su un system-on-chip embedded.

Molti robot consumer, da quelli per l’intrattenimento ai dispositivi sanitari, integrano chip come i Jetson di NVIDIA o soluzioni basate su Arm con acceleratori neurali. Questi permettono di eseguire reti neurali per il riconoscimento vocale, la classificazione di gesti e la generazione di comportamenti senza mai uscire dal dispositivo. Il vantaggio non è solo tecnico, ma tocca corde sensibili per il pubblico AI-RADAR: la sovranità dei dati generati dall’utente.

Elaborazione locale, dati sensibili in gioco

Un robot da compagnia, specie se destinato a persone vulnerabili, raccoglie inevitabilmente informazioni sull’ambiente domestico, sulle abitudini e, tramite comandi vocali, potenzialmente dati biometrici. Inviare questi dati a server remoti espone a rischi di privacy, richiede connettività stabile – non sempre garantita in strutture assistenziali – e può entrare in conflitto con normative come il GDPR. L’alternativa è un deployment interamente on-device, dove il processore a bordo del robot gestisce tutto il flusso di inference.

È la stessa logica che spinge molte aziende a valutare soluzioni on-premise per i propri LLM e modelli AI: controllo sui dati, indipendenza dalla rete, prevedibilità dei costi operativi. Naturalmente, eseguire inference a bordo impone vincoli stringenti: memoria limitata, consumo energetico contenuto, necessità di quantization spinta (spesso si usano modelli INT8 o addirittura più leggeri), e impossibilità di aggiornare i modelli senza un meccanismo OTA sicuro. Sono i classici compromessi che chiunque lavori con sistemi embedded conosce bene, e che AI-RADAR approfondisce quando si parla di scelte architetturali per self-hosted.

Il mercato spinge verso l’autonomia locale

Il finanziamento a Tombot è sintomatico di un interesse crescente per i robot da compagnia, ma anche di una maturazione tecnicica: i chip a basso costo con capacità di inference stanno raggiungendo un punto di prezzo che rende l’elaborazione locale economicamente sostenibile anche per prodotti di consumo, non solo per server aziendali. Questo cambia le carte in tavola per chi progetta esperienze interattive, perché consente di offrire dispositivi che funzionano offline, rispettano la privacy e riducono il TCO (costi di connettività cloud e gestione server remoti).

Guardando avanti, sarà interessante vedere se Tombot sceglierà di rendere pubblici i dettagli tecnici di Jennie. Al momento, non ci sono specifiche di VRAM o chip dichiarati, quindi rimaniamo nel campo delle supposizioni. Di certo, per chi segue le tendenze del deployment AI, la direzione è chiara: l’edge computing non è più confinato ai data center periferici o ai gateway industriali, ma sta entrando negli oggetti di tutti i giorni, compresi i robot che fanno compagnia. E questo porta con sé una domanda su cui AI-RADAR tornerà spesso: come bilanciare potenza di calcolo, privacy e costi quando l’intelligenza artificiale deve girare letteralmente in salotto?