Nvidia porta la Physical AI dai robot ai robotaxi con Skild S1 e DRIVE

🤖 Cosa cambia

• Skild S1 apprende task robotici mai visti da un singolo video senza retraining specifico, usando Cosmos, Isaac Lab e infrastruttura GPU Nvidia.
• Nvidia DRIVE applica lo stesso paradigma alla guida autonoma con training, simulazione e calcolo a bordo integrati in un’unica architettura.
• Robot umanoidi e robotaxi convergono così sullo stesso modello industriale: dati sintetici, foundation model, simulazione e inferenza edge accelerata.

Nvidia sta trasformando la Physical AI in una piattaforma comune per robot e veicoli autonomi. Da una parte Skild AI utilizza l’infrastruttura Nvidia per addestrare S1, un foundation model robotico capace di apprendere nuovi compiti da una sola dimostrazione video senza aggiornare i propri pesi. Dall’altra, gli operatori dei robotaxi stanno adottando progressivamente Nvidia DRIVE, Cosmos, Omniverse e DRIVE AGX Thor per costruire flotte autonome su scala commerciale. I due sviluppi sembrano appartenere a mercati differenti, ma descrivono la stessa architettura: raccogliere dati, generare varianti sintetiche, addestrare modelli, validarli in simulazione e infine portarli sull’hardware che deve agire nel mondo fisico.

Skild S1 prova a superare il robot programmato per un solo compito

Il punto più importante di Skild S1 è la capacità di apprendere un comportamento senza richiedere una nuova fase di training dedicata. Secondo la presentazione ufficiale Nvidia, un operatore può registrare un video che mostra il compito desiderato e utilizzare quella sequenza direttamente come prompt. Il modello interpreta oggetti, intenzione e ordine delle operazioni, quindi trasferisce quanto osservato al robot disponibile, anche se il compito non era presente nel dataset di pretraining.

Skild definisce questo approccio in-context learning per la robotica. S1 non modifica i propri pesi e non richiede post-training per ogni nuova attività, una differenza sostanziale rispetto alla robotica industriale tradizionale, nella quale variazioni di prodotto, layout o processo possono richiedere nuovi dati, programmazione e validazione.

Nei test presentati dall’azienda, S1 affronta attività multi-step che possono durare fino a 10 minuti, dalla preparazione del caffè all’assemblaggio di kit, fino a compiti apparentemente banali ma complessi dal punto di vista robotico come invasare una pianta o preparare pancake. In una dimostrazione, dal momento della registrazione del video all’esecuzione autonoma sul robot sono trascorsi 11 minuti. Nvidia riporta inoltre un tasso di successo per singolo step intorno al 66%, contro il 9% ottenuto da un sistema AI comparabile. La direzione continua il percorso già osservato con Nvidia e la ricerca sim-to-real presentata all’ICRA 2026, dove Isaac Lab, Omniverse e cuRobo venivano utilizzati proprio per trasferire politiche apprese in simulazione verso hardware reale senza ricostruire ogni volta il comportamento da zero.

Cosmos e Isaac costruiscono l’esperienza che il robot non può raccogliere nel mondo reale

S1 non è soltanto un modello eseguito su GPU Nvidia. Il progetto mostra come l’azienda stia tentando di presidiare l’intero ciclo di sviluppo della robotica. Skild utilizza simulazione, video umani, teleoperazione e dati provenienti dai deployment commerciali per alimentare un cervello robotico condiviso. Nvidia Cosmos viene impiegato per generare e diversificare dati, mentre Cosmos Curator organizza e annota il materiale; Omniverse e Isaac Sim forniscono ambienti virtuali fisicamente coerenti e Isaac Lab, con il motore Newton, viene usato per reinforcement learning e modellazione di forze, collisioni, pressione e contatto.

È precisamente il problema centrale della Physical AI: un LLM può leggere miliardi di pagine, mentre un robot non può permettersi di rovesciare milioni di tazze o urtare migliaia di scaffali per imparare. La simulazione diventa quindi il meccanismo per trasformare potenza computazionale in esperienza sintetica. L’approccio era già evidente quando Nvidia aveva portato Cosmos, Isaac GR00T e LeRobot dentro un ecosistema open per robot umanoidi, cercando di costruire per la robotica qualcosa di simile a ciò che i foundation model hanno rappresentato per il linguaggio: una base generalista da adattare a molte piattaforme differenti.

Leggi anche: Nvidia accelera Physical AI con LG e Doosan tra robot umanoidi e fabbriche autonome

Foxconn porta Skild S1 dall’esperimento alla fabbrica

La parte più significativa dell’annuncio è probabilmente quella industriale. Skild AI, Nvidia e Foxconn stanno utilizzando Skild Brain su manipolatori a doppio braccio per l’assemblaggio di sistemi Nvidia Blackwell. In uno dei workflow dimostrati, il robot installa una busbar e un limit block, serra 16 viti e deve continuare a lavorare anche quando l’ambiente differisce dalla sequenza prevista. Non si tratta quindi soltanto di locomozione spettacolare di umanoidi o dimostrazioni costruite per eventi pubblici. Assemblare componenti richiede precisione, controllo del contatto, memoria della sequenza e capacità di recuperare da un errore. Skild sostiene inoltre di avere superato un run rate annualizzato di 100 milioni di dollari, circa 84,6 milioni di euro al cambio corrente, appena dieci mesi dopo il primo deployment commerciale, con oltre 60 partnership in produzione, logistica, ispezione, sicurezza e preparazione alimentare. La cifra arriva dall’azienda e non equivale a ricavi annuali certificati, ma indica quanto rapidamente il mercato della Physical AI stia tentando di uscire dalla fase puramente sperimentale. Questo passaggio dalla simulazione alla fabbrica è lo stesso su cui Nvidia lavora da mesi attraverso Jetson e Fox Blueprint per fabbriche autonome: spostare inferenza e capacità decisionale vicino alle macchine anziché trattare la robotica come una semplice estensione del cloud.

Nei robotaxi Nvidia applica la stessa Physical AI su quattro ruote

Il secondo sviluppo riguarda i robotaxi, che Nvidia definisce il primo grande sbocco commerciale della Physical AI. La piattaforma proposta agli operatori segue una struttura a tre computer: infrastruttura per addestrare i modelli, sistemi per simulazione e validazione e infine computer a bordo del veicolo. Sul primo livello entrano DGX e i modelli Alpamayo, comprese architetture vision-language-action capaci di ragionare sulle situazioni di guida più complesse. Sul secondo, Omniverse NuRec ricostruisce scenari reali dai sensori e Cosmos genera varianti sintetiche di traffico, meteo, illuminazione e comportamento. Il terzo livello è affidato a DRIVE Hyperion, l’architettura di riferimento per veicoli Level 4-ready.

Hyperion 10 utilizza due DRIVE AGX Thor basati su Blackwell e una sensor suite composta da 14 telecamere ad alta definizione, nove radar, tre lidar e 12 sensori ultrasonici. La ridondanza di calcolo e sensoristica è pensata per consentire il funzionamento fail-operational anche quando un componente smette di funzionare. L’architettura era già uno dei pilastri della strategia illustrata da Nvidia al CES 2026, dove DRIVE Hyperion veniva presentata insieme a Rubin e ai modelli AI aperti. La differenza è che oggi la società può indicare una rete molto più ampia di programmi commerciali.

Uber, Waymo, Mercedes e gli altri convergono sullo stack Nvidia

Nvidia sostiene che tutti i principali programmi robotaxi oggi operativi su scala commerciale utilizzino almeno una parte della propria piattaforma, dal training alla simulazione fino all’elaborazione nel veicolo. Tra i partner elencati figurano Uber, Lyft, Bolt, Waymo, WeRide, Wayve, Zoox, Pony.ai, Waabi, Mercedes-Benz, Lucid, Nissan, Hyundai, Kia e Geely. Uber punta a portare la propria flotta basata su DRIVE Hyperion in 28 città entro il 2028 e sta costruendo con Nvidia una data factory dedicata ai robotaxi basata su Cosmos. Lyft vuole usare Hyperion come reference architecture, mentre WeRide prepara l’espansione del modello GXR nel Sud-est asiatico. Mercedes-Benz utilizza invece DRIVE Hyperion, software DRIVE AV L4 e Alpamayo nel programma robotaxi legato alla Classe S.

La rilevanza industriale non sta però nell’elenco dei partner. Sta nel tentativo di Nvidia di diventare l’architettura orizzontale sottostante a programmi autonomi che restano concorrenti tra loro. Le aziende possono sviluppare software, modelli, sensori e strategie proprie, ma utilizzare contemporaneamente gli stessi strati Nvidia per training, simulazione o compute edge.

Continua con:

• Nvidia porta NemoClaw e nuovi foundation model nella Physical AI industriale
• Nvidia e ABB usano Omniverse per portare l’AI fisica nella robotica industriale

Nvidia vuole diventare il sistema operativo della Physical AI

Skild S1 e i robotaxi mostrano infine che la strategia Nvidia non dipende dalla forma del robot. Un manipolatore industriale, un umanoide, un quadrupede e un’automobile autonoma affrontano problemi fisici differenti, ma condividono la stessa necessità di percepire, ragionare, simulare conseguenze e trasformare una decisione digitale in un’azione reale. È per questo che Cosmos, Omniverse, Isaac, Alpamayo, DGX, Jetson e DRIVE sembrano progressivamente meno prodotti separati e sempre più componenti di un unico stack.

Con S1, Nvidia mostra come un robot possa acquisire una competenza da una dimostrazione invece di essere riprogrammato. Con DRIVE, prova a portare la stessa logica su flotte autonome che devono gestire miliardi di combinazioni possibili nel traffico reale. La scommessa industriale è evidente: se la Physical AI diventerà una nuova piattaforma computazionale, Nvidia vuole occupare gli strati fondamentali prima ancora che sia chiaro quale tipo di robot finirà per dominare il mercato.