I ricercatori di Apple hanno pubblicato un nuovo studio di robotica con una tesi provocatoria: un robot potrebbe non avere bisogno di un cervello costruito su misura per essere utile. Il sistema, chiamato AMP1— abbreviazione di Agentic Manipulation Policies—consente ai modelli AI generici di controllare bracci robotici scrivendo ed eseguendo codice Python. Secondo la ricerca, ha superato le politiche robotiche specialistiche nei task di manipolazione, sia in simulazione che in prove nel mondo reale.

Lo studio, intitolato "On Agentic Manipulation Policies" (arXiv:2611.09892), è stato pubblicato a novembre 2026. Il codice e i dati di simulazione sono stati rilasciati pubblicamente, permettendo ad altri laboratori di verificare direttamente le affermazioni.

Come funziona AMP1

AMP1 funziona in modalità zero-shot. Il modello sottostante non riceve alcun fine-tuning sul robot o sul task specifico, e il framework non richiede una libreria di dimostrazioni. La ricerca descrive AMP1 operativo su diverse configurazioni robotiche, tra cui a braccio singolo, bimanuale (due bracci) e mobile. Il supporto di hardware diversi senza riaddestramento è proprio la flessibilità che i sistemi specialistici tendono a non avere.

Il framework può inoltre adattare la propria strategia in tempo reale, incluso l'uso di strumenti e l'esecuzione di ricerche secondo le necessità.

I risultati

In simulazione, il team ha valutato AMP1 sul benchmark RoboLab-120. Abbinato al modello Gemini 4 Argon, AMP1 ha raggiunto un tasso di successo dell'85,6%. Con Claude Opus 5.5, ha raggiunto l'82,8%. A confronto, il modello Astranomy di NVIDIA ha ottenuto il 74,8% sul medesimo benchmark. Poiché AMP1 ha operato in modalità zero-shot, questi confronti misurano il ragionamento generico contro politiche specialistiche costruite appositamente per task embodied.

Secondo la ricerca, AMP1 ha anche registrato i migliori risultati su altri benchmark, con il 95,2% su LIBERO-PRO e il 100% su robosuite.

Le prestazioni nel mondo reale sono state valutate su 108 prove con tre configurazioni di bracci robotici Franka. AMP1 ne ha completate 104, con un tasso di successo del 96,3%, mentre i sistemi di base ne hanno completate 49 e 30 rispettivamente. Lo studio riporta inoltre che AMP1 ha ridotto i guasti operativi da 15 a 20 volte rispetto ai modelli di base più avanzati—un miglioramento attribuito in gran parte a una migliore ripresa dagli errori.

Il team e il contesto più ampio

Gli autori dello studio includono i ricercatori di Apple Chen Chen e Omid Bagherieh. Il lavoro arriva sul finire di HALO, il sistema di Apple per la navigazione dei robot umanoidi, rilasciato anch'esso a novembre 2026—due rilasci di robotica da parte di Apple in un solo mese.

Le categorie specialistiche rispetto alle quali AMP1 è stato misurato includono i modelli vision-language-action (VLA) e i world-action model (WAM). I VLA ricevono ciò che il robot vede insieme a un'istruzione testuale e producono azioni fisiche. I WAM aggiungono un modello appreso di come si comporta il mondo. Entrambi sono costruiti specificamente per task embodied e dipendono tipicamente da grandi volumi di dati di addestramento specifici per la robotica.

AMP1 adotta un approccio diverso. Invece di costruire un cervello robotico da zero, sfrutta il ragionamento di grandi modelli generici e fornisce loro un modo per agire tramite codice. Questo contrasto definisce la portata dello studio: se i modelli generici possono eguagliare le politiche specialistiche senza addestramento specifico per il task, i grandi volumi di dati di addestramento robotici alla base di VLA e WAM potrebbero non essere un prerequisito per una manipolazione efficace.

Cosa significa

I risultati presentano avvertenze rilevate nella segnalazione: AMP1 si affida a modelli di terze parti come Gemini 4 Argon e Claude Opus 5.5, quindi le sue prestazioni dipendono in parte da sistemi che Apple non controlla. D'altra parte, il rilascio pubblico del codice e dei dati di simulazione significa che altri laboratori di ricerca possono verificare queste affermazioni in prima persona—rendendo la replica indipendente il test più chiaro per i numeri riportati nello studio.

Questo articolo è stato originariamente riportato da CryptoBriefing e curato da Diego Almada Lopez.