ToyBlocks: l'ambiente simulato aperto per addestrare i robot

L'Allen Institute for AI ha presentato il 6 novembre 2026 ToyBlocks, un framework di simulazione aperto progettato per lo studio, l'addestramento e la valutazione controllata dei sistemi robotici. Il progetto inaugura la serie dei FoundationWorlds, ambienti virtuali concepiti come piccoli laboratori sperimentali in cui i ricercatori possono isolare le variabili fisiche, generare dati di addestramento su larga scala e comprendere con precisione i motivi per cui un modello robotico ha successo o fallisce.

Cosa è stato annunciato

ToyBlocks si basa su uno scenario volutamente circoscritto: un braccio robotico posizionato davanti a un tavolo con blocchi geometrici. Nonostante la semplicità apparente, il sistema affronta compiti complessi che combinano ragionamento visivo e destrezza fisica, come spingere, ribaltare e impilare oggetti contrassegnati da lettere o immagini. Queste caratteristiche richiedono al robot di cercare oggetti nascosti, ruotarli per esaminarne le facce e disporli secondo regole specifiche.

Dal punto di vista tecnico, il framework si distingue per la capacità di superare la teleoperazione, ovvero la pratica laboriosa in cui un operatore umano guida manualmente il robot per registrare esempi d'azione. ToyBlocks automatizza l'intero processo attraverso una combinazione di tecniche:

• Isaac Lab: l'ambiente open-source di Nvidia per la robotica in simulazione viene impiegato per addestrare abilità motorie brevi tramite l'apprendimento per rinforzo (reinforcement learning, dove il modello impara per tentativi ed errori) e la pianificazione del movimento.
• Pianificatore TAMP (Task-and-Motion Planner): organizza e concatena in sequenza le diverse abilità per risolvere compiti complessi, producendo automaticamente dimostrazioni etichettate.
• Informazioni privilegiate: durante la fase simulata, il sistema può sfruttare coordinate tridimensionali esatte fornite dal motore grafico per creare le traiettorie di base, per poi addestrare modelli che agiscono unicamente a partire dalle immagini dei sensori.
• Efficienza di calcolo: la simulazione può eseguire centinaia di piani in parallelo su una singola unità di elaborazione grafica (GPU), raggiungendo una velocità fino a 24 volte superiore al tempo reale.
• Randomizzazione del dominio (domain randomization): le proprietà fisiche, come le dimensioni dei cubi o l'altezza del piano, variano da uno scenario all'altro per testare la capacità del modello di adattarsi a geometrie sconosciute.

L'architettura separa il ragionamento di alto livello dal controllo fisico: modelli come Molmo 2 scelgono l'azione da compiere e indicano il blocco di interesse, mentre modelli a basso livello come ManiFlow calcolano ed eseguono i movimenti del braccio robotico.

Cosa cambia per chi usa l'AI

Per i ricercatori e i laboratori che sviluppano robotica intelligente, ToyBlocks riduce la dipendenza dalla raccolta dati manuale nel mondo fisico, un'attività lenta e costosa. La possibilità di variare la composizione dei dataset sintetici consente di verificare in anticipo quale tipologia di esperienza (ad esempio l'aggiunta di manovre di spinta o rotazione) migliori la generalizzazione del robot su compiti mai visti.

Inoltre, la modularità tra modelli decisionali visivi e modelli di movimento permette di testare ipotesi scientifiche mirate, separando gli errori di percezione visiva da quelli puramente cinematici su un'infrastruttura accessibile anche con un'unica scheda grafica.

Disponibilità

Il progetto ToyBlocks è accompagnato dalla pubblicazione del codice sorgente, dei dataset di addestramento, dei modelli pre-addestrati e della relativa documentazione tecnica.