The Pulse

Microsoft Research: i robot funzionano meglio con l’IA esterna

Secondo Microsoft Research, trasferire l’inferenza dell’IA dalle GPU a bordo dei robot a hardware edge o cloud può migliorare l’accuratezza, i tempi di risposta e la durata della batteria. Lo studio ha rilevato che le attività di mappatura

AI.info Team · Scritto con l’IA · verificato · 2026-09-23

Secondo uno studio di Microsoft Research pubblicato il 23 settembre 2026, i carichi di lavoro di mappatura e pianificazione hanno subito rallentamenti fino al 383% sulle GPU più piccole dei robot rispetto a una NVIDIA A100. Il risultato indica un limite pratico per i robot che eseguono interamente a bordo i modelli di IA più impegnativi: computer più piccoli possono rendere troppo lente le reazioni dei robot, mentre quelli più grandi aumentano peso, costi e consumo energetico.

I ricercatori di Microsoft sostengono che molti sistemi di IA fisica dovrebbero trasferire l’inferenza a hardware edge nelle vicinanze o a GPU nel cloud, invece di considerare il processore a bordo del robot come l’unica opzione. Le loro misurazioni riguardano attività di manipolazione mobile che comprendono mappatura semantica, navigazione e manipolazione di oggetti, tra cui un robot che controlla se ci sono rifiuti in una cucina e li porta in un cestino.

Le GPU più piccole rallentano la risposta dei robot

Lo studio confronta l’inferenza in configurazioni a bordo, edge e cloud. Secondo Microsoft, le GPU più leggere hanno ridotto del 30% la capacità di un robot di rilevare tempestivamente gli ostacoli, mentre l’accuratezza dei modelli visione-linguaggio-azione è diminuita fino al 50% con il rallentamento dell’inferenza su hardware più piccolo.

I test di passaggio degli oggetti hanno dato un risultato simile. Secondo la valutazione di Microsoft e i video che la accompagnano, i robot che usavano GPU esterne più potenti hanno ottenuto risultati migliori rispetto ai sistemi che si affidavano a dispositivi più piccoli a bordo. Il risultato non significa che ogni attività debba essere eseguita da remoto: la ricerca individua anche nella latenza di rete, nei requisiti di larghezza di banda e nella disponibilità di capacità GPU condivisa alcuni fattori limitanti.

La durata della batteria diventa un problema di sistema

La capacità di calcolo influisce su più aspetti, non solo sulla qualità dei modelli. Microsoft ha sostituito una GPU a bordo con una scheda Raspberry Pi 5 e ha trasferito l’inferenza a una GPU remota, misurando poi l’effetto su un robot Stretch-3. Secondo l’azienda, in questa configurazione la durata della batteria del robot è aumentata di oltre il 100%.

Le grandi GPU a bordo possono consumare abbastanza energia da ridurre di diverse ore il tempo di funzionamento, in particolare sui robot più grandi. Trasferire il carico di lavoro permette al robot di trasportare hardware più leggero, ma rende anche comunicazioni affidabili un requisito per il suo funzionamento. Un sistema che perde la connessione o si trova su una rete congestionata potrebbe ottenere un risparmio di batteria al prezzo di decisioni più lente.

Kubernetes porta l’inferenza oltre il robot

Microsoft ha affiancato allo studio di misurazione un insieme di strumenti software per distribuire i carichi di lavoro della robotica. Il sistema usa Kubernetes per inserire le attività di inferenza in container, distribuirle su hardware dei robot, edge e cloud e applicare criteri che determinano dove eseguire ciascun carico di lavoro.

Gli strumenti si integrano con ROS2, LeRobot e simulatori robotici. Gli esempi di Microsoft includono il trasferimento dei carichi di lavoro per i robot SO-101 e UR10e, oltre all’esecuzione del modello Rho di Microsoft su una GPU Jetson Thor per controllare un robot Mobile Aloha durante attività come premere un pulsante e girare una manopola.

Il compromesso riguarda la latenza, non solo la capacità di calcolo

Il rapporto tecnico di Microsoft a cui rimanda lo studio, «Offload or Overload: A Platform Measurement Study of Mobile Robotic Manipulation Workloads», descrive il trasferimento dei carichi di lavoro come un compromesso, non come una soluzione universale. I ricercatori hanno rilevato che trasferire i carichi di lavoro al cloud senza le dovute valutazioni può diventare impraticabile quando le applicazioni richiedono un’elevata larghezza di banda e che la latenza di rete aggiuntiva può ridurre l’accuratezza delle attività.

Questa distinzione è importante per i sistemi fisici. Un modello linguistico può spesso aspettare una risposta in ritardo; un robot che si protende verso un oggetto o si muove intorno a una persona non può sempre farlo. I risultati di Microsoft sostengono una progettazione mista, in cui hardware locale leggero gestisce le funzioni sensibili ai tempi di risposta, mentre i modelli più impegnativi vengono eseguiti su una GPU edge o nel cloud quando le condizioni di rete lo consentono.

Microsoft apre la strada al trasferimento dei carichi di lavoro

Microsoft ha aggiunto alla sua Physical AI Toolchain la possibilità di trasferire all’esterno l’inferenza dell’IA fisica. Physical AI Toolchain è un framework open source che combina i servizi Azure con lo stack software di NVIDIA per la robotica. L’azienda presenta la nuova funzionalità come una prima assoluta nel settore, mentre lo studio fornisce le misurazioni delle prestazioni alla base del rilascio.

La questione immediata per gli sviluppatori è quanto controllo possa rimanere in locale mentre l’esecuzione dei modelli si sposta altrove. La ricerca di Microsoft non elimina questo problema ingegneristico; offre ai team un modo per misurare il costo di ogni decisione su dove eseguire i carichi di lavoro in termini di tempi di risposta, accuratezza, consumo della batteria e capacità di calcolo disponibile. Per i robot che operano fuori da ambienti controllati, questi quattro valori determinano se un modello più grande migliori le prestazioni o semplicemente arrivi troppo tardi.