Skild AI insegna il calcio a un robot con l'auto-gioco simulato

Contenuto basato su comunicati stampa delle organizzazioni citate.

Skild AI ha presentato un nuovo metodo di apprendimento per auto-gioco robot (self-play: macchine che migliorano giocando contro versioni più deboli di se stesse), che consente di acquisire abilità fisiche senza dimostrazioni umane. Grazie al suo modello fondazionale S1, l’azienda ha insegnato il calcio a un robot. Ciò è avvenuto attraverso oltre 140 anni di auto-gioco simulato. Il risultato è stato poi trasferito su un umanoide reale. L’annuncio è riportato da Robotics & Automation News il 16 ottobre 2026.

Robot calciatori addestrati grazie all’auto-gioco simulato

Il metodo parte da un’unica istruzione: segnare un gol. Nessuno ha insegnato al robot a palleggiare, a contrastare o a rialzarsi dopo una caduta. Secondo Skild, quei comportamenti sono emersi da soli, perché segnare senza saperli fare era impossibile.

È la differenza rispetto all’addestramento tradizionale, dove una persona deve mostrare ogni singola azione. Qui il programma ha giocato migliaia di partite contro se stesso, e ogni miglioramento ha creato un avversario più difficile. L’azienda parla di un’ulteriore estensione di S1, il modello presentato ad agosto, che apprende compiti guardando dimostrazioni fatte davanti a lui.

Dalla simulazione al robot reale

L’ambiente di gioco è stato costruito con Nvidia Isaac Sim, un simulatore che ricrea la fisica del mondo reale al computer. Nei primi mesi simulati il robot riusciva a malapena a camminare. Con l’allenamento ha imparato a rialzarsi dopo le cadute, a palleggiare intorno agli avversari, a proteggere la palla e a contrastare.

Dopo i 140 anni di gioco simulato, Skild ha trasferito il programma su un umanoide fisico, che ha effettivamente giocato a calcio. Secondo l’azienda, il successo qui è un segnale favorevole per il metodo.

«Vediamo il trasferimento riuscito dalla simulazione all’umanoide, insieme alla complessità del compito, come un semaforo verde per l’auto-gioco sulla strada verso l’AGI fisica», dichiara Skild AI.

Verso capacità oltre quelle umane

Skild sostiene che un modello addestrato su dati umani, per quanto abbondanti, resta limitato a quello che una persona sa fare. L’auto-gioco fisico, secondo l’azienda, permetterebbe ai robot di superare di gran lunga la capacità umana.

Il principio non è nuovo nel software. DeepMind lo ha usato in AlphaGo. Lo stesso approccio ha prodotto sistemi capaci di battere i campioni umani in giochi come StarCraft II e Dota 2. Qui la sfida è trasferirlo al mondo fisico, dove il robot deve imparare non solo la strategia ma anche i movimenti per eseguirla.

Il metodo non resta confinato allo sport: Skild dichiara di aver già iniziato a estenderlo a compiti quotidiani di robotica. Le prime prove con quattro robot in campo insieme hanno mostrato comportamenti di cooperazione, come passarsi la palla. L’azienda prevede di esplorare manipolazione collaborativa e navigazione al crescere del numero di macchine interagenti.

Cosa resta da dimostrare

Il quadro resta quello di una dimostrazione aziendale: i risultati sono dichiarati da Skild, che non ha pubblicato dati indipendenti sul robot reale. Restano aperte le domande che l’azienda stessa si pone: «Questa simulazione ha girato per oltre un secolo con un obiettivo banale. Cosa succede se la facciamo girare molto più a lungo, in un cantiere virtuale, una fabbrica o una casa?». Il metodo andrà confermato su compiti pratici: se funziona, potrebbe ridurre il collo di bottiglia dei dati umani necessari per insegnare comportamenti complessi ai robot.

Fonti:

• Skild AI trains robots to learn physical skills through self-play | roboticsandautomationnews.com