{"id":2705,"date":"2026-05-01T02:56:44","date_gmt":"2026-05-01T02:56:44","guid":{"rendered":"https:\/\/deepinsightai.io\/?p=2705"},"modified":"2026-05-01T02:56:45","modified_gmt":"2026-05-01T02:56:45","slug":"lda-1b","status":"publish","type":"post","link":"https:\/\/deepinsightai.io\/it\/lda-1b\/","title":{"rendered":"LDA-1B spiegato: Come i \u201cdati spazzatura\u201d stanno alimentando la prossima scoperta dell'intelligenza artificiale dei robot"},"content":{"rendered":"<p>La corsa agli armamenti nel campo dei modelli di base per robot ha appena visto l'ingresso di un nuovo attore. Un team congiunto composto da rappresentanti dell'Universit\u00e0 di Pechino, dell'Universit\u00e0 di Tsinghua, di Galaxy General e dello Zhiyuan Institute ha presentato <strong>LDA-1B<\/strong>, portando la dimensione del parametro direttamente all'ordine dei miliardi.<\/p>\n\n\n\n<p>Dietro a questo dato si nasconde un\u2019idea pi\u00f9 audace: smettere di concentrarsi esclusivamente sui dati provenienti da dimostrazioni condotte da esperti. Quei \u201cdati spazzatura\u201d che un tempo venivano gettati nel cestino potrebbero in realt\u00e0 essere proprio le sostanze nutritive di cui i robot hanno davvero bisogno.<\/p>\n\n\n\n<p>Il percorso di addestramento tradizionale dei robot \u00e8 semplice: trovare un operatore esperto, registrare le sue azioni e lasciare che il robot impari per imitazione. Questo approccio basato sulla clonazione del comportamento \u00e8 stato ampiamente utilizzato da OpenAI e Google DeepMind. Ma il problema \u00e8 evidente: l\u2019utilizzo dei dati \u00e8 estremamente basso.<\/p>\n\n\n\n<p>Un tentativo fallito di costruire un robot? Scartato.<br>Un video girato in modo improvvisato che mostra un'operazione umana? Non \u00e8 di alta qualit\u00e0, scartato.<br>Dati provenienti da una piattaforma robotica diversa? Formato incompatibile, comunque scartati.<\/p>\n\n\n\n<p>Il <strong>LDA-1B<\/strong> Il team ha posto una semplice domanda: cosa succederebbe se tutti quei dati sprecati venissero effettivamente utilizzati?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Come LDA-1B utilizza tutti i dati disponibili<\/h2>\n\n\n\n<p>Hanno creato un set di dati denominato EI-30k, composto da 30.000 ore di dati relativi alle interazioni corporee, che comprendono sia le operazioni umane sia le traiettorie dei robot.<\/p>\n\n\n\n<p>Si tratta di una portata gi\u00e0 enorme nel campo della robotica. A titolo di confronto, il precedente dataset pi\u00f9 grande, Open X-Embodiment, contava poco pi\u00f9 di 1.000 ore.<\/p>\n\n\n\n<p>Ma la scala non \u00e8 l'elemento chiave. L'elemento chiave \u00e8 la diversit\u00e0.<\/p>\n\n\n\n<p>Il set di dati comprende:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Dimostrazioni riuscite e tentativi falliti<\/li>\n\n\n\n<li>Dati robotici ad alta precisione e video girati in modo spontaneo da persone<\/li>\n\n\n\n<li>Manipolazioni a doppio braccio e operazioni manuali di precisione<\/li>\n<\/ul>\n\n\n\n<p>Secondo i criteri tradizionali, gran parte di questi dati \u00e8 incoerente e non verrebbe mai inclusa in un set di addestramento.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> adotta un approccio diverso: assegna ruoli diversi a dati di qualit\u00e0 diversa.<\/p>\n\n\n\n<p>Per l'apprendimento delle politiche si ricorre a dimostrazioni pratiche di alto livello condotte da esperti.<br>I dati di qualit\u00e0 inferiore o \u201cnon qualificati\u201d vengono utilizzati per comprendere le dinamiche del mondo fisico.<\/p>\n\n\n\n<p>Un video che mostra un tentativo fallito di afferrare un oggetto non pu\u00f2 essere imitato direttamente, ma comunica al modello: \u201cQuesto modo di afferrare fallir\u00e0\u201d. Questa \u00e8 la conoscenza dinamica.<\/p>\n\n\n\n<p>L'idea sembra semplice, ma pone una sfida tecnica:<br>come si pu\u00f2 <strong>LDA-1B<\/strong> imparare contemporaneamente sia \u201ccome sar\u00e0 il fotogramma successivo\u201d sia \u201cquale azione intraprendere dopo\u201d?<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">LDA-1B e la previsione nello spazio latente DINO<\/h2>\n\n\n\n<p>La soluzione proposta dal team consiste nel trasferire le attivit\u00e0 di previsione nello spazio latente di DINO.<\/p>\n\n\n\n<p>DINO, un modello visivo auto-supervisionato sviluppato da Meta, comprime le immagini in rappresentazioni di caratteristiche altamente astratte. In questo spazio, <strong>LDA-1B<\/strong> non deve preoccuparsi di dettagli superficiali come \u201cse il tavolo sia di legno o bianco\u201d, ma si concentra invece su informazioni fisiche fondamentali come \u201cdove si trovano gli oggetti\u201d e \u201ccome si muovono\u201d.\u201d<\/p>\n\n\n\n<p>Questo progetto offre due vantaggi:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Efficienza computazionale notevolmente superiore, che evita la ridondanza a livello di pixel<\/li>\n\n\n\n<li>Una maggiore generalizzazione tra i diversi contesti, poich\u00e9 <strong>LDA-1B<\/strong> apprende regole fisiche astratte anzich\u00e9 caratteristiche visive specifiche della scena<\/li>\n<\/ul>\n\n\n\n<p>All\u2019interno di un framework Transformer unificato per la diffusione multimodale, il modello elimina congiuntamente il rumore dai blocchi di azioni e dalle future sequenze DINO.<\/p>\n\n\n\n<p>I dati eterogenei svolgono ruoli specifici e complementari nei seguenti ambiti:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Previsione visiva<\/li>\n\n\n\n<li>Apprendimento dinamico<\/li>\n\n\n\n<li>Apprendimento delle politiche<\/li>\n<\/ul>\n\n\n\n<p>Il team ha raccolto EI-30k, un corpus contenente oltre 30.000 ore di dati relativi a diverse forme di interazione uomo-robot, che coprono eventi di diversa durata e compiti di manipolazione.<\/p>\n\n\n\n<p>Dal punto di vista architettonico, <strong>LDA-1B<\/strong> utilizza un Transformer a diffusione multimodale. Ci\u00f2 gli consente di gestire flussi visivi e di azione asincroni. Nel mondo reale, la frequenza dei fotogrammi delle telecamere e quella di controllo dei robot sono spesso disallineate, cosa che i modelli tradizionali faticano a elaborare.<\/p>\n\n\n\n<p>L'introduzione della modellizzazione della diffusione consente inoltre di <strong>LDA-1B<\/strong> per addestrare i modelli in modo stabile su una scala di miliardi di parametri \u2014 cosa che in precedenza risultava difficile per i modelli robotici.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">Prestazioni dell'LDA-1B in tre categorie di compiti<\/h2>\n\n\n\n<p>Ai fini della valutazione, il team ha selezionato tre scenari rappresentativi:<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Attivit\u00e0 ad alto contenuto di contatti in LDA-1B<\/h3>\n\n\n\n<p>Questi test valutano la percezione e il controllo della forza da parte del robot: si tratta di operazioni come l\u2019inserimento di un cavo USB o il serraggio di viti, in cui \u00e8 essenziale un feedback preciso sulla forza.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> supera il precedente modello \u03c00,5 di 21%.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Manipolazione precisa con LDA-1B<\/h3>\n\n\n\n<p>A rendere il tutto ancora pi\u00f9 impegnativo, queste attivit\u00e0 richiedono un controllo coordinato di pi\u00f9 dita, come ad esempio ruotare un cubo di Rubik o utilizzare degli strumenti.<\/p>\n\n\n\n<p>Qui, <strong>LDA-1B<\/strong> mostra un vantaggio ancora maggiore, con un miglioramento delle prestazioni pari a 48%.<\/p>\n\n\n\n<h3 class=\"wp-block-heading\">Pianificazione a lungo termine in LDA-1B<\/h3>\n\n\n\n<p>Questi test valutano la capacit\u00e0 di pianificazione. Il robot deve portare a termine una sequenza di sotto-compiti per raggiungere l'obiettivo finale.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> registra un miglioramento di 23% in questa categoria.<\/p>\n\n\n\n<p>Ancora pi\u00f9 interessanti sono gli esperimenti di messa a punto.<\/p>\n\n\n\n<p>Il team ha utilizzato deliberatamente dati di \u201cbassa qualit\u00e0\u201d: casi non riusciti e traiettorie incomplete che normalmente sarebbero stati scartati.<\/p>\n\n\n\n<p>Il risultato: l'utilizzo di soli 30% di questi dati ha migliorato le prestazioni di 10%.<\/p>\n\n\n\n<p>Questa scoperta ribalta una convinzione diffusa nel settore:<br>I cosiddetti \u201cdati spazzatura\u201d non sono un peso: possono rappresentare una risorsa nascosta per <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">LDA-1B e un nuovo percorso verso i modelli mondiali<\/h2>\n\n\n\n<p>L'approccio tecnico alla base di <strong>LDA-1B<\/strong> risponde a una domanda pi\u00f9 ampia: in che modo dovrebbero apprendere i modelli di base dei robot?<\/p>\n\n\n\n<p>Attualmente esistono due paradigmi dominanti:<\/p>\n\n\n\n<p><strong>Clonazione del comportamento<\/strong><br>Esemplificato dal lavoro di OpenAI nel campo della robotica e dalla serie \u03c00 di Physical Intelligence. L\u2019idea \u00e8 semplice: osservare gli esperti e imitarli.<\/p>\n\n\n\n<p><strong>Modelli mondiali<\/strong><br>Ne sono un esempio opere come *Genie* e *DIAMOND*. L'idea \u00e8 quella di comprendere innanzitutto come funziona il mondo fisico, per poi decidere come agire.<\/p>\n\n\n\n<p>La clonazione comportamentale presenta una scarsa efficienza dei dati: apprende solo dai casi di successo.<br>I modelli globali hanno dovuto fare i conti con implementazioni approssimative: o si concentravano esclusivamente sulla previsione video senza azioni, oppure si basavano su set di dati troppo esigui per un addestramento su larga scala.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> sceglie una terza via.<\/p>\n\n\n\n<p>Unifica l'apprendimento dinamico, l'apprendimento delle politiche e la previsione visiva in un unico quadro di riferimento, consentendo a dati di diversa qualit\u00e0 di svolgere ruoli diversi.<\/p>\n\n\n\n<p>Questa idea \u2014 il \u201cModello mondiale unificato\u201d \u2014 era gi\u00e0 stata proposta in passato a livello teorico. Ma <strong>LDA-1B<\/strong> \u00e8 il primo a implementarlo su una scala di miliardi di parametri con un addestramento stabile.<\/p>\n\n\n\n<p>Da un punto di vista ingegneristico, il contributo pi\u00f9 significativo di <strong>LDA-1B<\/strong> Non si tratta di una singola scoperta rivoluzionaria. Sta dimostrando una cosa:<\/p>\n\n\n\n<p>I modelli di base dei robot possono scalare come i modelli linguistici, \u201cconsumando\u201d enormi quantit\u00e0 di dati eterogenei.<\/p>\n\n\n\n<p>I dati che prima andavano sprecati possono essere trasformati in conoscenza all'interno <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<hr class=\"wp-block-separator has-alpha-channel-opacity\"\/>\n\n\n\n<h2 class=\"wp-block-heading\">L'LDA-1B \u00e8 la soluzione alla fame di dati?<\/h2>\n\n\n\n<p>Il settore della robotica si trova da tempo a dover fare i conti con una realt\u00e0 scomoda: i dati costano caro.<\/p>\n\n\n\n<p>Per registrare un'ora di dati di dimostrazione di robot di alta qualit\u00e0 sono necessari operatori qualificati, ambienti standardizzati e sensori di precisione. Il costo pu\u00f2 arrivare a migliaia di dollari.<\/p>\n\n\n\n<p>Persino i laboratori dotati di ingenti risorse hanno difficolt\u00e0 ad addestrare modelli con dati su una scala paragonabile a quella dei modelli linguistici.<\/p>\n\n\n\n<p><strong>LDA-1B<\/strong> offre una nuova prospettiva.<\/p>\n\n\n\n<p>Anzich\u00e9 investire ingenti somme per raccogliere dati perfetti, sfruttate quelli imperfetti.<\/p>\n\n\n\n<p>Video di operazioni eseguite da esseri umani caricati su YouTube, tentativi falliti dei robot durante il debug, set di dati raccolti in diversi laboratori e su diverse piattaforme: queste risorse, un tempo ignorate, possono ora diventare materiale di addestramento per <strong>LDA-1B<\/strong>.<\/p>\n\n\n\n<p>Detto questo, permangono alcune incertezze.<\/p>\n\n\n\n<p>L'articolo non fornisce informazioni complete sulla composizione e sulla provenienza del set di dati EI-30k, il che costituisce un ostacolo per gli altri team che tentano di riprodurre i risultati <strong>LDA-1B<\/strong> su questa scala.<\/p>\n\n\n\n<p>C'\u00e8 poi la questione dell'implementazione: un modello con un miliardo di parametri comporta un costo computazionale significativo. I robot, a differenza dei server, non possono semplicemente aumentare la potenza di calcolo.<\/p>\n\n\n\n<p>Eppure, in questo momento, <strong>LDA-1B<\/strong> stabilisce un nuovo punto di riferimento per i modelli di base dei robot:<\/p>\n\n\n\n<ul class=\"wp-block-list\">\n<li>Su scala pi\u00f9 ampia<\/li>\n\n\n\n<li>Dati pi\u00f9 diversificati<\/li>\n\n\n\n<li>Metodi pi\u00f9 uniformi<\/li>\n<\/ul>\n\n\n\n<p>Ora la domanda \u00e8: come reagir\u00e0 il resto dei concorrenti a <strong>LDA-1B<\/strong>.<\/p>","protected":false},"excerpt":{"rendered":"<p>The arms race around robot foundation models has just welcomed a new player. A joint team from Peking University, Tsinghua University, Galaxy General, and Zhiyuan Institute has introduced LDA-1B, pushing parameter size directly to the billion scale. Behind this number sits a more aggressive idea: stop focusing only on expert demonstration data. Those \u201cgarbage data\u201d [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":2708,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"none","_seopress_titles_title":"%%post_title%%","_seopress_titles_desc":"LDA-1B redefines robot training by turning failed attempts and low-quality data into valuable learning signals. Discover how this billion-parameter model boosts performance across dexterous, contact-rich, and long-horizon tasks.","_seopress_robots_index":"","_uag_custom_page_level_css":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[2,6],"tags":[],"class_list":["post-2705","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-news","category-robots"],"uagb_featured_image_src":{"full":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"thumbnail":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-150x150.webp",150,150,true],"medium":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-300x200.webp",300,200,true],"medium_large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-768x512.webp",768,512,true],"large":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-1024x683.webp",1024,683,true],"1536x1536":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"2048x2048":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough.webp",1536,1024,false],"trp-custom-language-flag":["https:\/\/deepinsightai.io\/wp-content\/uploads\/2026\/05\/LDA-1B-Explained-How-Garbage-Data-Is-Powering-the-Next-Robot-AI-Breakthrough-18x12.webp",18,12,true]},"uagb_author_info":{"display_name":"Claude Carter","author_link":"https:\/\/deepinsightai.io\/it\/author\/cloud-han03gmail-com\/"},"uagb_comment_info":0,"uagb_excerpt":"The arms race around robot foundation models has just welcomed a new player. A joint team from Peking University, Tsinghua University, Galaxy General, and Zhiyuan Institute has introduced LDA-1B, pushing parameter size directly to the billion scale. Behind this number sits a more aggressive idea: stop focusing only on expert demonstration data. Those \u201cgarbage data\u201d&hellip;","_links":{"self":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts\/2705","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/comments?post=2705"}],"version-history":[{"count":1,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts\/2705\/revisions"}],"predecessor-version":[{"id":2709,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/posts\/2705\/revisions\/2709"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/media\/2708"}],"wp:attachment":[{"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/media?parent=2705"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/categories?post=2705"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/deepinsightai.io\/it\/wp-json\/wp\/v2\/tags?post=2705"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}