Rika Antonova, professoressa associata presso l'Università di Cambridge, è intervenuta il 16 ottobre 2026 in un podcast dedicato alla robotica per parlare dell'uso dell'intelligenza artificiale nello sviluppo congiunto dell'hardware e degli algoritmi dei robot. La conversazione, condotta dalla host Claire, è l'episodio 166 di una serie settimanale. Al centro c'è la co-progettazione (co-design) dei robot: concepire il corpo di una macchina e il suo software di controllo come un unico problema anziché come due.
La descrizione ufficiale dell'episodio è breve. Indica l'argomento e il profilo dell'ospite, ma non riporta risultati, esperimenti o robot specifici. Questo articolo riassume quanto dichiarato e ciò che il tema implica per il settore.
L'idea di progettare insieme corpo e cervello
L'episodio è stato impostato attorno allo sviluppo di hardware e algoritmi robotici complementari. Il termine «complementari» è importante: suggerisce che forma fisica e software vengano scelti in modo da integrarsi, invece di fissare prima l'uno e adattare poi l'altro.
Tra gli interessi di ricerca di Antonova figura il co-design, tema della conversazione. Il titolo dell'episodio parla di evoluzione di corpi e cervelli dei robot, il che indica un approccio in cui entrambe le componenti cambiano nel corso del processo di progettazione. La descrizione non precisa quali metodi siano stati discussi, quali robot siano coinvolti né che cosa sia stato misurato.
L'ospite e la sua ricerca
Antonova è professoressa associata all'Università di Cambridge. I suoi interessi di ricerca dichiarati sono co-design, scoperta automatica di algoritmi, reinforcement learning efficiente nell'uso dei dati, esplorazione, apprendimento attivo e robotica.
Molti di questi ambiti sono strettamente collegati. La scoperta automatica di algoritmi rimanda all'uso del calcolo per individuare metodi di controllo, anziché scriverli a mano uno per uno. Il reinforcement learning efficiente nell'uso dei dati riguarda l'apprendimento di comportamenti a partire da un'esperienza limitata. Esplorazione e apprendimento attivo riguardano il modo in cui un sistema decide che cosa provare o quali dati raccogliere successivamente. La descrizione non collega questi temi a progetti specifici, quindi ogni legame con il suo lavoro sul co-design è un'inferenza tratta dall'elenco e non un risultato riportato.
Il suo percorso formativo tocca diverse istituzioni. Ha conseguito un master di ricerca presso il Robotics Institute della Carnegie Mellon University e un dottorato al KTH Royal Institute of Technology. Ha poi ottenuto una Computing Innovation Fellowship alla Stanford University. In precedenza ha lavorato come senior software engineer in Google.
Dove si colloca l'episodio nella serie
La serie si presenta come un podcast settimanale su robotica, intelligenza artificiale e macchine autonome. L'episodio 166 segue il 165, in cui Claire ha parlato con Kushant Patel del Brookhaven National Laboratory di robot che operano in strutture scientifiche come gli acceleratori di particelle. L'episodio 167, uscito una settimana dopo quello di Antonova, ospita Jan Petrš dell'École Polytechnique Fédérale de Lausanne, che illustra nuove soluzioni di progettazione robotica per l'edilizia e l'architettura.
Nel complesso, i tre episodi coprono i robot nei centri di ricerca, i robot progettati con l'IA e i robot pensati per i cantieri. Due su tre riguardano il modo in cui la forma del robot viene scelta in funzione di un compito preciso.
Che cosa significa per il settore
I dati disponibili sono limitati, quindi l'analisi che segue si basa sul tema e sugli interessi dichiarati dell'ospite, non su risultati documentati.
Il co-design dei robot affronta una reale frattura strutturale nella robotica. Hardware e software sono di solito sviluppati da team diversi, con tempi diversi. Un algoritmo di controllo viene quindi ottimizzato per un corpo già esistente, e quel corpo porta con sé scelte progettuali che possono limitare ciò che qualsiasi algoritmo riesce a fare. Trattare i due aspetti come un unico problema di ricerca è una risposta a questo limite. L'impostazione dell'episodio, hardware e algoritmi complementari, rimanda a questa motivazione.
L'abbinamento con il reinforcement learning efficiente nell'uso dei dati appare coerente, anche se la descrizione non lo conferma. Cercare insieme corpi e controllori moltiplica il numero di candidati da valutare. Se ogni valutazione richiede hardware fisico, i costi crescono rapidamente. I metodi che apprendono da meno dati sarebbero dunque più rilevanti nel co-design che con un corpo fisso. È una relazione logica tra due dei suoi interessi dichiarati, non un risultato documentato.
Il confronto con altri lavori è limitato da ciò che la fonte offre. La descrizione non cita benchmark, prototipi o approcci concorrenti, quindi non si può dire come i suoi metodi si comportino rispetto a robot progettati a mano o ad altri sforzi di progettazione automatizzata. L'episodio vicino sui robot per l'edilizia mostra la stessa questione dal lato applicativo: quando un compito è insolito, un corpo su misura può aiutare, ma qualcuno deve decidere come debba essere fatto.
Diversi punti restano non dimostrati sulla base delle evidenze disponibili. La descrizione non dice se robot co-progettati siano stati costruiti e testati, quanto bene i progetti trovati in simulazione si trasferiscano alle macchine fisiche, né quanta potenza di calcolo richieda una data ricerca. Non indica neppure tempi per l'arrivo di queste tecniche sui prodotti. I lettori dovrebbero considerare l'episodio come l'espressione di una direzione di ricerca da parte di un'accademica di Cambridge con esperienza nell'industria e nella ricerca robotica, non come la prova che l'approccio sia stato validato.
Si può dire che la questione è ben definita e che il profilo dell'ospite è coerente con essa. Il suo percorso va dalla ricerca robotica alla Carnegie Mellon, attraverso un dottorato, una fellowship a Stanford e l'ingegneria del software in Google, fino a un incarico accademico a Cambridge. È nella conversazione completa che si troverebbero eventuali dettagli, e sono proprio questi dettagli a servire al settore per capire se progettare insieme corpi e cervelli possa superare la progettazione separata.