Due percorsi di ricerca diversi, accomunati da una stessa domanda di fondo: come rendere i sistemi basati sull’intelligenza artificiale sempre più capaci di operare nel mondo reale, ma anche più affidabili e comprensibili? Da una parte c’è un robot umanoide che impara a suonare la batteria per affinare le proprie capacità motorie. Dall’altra, uno studio dedicato alle reti ottiche che utilizza l’Explainable AI per rendere più trasparenti le decisioni dei modelli di machine learning.
Sono le due direttrici che hanno portato la ricerca della SUPSI sotto i riflettori internazionali nelle ultime settimane. Il robot batterista LARO ha partecipato al Davos Tech Summit 2026, mentre un gruppo di ricercatori dell’Istituto sistemi informativi e networking ha ottenuto il 2026 IEEE Communications Society Charles Kao Award for the Best Optical Communication and Networking Paper.
Ambiti apparentemente lontani, dunque, ma collegati da una sfida comune: spingere l’intelligenza artificiale oltre l’esecuzione automatica di compiti, affrontando allo stesso tempo il tema dell’apprendimento, dell’adattamento e della fiducia nelle decisioni delle macchine.
Un laboratorio internazionale dedicato alla tecnologia
Il Davos Tech Summit riunisce gruppi di ricerca, aziende, startup e istituzioni impegnati nell’innovazione tecnologica e nella riflessione sulle conseguenze che le nuove tecnologie possono avere nella società.
L’edizione 2026 ha dedicato particolare attenzione alla robotica, trasformando diversi spazi della città in una sorta di “Robot City”. Più di 55 sistemi, tra robot umanoidi, quadrupedi, droni e altre macchine intelligenti, sono stati coinvolti in dimostrazioni pensate per mostrare le possibili forme di interazione tra esseri umani e sistemi autonomi.
Tra i protagonisti dell’iniziativa è comparso anche LARO, robot umanoide batterista utilizzato come piattaforma di ricerca per studiare l’acquisizione di competenze motorie complesse.
La musica, in questo caso, non rappresenta l’obiettivo finale del progetto. Suonare la batteria diventa piuttosto uno strumento per mettere alla prova una serie di capacità che risultano centrali nello sviluppo della robotica umanoide: il coordinamento simultaneo di più arti, la precisione del movimento, il rispetto dei tempi e la possibilità di adattare l’azione alle condizioni in cui il robot opera.
LARO e l’apprendimento del movimento
Il progetto, intitolato Robot Drummer: Learning Rhythmic Skills for Humanoid Drumming, è al centro delle attività di ricerca di Asad Ali Shahid, ricercatore SUPSI del gruppo LEarning for Optimization and coNtrol (LEON) dell’Istituto Dalle Molle di studi sull’intelligenza artificiale, IDSIA USI-SUPSI.
Il contributo del ricercatore riguarda in particolare l’addestramento dei modelli di intelligenza artificiale che permettono al robot di acquisire nuovi movimenti e il trasferimento di queste capacità sul sistema fisico. La ricerca è svolta sotto la supervisione del professor Loris Roveda, professore associato in Intelligenza integrata per la robotica al Dipartimento tecnologie innovative della SUPSI e al Politecnico di Milano.
L’idea alla base del lavoro si discosta da un modello fondato esclusivamente sulla programmazione anticipata di ogni singolo gesto. LARO viene invece utilizzato per studiare processi di apprendimento progressivo, attraverso i quali il robot può sviluppare e affinare determinate abilità motorie.
La batteria costituisce un banco di prova particolarmente impegnativo. Per ottenere un’esecuzione coerente non è sufficiente muovere un singolo arto verso un obiettivo: è necessario coordinare più parti del corpo, rispettare una sequenza temporale, controllare la forza e la precisione dei movimenti e mantenere una relazione costante con il ritmo.
Sono aspetti che, se sviluppati in modo affidabile, potrebbero risultare utili anche in contesti diversi dalla musica. La ricerca sulle abilità motorie può infatti contribuire allo sviluppo di robot più autonomi e adattabili, potenzialmente impiegabili in situazioni nelle quali la semplice ripetizione di movimenti predefiniti non è sufficiente.
Maggiori informazioni sul progetto sono disponibili nell’approfondimento della SUPSI, Nuove frontiere della musica: un robot umanoide che suona la batteria.
Dalla capacità di agire alla necessità di spiegare
Se LARO affronta il problema di come una macchina possa imparare a compiere azioni sempre più sofisticate, un’altra ricerca SUPSI si concentra su una questione complementare: come comprendere e verificare le decisioni prese dai sistemi di intelligenza artificiale.
Il 5 agosto è stato annunciato il riconoscimento assegnato a Omran Ayoub, Davide Andreoletti e alla professoressa Silvia Giordano dell’Istituto sistemi informativi e networking, ISIN. I ricercatori hanno ricevuto il 2026 IEEE Communications Society Charles Kao Award for the Best Optical Communication and Networking Paper.
Il premio porta il nome di Sir Charles Kao, Premio Nobel per la Fisica nel 2009 e figura fondamentale nello sviluppo delle comunicazioni in fibra ottica. Il riconoscimento viene attribuito annualmente al miglior articolo pubblicato nei tre anni precedenti sulla rivista IEEE/Optica Journal of Optical Communications and Networking (JOCN).
Tra i criteri di valutazione figurano la qualità scientifica, l’originalità, l’impatto della ricerca, la chiarezza dell’esposizione e la capacità di indicare nuove possibili direzioni di studio.
Il premio per la ricerca sulle reti ottiche
L’edizione 2026 ha premiato il lavoro Towards Explainable Artificial Intelligence in Optical Networks: The Use Case of Lightpath QoT Estimation, pubblicato nel gennaio 2023.
Oltre a Omran Ayoub, Davide Andreoletti e Silvia Giordano della SUPSI, il paper è firmato da Sebastian Troia e Massimo Tornatore del Politecnico di Milano, nonché da Andrea Bianco e Cristina Rottondi del Politecnico di Torino.
Al centro dello studio si trova l’applicazione dell’Explainable Artificial Intelligence, o XAI, alla gestione delle reti ottiche. Si tratta di un settore nel quale i modelli di machine learning possono essere utilizzati per automatizzare previsioni e decisioni, ma nel quale la sola accuratezza del risultato non è sempre sufficiente.
Uno dei problemi più discussi nell’impiego dell’intelligenza artificiale riguarda infatti il funzionamento delle cosiddette “scatole nere”: sistemi capaci di produrre risultati anche molto precisi senza rendere immediatamente comprensibile il percorso che ha portato a una determinata previsione.
Quando questi modelli vengono applicati a infrastrutture importanti, la possibilità di comprendere e verificare le loro decisioni assume un valore ulteriore.
Rendere le decisioni verificabili
Il lavoro premiato prende in esame la stima della Quality of Transmission, QoT, un parametro utilizzato per prevedere la qualità del segnale lungo un collegamento ottico.
Attraverso l’impiego di tecniche di Explainable AI, i ricercatori hanno analizzato la possibilità di verificare se le indicazioni fornite dai modelli siano coerenti con i fenomeni fisici che regolano il funzionamento delle reti. Un approccio che può contribuire a rendere le previsioni più affidabili e a individuare eventuali anomalie prima che i sistemi vengano impiegati operativamente.
Secondo Omran Ayoub, co-responsabile dell’area scientifica Reti informatiche affidabili e sicure, il lavoro rappresenta uno dei primi contributi internazionali dedicati all’introduzione e all’applicazione dell’Explainable AI nel campo delle reti ottiche.
Il riconoscimento, nelle parole del ricercatore, conferma una linea di studio orientata a rendere l’intelligenza artificiale e il machine learning non soltanto performanti, ma anche interpretabili e concretamente utilizzabili nei processi di automazione delle reti di comunicazione.
La ricerca tra autonomia e affidabilità
Il robot che apprende a battere il tempo e gli algoritmi che devono rendere conto delle proprie previsioni appartengono a due campi di applicazione distinti. Entrambi, tuttavia, evidenziano una trasformazione in corso nella ricerca sull’intelligenza artificiale.
Da un lato cresce l’interesse verso macchine capaci di apprendere competenze e di adattare il proprio comportamento a compiti complessi. Dall’altro, parallelamente, si rafforza la necessità di poter valutare, comprendere e verificare il modo in cui gli algoritmi arrivano alle loro conclusioni.
Nel primo caso, LARO rappresenta un esperimento sul rapporto tra apprendimento automatico e controllo fisico del movimento. Nel secondo, lo studio premiato dal Sir Charles Kao Award affronta il tema della trasparenza dei modelli chiamati a intervenire nella gestione di infrastrutture di comunicazione.
La ricerca SUPSI si muove così lungo due fronti che potrebbero diventare sempre più intrecciati: sviluppare sistemi intelligenti in grado di fare di più e, allo stesso tempo, assicurarsi che il loro funzionamento rimanga sufficientemente affidabile, verificabile e comprensibile.
È forse proprio in questo equilibrio che si concentra una delle sfide principali dell’evoluzione tecnologica. Non soltanto costruire macchine capaci di imparare, muoversi e prendere decisioni, ma definire anche gli strumenti necessari per capire come lo fanno e fino a che punto sia possibile affidare loro compiti sempre più complessi.
