Cog-WM 1.0 di EBKernel: cosa promette il world model cognitivo per i robot

EBKernel ha presentato Cog-WM 1.0 al Pujiang Innovation Forum 2026 di Shanghai come un «world model cognitivo» ispirato a meccanismi del cervello. L’obiettivo è offrire ai robot una base comune per navigare autonomamente e manipolare oggetti anche senza una mappa dell’ambiente caricata in precedenza.39

Che cosa cerca di fare Cog-WM 1.0

Un world model costruisce una rappresentazione interna dell’ambiente e prova a stimare che cosa potrebbe accadere dopo un’azione. Nel caso di Cog-WM, EBKernel descrive un sistema di previsione nello spazio latente: invece di tentare di ricostruire ogni pixel della scena, dovrebbe codificare le informazioni rilevanti per l’obiettivo immediato del robot.3

La società collega questo approccio ai principi delle mappe cognitive: aggiornare in modo selettivo la memoria, distinguere la conoscenza spaziale riutilizzabile dall’esperienza episodica e formulare previsioni su più orizzonti temporali. Si tratta di ispirazioni computazionali tratte dalle neuroscienze, non dell’affermazione che il sistema replichi biologicamente un cervello.

Per la navigazione, la promessa centrale è una memoria spaziale esplicita che aiuti il robot a scegliere i prossimi obiettivi di esplorazione e i percorsi in funzione della meta finale. L’idea è vicina a quella di BSC-Nav, un framework di ricerca che costruisce mappe cognitive allocentriche — cioè riferite all’ambiente, non al punto di vista del robot — a partire da traiettorie egocentriche e segnali contestuali per supportare la navigazione spaziale.

I risultati di navigazione dichiarati

Il confronto più preciso riguarda un sottoinsieme di HM3D-ObjectNav, un benchmark in cui l’agente deve trovare un oggetto indicato. Secondo i dati divulgati dall’azienda, Cog-WM 1.0 ha ottenuto:

• 86,89% di success rate (SR), contro il 78,50% di BSC-Nav: una differenza di 8,39 punti percentuali, pari a un incremento relativo del 10,69%;
• 48,35 di SPL, contro 47,70 per BSC-Nav.

L’indicatore SPL combina il successo con l’efficienza del percorso. Nei dati disponibili, quindi, il divario è molto più netto nel tasso di successo che nell’efficienza di tragitto: il sistema sembra raggiungere più spesso l’obiettivo nel test indicato, ma non emerge un miglioramento altrettanto ampio nella brevità delle rotte riuscite.

E per la manipolazione degli oggetti?

EBKernel sostiene che il modulo di manipolazione di Cog-WM abbia superato fino a circa il 16% un baseline del tipo π0.5, fortemente preaddestrato, su tre suite di valutazione che includono RoboTwin 2.0.3

La descrizione aziendale attribuisce il risultato all’apprendimento delle conseguenze delle azioni su orizzonti brevi e lunghi, dando maggiore peso alle esperienze che contribuiscono al progresso verso il compito. Tuttavia, le fonti disponibili non includono tabelle complete per ciascun benchmark, configurazioni dei sensori, dati di addestramento né protocolli di valutazione dettagliati. Non è dunque possibile verificare in modo indipendente quanto il confronto con il baseline sia perfettamente omogeneo.

Lo stesso vale per i valori di ablation dichiarati su LIBERO-Plus: dal circa 80% della sola policy fino all’84,6% del sistema completo. In assenza di un rapporto tecnico completo o di una tabella pubblica dei risultati, questi numeri vanno letti come misurazioni aziendali non ancora verificate in modo indipendente, non come una classifica definitiva della tecnologia.

Dai benchmark ai robot reali

EBKernel afferma di avere mostrato navigazione senza mappa preesistente, pianificazione del percorso, recupero di memoria spazio-temporale, domande e risposte sulle relazioni nello spazio e ricerca di oggetti su umanoidi su ruote e robot quadrupedi. La società riferisce inoltre una dimostrazione di manipolazione su un umanoide su ruote.3

L’azienda ha sede a Shanghai ed è stata fondata nel 2025. La sua tesi di fondo è che architetture basate su conoscenza e memoria possano ridurre la dipendenza dell’AI incarnata (embodied AI) da enormi quantità di dati e potenza di calcolo.11

Come interpretare gli annunci

Cog-WM 1.0 propone una direzione di ricerca coerente: memoria spaziale, previsione di stati astratti e pianificazione guidata dagli obiettivi. Il confronto con BSC-Nav è significativo proprio perché anche BSC-Nav considera la navigazione come un problema di conoscenza spaziale strutturata, non soltanto di percezione reattiva.

I risultati più spettacolari, però, arrivano soprattutto da comunicazioni aziendali. Per trarre conclusioni più solide servirebbero codice pubblico o una documentazione tecnica approfondita, dati di addestramento e sensori comparabili, budget computazionali espliciti e valutazioni indipendenti in ambienti diversi.

In sintesi: Cog-WM 1.0 è una proposta iniziale e promettente per l’AI incarnata, che combina previsione latente e memoria spaziale cognitiva. I miglioramenti dichiarati nei benchmark meritano attenzione, ma non bastano ancora a dimostrare un’autonomia affidabile e generalizzabile in contesti aperti.