Per insegnare a un robot ad afferrare un oggetto, aprire un cassetto o svolgere un'attività domestica non bastano immagini generiche e testi presi dal web. Servono sequenze che mostrino mani, strumenti, superfici, movimenti, errori e contesti concreti. È su questa materia prima che vuole costruire il proprio spazio Humyn Labs, startup con sede a Bengaluru che ha raccolto 47 milioni di dollari in un round di Serie A.
La società, nata appena a febbraio, vende a sviluppatori di robotica, laboratori di AI e realtà impegnate nei cosiddetti world model dati raccolti nel mondo fisico e trasformati in dataset utilizzabili nell'addestramento. Il finanziamento combina 26 milioni di dollari di capitale azionario, guidati da Accel, e 21 milioni di venture debt. Nel capitale entrano anche Prosus Ventures, BeeGlobal, Finserv Intelligence di Bajaj Finance, Bajaj Alts AI Opportunities Fund, Dallas Venture Capital, Lighthouse Canton e Jump Trading; la componente di debito è guidata dal fondo Lighthouse Canton Growth Debt Fund II, con Trifecta Capital.
La presenza del debito racconta anche la natura operativa di questa attività. Humyn Labs remunera con frequenza giornaliera o settimanale lavoratori e partner incaricati della raccolta, mentre i clienti possono pagare dopo 30 o 60 giorni. Per una società in rapida crescita, quel disallineamento richiede liquidità: ricorrere al debito consente di finanziare il capitale circolante senza cedere una quota ulteriore dell'azienda.
Il dato che manca alla robotica
Negli ultimi anni l'intelligenza artificiale generativa ha potuto contare su enormi archivi di testo, immagini, audio e codice. Per i sistemi destinati a muoversi nello spazio reale la situazione è diversa. Un modello che deve guidare un braccio robotico o assistere in un ambiente domestico deve comprendere come cambiano gli oggetti quando vengono toccati, quale forza usare, in che ordine compiere le azioni e come adattarsi alle differenze tra una cucina, un'officina o un appartamento.
Humyn Labs affronta il problema con un dispositivo proprietario dotato di due telecamere, impiegato per registrare persone durante attività quotidiane. Alle riprese segue il lavoro software: l'azienda estrae e annota elementi come i movimenti delle mani e le interazioni con gli oggetti, convertendo filmati grezzi in informazioni strutturate che possono essere impiegate per addestrare modelli. L'obiettivo dichiarato non è dunque vendere semplici video, ma una rappresentazione dei passaggi necessari a eseguire compiti nel mondo fisico.
La raccolta avviene in più di 20 Paesi dell'America Latina e dell'Asia, con Brasile, India e Corea del Sud indicati come poli principali. Questa distribuzione geografica serve a costruire varietà nei contesti, nelle abitazioni, negli strumenti e nei comportamenti osservati. Per un cliente che sviluppa automazione o robotica, la varietà del dataset può incidere sulla capacità del modello di gestire situazioni differenti da quelle viste in fase di addestramento.
È un settore in cui Humyn Labs non è sola. Startup come Mecka AI, XDOF e MicroAGI stanno già cercando di risolvere la scarsità di dati per l'AI fisica. Anche in India sono emerse iniziative quali Human Archive e BuildAI, orientate a sfruttare la disponibilità di una vasta forza lavoro per documentare azioni ordinarie. La competizione si giocherà sulla scala della raccolta, sulla qualità delle annotazioni, sulla copertura delle situazioni pratiche e sulla fiducia che i fornitori riusciranno a costruire con clienti e partecipanti.
Un'azienda indiana con clienti soprattutto negli Stati Uniti
Benché la base operativa sia a Bengaluru, circa il 90% dei ricavi di Humyn Labs arriva dagli Stati Uniti. La startup afferma di avere 12 clienti paganti, tra frontier AI lab, aziende di robotica e sviluppatori di world model, senza rendere pubblici i nomi. Fra aprile e ottobre avrebbe generato 10 milioni di dollari di ricavi; inoltre dichiara 20 milioni di contratti già firmati e un ulteriore volume di accordi, per 20 milioni di dollari, ancora da finalizzare.
Il profilo dei fondatori aiuta a spiegare l'accesso a una rete distribuita. Manish Agarwal, in passato CEO della società indiana di gaming Nazara Technologies, ha avviato Humyn Labs con Ishank Gupta, ex dirigente di AB InBev. I due avevano già creato Kratos Studios, oggi KGeN. La rete di contributori sviluppata attraverso quell'esperienza nei mercati emergenti viene ora usata per sostenere la raccolta dei dati nelle case e presso i partner locali.
Humyn Labs conta attualmente 51 dipendenti a tempo pieno, in maggioranza a Bengaluru, oltre ai partner attivi nei Paesi dove vengono prodotti i dataset. La combinazione tra coordinamento centralizzato, hardware proprietario e rete locale è centrale per il modello: registrare un gesto è relativamente semplice, ottenere riprese coerenti, supervisionare le operazioni e rendere confrontabili le annotazioni su scala internazionale è il passaggio più difficile.
La questione di consenso e privacy
L'espansione dei dati per la robotica porta con sé un tema inevitabile: cosa comporta filmare persone mentre lavorano o svolgono attività domestiche, spesso all'interno di spazi privati. Agarwal ha spiegato che Humyn Labs privilegia persone impegnate nelle loro normali mansioni o faccende, anziché scene costruite per la telecamera. L'azienda lavora con soggetti locali per individuare i luoghi di raccolta e supervisionare il processo; i partecipanti sono incentivati economicamente.
Questi elementi non eliminano le questioni sul consenso informato, sulla tutela delle immagini, sulle condizioni di lavoro e sull'uso futuro dei dati prodotti. Più i dataset diventano preziosi per addestrare macchine destinate a replicare capacità umane, maggiore sarà l'attenzione sulla catena con cui vengono raccolti: chi viene registrato, chi controlla il materiale, quali informazioni sono rimosse e per quanto tempo i contenuti restano disponibili. Sono aspetti particolarmente rilevanti quando la raccolta coinvolge abitazioni e lavoro informale.
Per il momento il round offre a Humyn Labs risorse per sostenere una crescita che l'azienda presenta come già commerciale, non soltanto sperimentale. La prossima verifica sarà nella capacità di trasformare contratti e interesse dei laboratori in consegne ricorrenti, mantenendo standard qualitativi elevati e procedure credibili sul trattamento delle persone coinvolte. In un mercato dove molti puntano a costruire robot più generalisti, il vantaggio potrebbe appartenere non solo a chi sviluppa il modello migliore, ma anche a chi sa procurargli esperienze del mondo reale in quantità, con sufficiente dettaglio e con regole chiare.




