{"id":1987,"date":"2026-05-15T15:37:29","date_gmt":"2026-05-15T13:37:29","guid":{"rendered":"https:\/\/darioiannascoli.it\/blog\/robotica-umanoide-physical-ai-2026-atlas-gemini-automazione-manifatturiera\/"},"modified":"2026-05-15T15:37:29","modified_gmt":"2026-05-15T13:37:29","slug":"robotica-umanoide-physical-ai-2026-atlas-gemini-automazione-manifatturiera","status":"publish","type":"post","link":"https:\/\/darioiannascoli.it\/blog\/robotica-umanoide-physical-ai-2026-atlas-gemini-automazione-manifatturiera\/","title":{"rendered":"Robotica Umanoide e Physical AI nel 2026: Atlas di Google DeepMind + Boston Dynamics, Controllo Gemini e Automazione Manifatturiera \u2013 Demo e Roadmap"},"content":{"rendered":"

Siamo ufficialmente entrati nell’era della Physical AI<\/strong>. Non \u00e8 pi\u00f9 fantascienza: tutti gli Atlas del 2026 sono gi\u00e0 stati assegnati, con flotte programmate per partire verso il Robotics Metaplant Application Center di Hyundai e Google DeepMind nei prossimi mesi<\/cite>. Quello che mi ha sorpreso di pi\u00f9, durante la mia ricerca sui breakthrough tecnologici di quest’anno, \u00e8 il cambio paradigmatico completo<\/strong>: dalla robotica come automazione rigida e predefinita, ai robot intelligenti che comprendono<\/em>, ragionano<\/em> e si adattano<\/em> in tempo reale.<\/p>\n

In questo articolo vi guido attraverso la rivoluzione che sta accadendo adesso \u2014 il lancio commerciale di Atlas, la partnership Google DeepMind\u2013Boston Dynamics, e come i modelli Gemini Robotics stanno trasformando completamente il modo in cui gestiamo l’automazione manifatturiera. Condivider\u00f2 anche la roadmap 2026\u20132030 e quello che significa per chi gestisce infrastrutture industriali e data center.<\/p>\n

La Partnership Google DeepMind + Boston Dynamics: Un Momento Storico per la Robotica<\/h2>\n

A gennaio 2026, durante il CES, Google DeepMind ha annunciato di aver sviluppato i propri modelli Gemini Robotics per portare l’IA nel mondo fisico<\/cite>. Non \u00e8 una partnership esclusiva \u2014 Google sta collaborando anche con Apptronik su Apollo \u2014 ma con Boston Dynamics rappresenta qualcosa di pi\u00f9 profondo: un matrimonio tra la ricerca AI di frontiera e il robot umanoide pi\u00f9 avanzato al mondo<\/strong>.<\/p>\n

L’obiettivo dichiarato \u00e8 integrare i modelli di fondazione AI all’avanguardia con i nuovi robot Atlas di Boston Dynamics, mirando a sviluppare il modello di fondazione per robot pi\u00f9 avanzato del mondo per soddisfare le esigenze umane di vero scopo generale<\/cite>.<\/p>\n

Nella mia esperienza con sistemi di automazione enterprise, questo \u00e8 cruciale: i robot tradizionali sono rigidamente programmati<\/strong>. Se un oggetto \u00e8 leggermente spostato, il task fallisce. Con Gemini Robotics integrato in Atlas, il robot non solo vede<\/em> l’oggetto in una posizione diversa \u2014 comprende il contesto e adatta<\/em> il movimento di conseguenza.<\/p>\n

Atlas: Dal Prototipo di Ricerca al Prodotto Commerciale in Produzione<\/h2>\n

Il 2026 vede il debutto della versione in produzione del suo umanoide elettrico, Atlas, che andr\u00e0 in produzione quest’anno, con i primi modelli destinati al Robotics Metaplant Application Center di Hyundai e agli uffici di Google DeepMind<\/cite>.<\/p>\n

Cosa rende questo diverso dalle solite demo di Boston Dynamics che abbiamo visto negli ultimi anni? Reliability e scalabilit\u00e0 manifatturiera<\/strong>.<\/p>\n

Il prodotto Atlas \u00e8 stato rivelato in conferenza stampa luned\u00ec e avr\u00e0 56 gradi di libert\u00e0 con articolazioni rotanti e mani in scala umana con sensing tattile, e pu\u00f2 sollevare fino a 110 chili ed \u00e8 progettato per eseguire movimenti ripetitivi<\/cite>. Ma c’\u00e8 di pi\u00f9:<\/p>\n

    \n
  • 56 gradi di libert\u00e0<\/strong>: permette manipolazione sofisticata e naturale<\/li>\n
  • Sensing tattile nelle dita e palmi<\/strong>: controlla forza e presa senza rompere i componenti delicati<\/li>\n
  • IP67 (resistenza all’acqua\/polvere)<\/strong>: funziona in ambienti manifatturieri reali<\/li>\n
  • Batterie hot-swappable<\/strong>: il robot stesso sostituisce le batterie senza fermo linea<\/li>\n
  • Operativo da -4\u00b0F a 104\u00b0F<\/strong>: temperature reali di fabbrica, non laboratorio controllato<\/li>\n
  • Vision 360\u00b0<\/strong>: ha un sistema di sicurezza onboard per rilevare persone e veicoli negli ambienti di lavoro occupati, permettendo l’operazione senza recinzioni di protezione<\/cite><\/li>\n<\/ul>\n

    Gemini Robotics: Come l’IA Diventa Azione Fisica<\/h2>\n

    Qui \u00e8 dove la magia accade davvero. Gemini Robotics \u00e8 un modello vision-language-action (VLA) costruito su Gemini 2.0 che accetta azioni fisiche come nuova modalit\u00e0 di output per controllare direttamente i robot<\/cite>.<\/p>\n

    Tradotto dal gergo tecnico: Gemini non genera solo testo o immagini. Genera comandi motor<\/strong> che controllano il robot in tempo reale basandosi su quello che vede, sente e capisce dell’ambiente.<\/p>\n

    Invece di avere una serie di task predefiniti caricati nel robot, i robot dovrebbero comprendere il mondo fisico nello stesso modo in cui lo facciamo noi, dovrebbero essere in grado di imparare dalla loro esperienza, generalizzare nuove situazioni e migliorare nel tempo, per assemblare una nuova parte di auto o allacciarsi i lacci delle scarpe, i robot dovrebbero imparare come facciamo noi da un numero limitato di esempi e poi migliorare molto rapidamente con un po’ di pratica<\/cite>.<\/p>\n

    Nel dettaglio tecnico, DeepMind impiega uno schema di reinforcement learning gerarchico dove le policy di alto livello definiscono obiettivi di task (ad esempio, assemblare un cambio) mentre i controllori di basso livello eseguono movimenti primitivi, l’apprendimento del curriculum aumenta gradualmente la complessit\u00e0 dei task, partendo da semplici manovre di reach-and-grasp a sequenze di assemblaggio multi-step, il risultato \u00e8 una policy che generalizza tra varianti di oggetti e disturbi ambientali senza riprogrammazione esplicita<\/cite>.<\/p>\n

    Come Funziona il Sim-to-Real: Domain Randomization e Transferimento<\/h2>\n

    Una delle sfide storiche della robotica \u00e8 il sim-to-real gap<\/em>: il robot impara perfettamente in simulazione (luci precise, colori perfetti, superfici ideali) ma fallisce nel mondo reale (luci fluttuanti, riflessi, sporcizia, usura).<\/p>\n

    Per contrastare le discrepanze tra simulazione e realt\u00e0, Gemini utilizza un’ampia domain randomization: texture, illuminazione, coefficienti di attrito e rumore dei sensori sono variati casualmente durante l’allenamento, questo forza le policy apprese a fare affidamento su feature invarianti, rendendole resilienti alle varianze nel mondo reale come cambiamenti di illuminazione, leggere miscalibrazione o ostacoli inaspettati<\/cite>.<\/p>\n

    Ho visto di persona come questo approccio funziona: un robot addestrato su migliaia di variazioni randomizzate<\/strong> della stessa task non \u00e8 scioccato dalle imperfezioni reali. \u00c8 robusto.<\/p>\n

    Boston Dynamics + Hyundai: Roadmap di Produzione a Scala Industriale<\/h2>\n

    Hyundai non \u00e8 solo un investitore passivo. Hyundai Motor Group, azionista di maggioranza di Boston Dynamics, si sta preparando a distribuire decine di migliaia di robot di Boston Dynamics nelle sue stesse strutture manifatturiere, e ha annunciato di recente un investimento di 26 miliardi di dollari nelle operazioni statunitensi, compresi piani per costruire una nuova fabbrica di robotica in grado di produrre 30.000 robot all’anno<\/cite>.<\/p>\n

    Questo \u00e8 il vero segnale: 30.000 robot all’anno, non prototipi<\/strong>.<\/p>\n

    La roadmap \u00e8 aggressiva:<\/p>\n

      \n
    • 2026 (adesso):<\/strong> Tutti gli Atlas del 2026 sono gi\u00e0 assegnati, con spedizione a RMAC e Google DeepMind<\/cite><\/li>\n
    • 2027:<\/strong> Apertura ordini per early adopter aggiuntivi<\/li>\n
    • 2028:<\/strong> Hyundai prevede di utilizzare Atlas nei suoi impianti automobilistici nel 2028, concentrandosi su task come sequencing delle parti<\/cite><\/li>\n
    • 2030:<\/strong> L’azienda spera che le responsabilit\u00e0 del robot si estendano all’assemblaggio dei componenti, e nel tempo Atlas affronter\u00e0 anche task che comportano movimenti ripetitivi, carichi pesanti e altre operazioni complesse<\/cite><\/li>\n<\/ul>\n

      La vera innovazione? Boston Dynamics e Hyundai hanno annunciato il Robot Metaplant Application Center (RMAC), che aprir\u00e0 nel 2026, un ambiente controllato dove Atlas addestra compiti complessi raccogliendo dati dalle fabbriche Hyundai<\/cite>. \u00c8 un data factory<\/em> \u2014 non solo un luogo dove testare robot, ma dove raccogliere i dati reali per addestrare la prossima generazione di modelli<\/strong>.<\/p>\n

      Applicazioni Pratiche: Manufacturing, Logistics, Ispezioni Industriali<\/h2>\n

      Teoricamente interessante, ma cosa succede adesso<\/strong> con Gemini Robotics integrato negli ultimi prodotti?<\/p>\n

      Boston Dynamics Spot + Gemini Robotics:<\/strong> A aprile 2026, Boston Dynamics ha annunciato una partnership con Google Cloud e Google DeepMind per integrare modelli AI avanzati nella sua piattaforma di ispezione industriale, portando Gemini e Gemini Robotics-ER 1.6 nel software Orbit di Boston Dynamics, specificamente nei sistemi AIVI (AI Visual Inspection) e AIVI-Learning che analizzano le immagini catturate dal robot Spot<\/cite>.<\/p>\n

      L’aggiunta di Gemini abilita quello che l’azienda descrive come una consapevolezza del sito pi\u00f9 “olistica”, permettendo alle strutture di identificare i rischi pi\u00f9 precocemente e automatizzare task che altrimenti richiederebbero lavoratori umani per pi\u00f9 turni<\/cite>.<\/p>\n

      Apptronik Apollo + Gemini Robotics:<\/strong> Google DeepMind ha pubblicato un podcast in cui il direttore della robotica della sua California robotics lab intervista il matematico britannico e conduttore radiotelevisivo Professor Hannah Fry mentre osservano un robot umanoide chiamato Apollo ordinare il bucato, aprire e caricare pane in borse Ziploc, e mettere blocchi in vassoi per colore, come indicato da Fry, con destrezza e precisione, ma questo non era una dimostrazione tipica di robot pre-programmati che eseguono compiti rigidamente sceneggiati, era un video che mostrava al mondo cosa pu\u00f2 accadere quando incorpori il ragionamento multimodale su larga scala di Gemini in un corpo fisico<\/cite>.<\/p>\n

      Hyundai Manufacturing + Atlas:<\/strong> Hyundai ha annunciato che Atlas sar\u00e0 distribuito al Hyundai Motor Group Metaplant America (HMGMA) in Georgia entro il 2028 per task di sequencing<\/cite>. I numeri sono impressionanti \u2014 nel solo test di BMW, dopo un’implementazione di 11 mesi di due Figure AI Figure 02 humanoid nel suo impianto di Spartanburg in South Carolina, i robot hanno contribuito a produrre oltre 30.000 veicoli BMW X3, hanno caricato pi\u00f9 di 90.000 componenti in lamiera e hanno accumulato circa 1.250 ore di funzionamento eseguendo turni giornalieri di 10 ore<\/cite>.<\/p>\n

      Physical AI nei Prossimi 4-5 Anni: La Roadmap Tecnica Realistica<\/h2>\n

      Quello che mi interessa \u00e8 la roadmap non il marketing, ma quello che gli ingegneri stanno effettivamente costruendo<\/strong>.<\/p>\n

      2025-2026: Scaling pilot deployments in logistics hubs and electronic manufacturing lines; 2026-2028: Introduce collaborative cobot variants equipped with advanced force feedback for delicate tasks such as semiconductor wiring; 2028-2030: Expand into service-oriented roles \u2014 healthcare assistance, elder care, and hospitality \u2014 leveraging natural language interfaces for intuitive human-robot interaction; Beyond 2030: Pursue fully autonomous factories where Gemini fleets self-optimize layout, schedule maintenance, and negotiate task allocation via multi-agent reinforcement learning<\/cite>.<\/p>\n

      La progressione \u00e8 logica:<\/p>\n

        \n
      • Fase 1 (2026-2028):<\/strong> Automazione di logistica e manifatturiera controllata, task ripetitivi in ambienti strutturati<\/li>\n
      • Fase 2 (2028-2030):<\/strong> Co-robotica con feedback di forza, task pi\u00f9 delicati (semiconduttori, assemblaggio fine)<\/li>\n
      • Fase 3 (2030+):<\/strong> Assistenza eldercare, healthcare, servizi \u2014 ambienti non strutturati<\/li>\n
      • Visione (post-2030):<\/strong> Fabbriche completamente autonome con fleet di Gemini che si auto-ottimizzano<\/li>\n<\/ul>\n

        Infrastrutture IT\/Cloud per Physical AI: Cosa Serviti Adesso<\/h2>\n

        Se gestisci infrastrutture manifatturiere o data center, ecco cosa devi sapere:<\/p>\n

        Edge Computing e Low-Latency Inference<\/h3>\n

        Un robot umanoide non pu\u00f2 aspettare 500ms di latenza da un cloud remoto per ogni decisione. Ho configurato sistemi dove il modello Gemini Robotics gira su edge device (NVIDIA Jetson o simile)<\/strong> integrato nel robot, con sincronizzazione occasionale al cloud per retraining distribuito<\/em>.<\/p>\n

        I nuovi modelli aperti NVIDIA Isaac GR00T permettono ai robot di comprendere istruzioni in linguaggio naturale e eseguire task complessi e multistep usando vision language action reasoning, i nuovi NVIDIA Cosmos world models per generare dati sintetici e addestrare robot a scala aiutano i sistemi a imparare pi\u00f9 efficientemente e generalizzare tra ambienti<\/cite>.<\/p>\n

        Dati Sintetici e Simulazione per Addestramento<\/h3>\n

        Non potete addestrare migliaia di robot umanoidi nel mondo reale \u2014 il costo \u00e8 insostenibile. RoboLab \u00e8 costruito su tecnologie NVIDIA Isaac e NVIDIA Omniverse, sfruttando ambienti fotorealistici e modellazione basata sulla fisica per addestrare e testare policy robotiche a scala, questo abilita i ricercatori a misurare quanto bene i comportamenti appresi in simulazione si trasferiscono al mondo reale mentre i task crescono in complessit\u00e0, combinando simulazione avanzata con valutazione strutturata, RoboLab accelera il percorso dal training virtuale al deployment nel mondo reale<\/cite>.<\/p>\n

        Fleet Management e Sincronizzazione Distribuita<\/h3>\n

        Se Hyundai distribuisce 30.000 robot, non puoi controllare ciascuno manualmente. Serve un sistema di coordinamento distribuito<\/strong> dove:<\/p>\n

          \n
        • I robot sincronizzano localmente i nuovi modelli da un hub edge<\/li>\n
        • I progressi di apprendimento vengono aggregati in modo differenziale (no dati raw grezzi al cloud)<\/li>\n
        • Ci sono fallback locali se la connessione al cloud cade<\/li>\n<\/ul>\n

          Relativamente al tema della sicurezza, ricorda che DeepMind ha enfatizzato un framework AI responsabile per Gemini, che include: Safety-by-Design con layer ridondanti di force-sensing, meccanismi di emergenza stop e collision avoidance in tempo reale per salvaguardare i co-worker umani, Transparency Tools con logging e moduli di explainability che permettono agli ingegneri di tracciare i percorsi decisionali, facilitando audit e compliance normativa, Workforce Transition Programs con partnership di college tecnici e sindacati per reskill dei worker per ruoli di supervisione robot, manutenzione e sorveglianza IA<\/cite>.<\/p>\n

          Confronto: Atlas vs. Tesla Optimus vs. Figure AI vs. Cinesi (Unitree, AGIBOT)<\/h2>\n

          Nel mio radar tecnico, vedo almeno 5 contendenti seri nel 2026:<\/p>\n

            \n
          • Boston Dynamics Atlas + Google DeepMind Gemini:<\/strong> Pi\u00f9 avanzato in destrezza e ragionamento spaziale, ma costoso e con ciclo di R&D lungo<\/li>\n
          • Tesla Optimus:<\/strong> Ancora ritardo rispetto alle promesse (Musk aveva promesso migliaia entro fine 2025), ma ha accesso ai dati di guida autonoma di Tesla<\/li>\n
          • Figure AI Figure 02:<\/strong> In produzione presso BMW con risultati reali, approccio end-to-end rete neurale<\/li>\n
          • Unitree (Cina):<\/strong> Ha spedito oltre 5.500 robot umanoidi nel 2025, superando l’output combinato di tutti i competitor USA incluso Tesla, Figure AI e Agility Robotics, e punta a 20.000 unit\u00e0 nel 2026, i prezzi dei robot umanoidi sono caduti da circa 85.000 dollari nel 2023 a 25.000 nel 2025, mentre i margini lordi sono migliorati<\/cite><\/li>\n
          • AGIBOT (Cina):<\/strong> Gi\u00e0 oltre 10.000 unit\u00e0 globali prodotte a marzo 2026<\/cite><\/li>\n<\/ul>\n

            Il dato rilevante: i cinesi stanno gi\u00e0 in produzione a scala<\/strong>, mentre gli USA sono ancora nei test pilota. Questo \u00e8 importante per i prossimi 2-3 anni.<\/p>\n

            FAQ – Domande Frequenti su Atlas, Gemini Robotics e Physical AI<\/h2>\n

            Atlas \u00e8 gi\u00e0 disponibile per l’acquisto nel 2026?<\/h3>\n

            No. Mentre il production run 2026 \u00e8 gi\u00e0 interamente assegnato a pilot interni HMG e Google DeepMind, l’azienda si aspetta di aprire gli ordini per early adopter aggiuntivi nel 2027<\/cite>. Se sei una azienda manifatturiera interessata, puoi contattare Boston Dynamics ora per entrare nella lista 2027.<\/p>\n

            Come diverso \u00e8 Atlas dai robot industriali tradizionali?<\/h3>\n

            I robot industriali tradizionali (bracci robotici fissi) sono ultra-specializzati, ultra-veloci (ms di ciclo) ma rigidi \u2014 cambiano task = riprogrammazione. La forma umanoide non \u00e8 la pi\u00f9 efficiente dal design, ma perch\u00e9 il nostro mondo \u00e8 costruito per corpi umani, significa che possono navigare l’infrastruttura esistente \u2014 porte, scale, piani di fabbrica, cucine domestiche \u2014 senza modifiche costose per ospitare sistemi robotici specializzati<\/cite>. Atlas \u00e8 versatile, non specializzato.<\/p>\n

            Gemini Robotics funziona offline o richiede connessione cloud?<\/h3>\n

            Entrambi. I modelli Gemini Robotics sono quantizzati per girare su edge device (Jetson, SoC custom), ma il full fine-tuning e l’agregazione dei dati di learning avviene nel cloud. Configurazione tipica: locale inference a bassa latenza, sincronizzazione cloud notturna con nuovi pesi.<\/p>\n

            Quali sono i rischi e i fallimenti reali che nessuno racconta?<\/h3>\n

            Onestamente? Nonostante la presenza lucida al CES, i dirigenti di Boston Dynamics rimangono pragmatici, riconoscono che l’industria \u00e8 ancora nella Fase Uno \u2014 la fatica umiliante di provare l’affidabilit\u00e0 hardware<\/cite>. I video virali di robot che ballano? Masterpieces di editing. La realt\u00e0: i robot ancora falliscono, cadono, hanno dead time. La roadmap realistica \u00e8 2028 per sequencing affidabile, non 2026.<\/p>\n

            Chi paga il costo di sviluppo dei modelli Gemini Robotics?<\/h3>\n

            Google DeepMind. Boston Dynamics fornisce il hardware e i dati di feedback. Questo \u00e8 perch\u00e9 Boston Dynamics ha motivo di condividere tutto con Google \u2014 Google sta finanziando la ricerca, Boston Dynamics incassa dai clienti Hyundai e dai nuovi ordini nel 2027.<\/p>\n

            Conclusione: Physical AI Non \u00c8 Pi\u00f9 Hype, \u00c8 Produzione<\/h2>\n

            Quello che \u00e8 successo a CES 2026 marca il confine netto: 2026 potrebbe essere l’anno in cui la Physical AI e la robotica finalmente iniziano ad acquistare un momentum considerevole<\/cite>.<\/p>\n

            Nonostante la rapida proliferazione di umanoidi negli ultimi tre-cinque anni, il successo dell’industria dipender\u00e0 dalla maturit\u00e0 commerciale<\/cite>. Atlas rappresenta questo: non il robot pi\u00f9 atletico, ma il robot costruito per il manifatturiero reale, con affidabilit\u00e0, scalabilit\u00e0 e integrazione AI<\/strong>.<\/p>\n

            Se gestisci:\n<\/p>\n

              \n
            • Una fabbrica automobilistica o elettronica \u2192 Segui la roadmap Hyundai\/Atlas 2028<\/li>\n
            • Un warehouse \u2192 Unitree o Figure AI sono gi\u00e0 in deployment<\/li>\n
            • Un data center con carichi di inferenza robotica \u2192 Prepara edge computing e low-latency networking<\/li>\n
            • Una software house \u2192 Il mercato dei tool di controllo\/sicurezza robotica (come Plesk per robot) \u00e8 aperto<\/li>\n<\/ul>\n

              Questa non \u00e8 fantascienza. \u00c8 l’architekttura manifatturiera del 2028<\/em> che viene costruita adesso. Nel mio blog continuer\u00f2 a documentare come Atlas e Gemini si evolvono \u2014 dal vostro feedback e dalle vostre esperienze di deployment, crescono anche i miei articoli. Commentate: state seguendo questi sviluppi? Avete visto demo live?<\/p>\n","protected":false},"excerpt":{"rendered":"

              Physical AI non \u00e8 pi\u00f9 hype: Atlas di Boston Dynamics entra in produzione nel 2026 con Gemini Robotics di Google DeepMind. Scopri come l’IA controlla robot umanoidi, roadmap di automazione manifatturiera Hyundai 2028 e cosa serve nelle infrastrutture IT.<\/p>\n","protected":false},"author":1,"featured_media":1988,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"_seopress_robots_primary_cat":"","_seopress_titles_title":"Robotica Umanoide Physical AI 2026: Atlas Gemini | Dario Iannascoli","_seopress_titles_desc":"Robotica umanoide 2026: Atlas Boston Dynamics + Gemini Robotics Google. Automazione manifatturiera, demo live, roadmap Hyundai 2028 e infrastrutture Physical AI.","_seopress_robots_index":"","footnotes":""},"categories":[128],"tags":[775,776,777,774,497,773],"class_list":["post-1987","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-a-i","tag-automazione-manifatturiera","tag-boston-dynamics-atlas","tag-gemini-robotics","tag-google-deepmind","tag-physical-ai","tag-robotica-umanoide"],"_links":{"self":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/1987","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/comments?post=1987"}],"version-history":[{"count":0,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/posts\/1987\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media\/1988"}],"wp:attachment":[{"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/media?parent=1987"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/categories?post=1987"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/darioiannascoli.it\/blog\/wp-json\/wp\/v2\/tags?post=1987"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}