Nvidia показала систему ENPIRE, где ИИ-агенты обучают роботов новым операциям на реальном оборудовании
Nvidia показала систему ENPIRE, которая позволяет роботам осваивать сложные и высокоточные действия в физическом мире без заранее прописанных инструкций. В демонстрации роботизированные манипуляторы сортируют мелкие металлические штифты, завязывают и обрезают пластиковые стяжки, а также устанавливают видеокарту в слот материнской платы.
В основе ENPIRE работают восемь ИИ-агентов Codex. Им выделили группу роботов, вычислительные ресурсы на GPU и большой лимит на выполнение запросов. Получив задачу, агенты пытаются найти решение как можно быстрее и без ошибок. Они ищут визуальные ориентиры, возвращают сцену в исходное состояние, пробуют новые движения, экспериментируют с управляющим программным обеспечением, читают научные статьи в интернете и обсуждают варианты между собой. Затем анализируют ошибки и снова пробуют, уже на физическом оборудовании. Директор по ИИ и ведущий научный сотрудник Nvidia Джим Фан назвал проект «первым примером AutoResearch в физическом мире».
Одна из демонстраций показывает установку видеокарты. Один манипулятор выбирает ускоритель и передаёт его другому, после чего тот совмещает разъём PCI Express со слотом на материнской плате и устанавливает карту. Подробности описаны в работе «ENPIRE: Agentic Robot Policy Self-Improvement in the Real World». В статье авторы сравнили программных агентов, включая Codex с GPT-5.5, Claude Code с Opus 4.7 и Kimi Code с Kimi K2.6. Эксперименты также показали: увеличение числа роботов ускоряет обучение.
Ключевые факты
Nvidia представила систему ENPIRE, в которой восемь ИИ-агентов Codex обучают группу роботов выполнять задачи на реальном оборудовании, экспериментируя и исправляя ошибки без заранее прописанных инструкций.
В демонстрации роботизированные манипуляторы сортируют металлические штифты, завязывают и обрезают пластиковые стяжки и самостоятельно устанавливают видеокарту в слот PCI Express на материнской плате.
Директор по ИИ Nvidia Джим Фан назвал проект ENPIRE «первым примером AutoResearch в физическом мире».
В исследовании ENPIRE: Agentic Robot Policy Self-Improvement in the Real World сравнивались программные агенты Codex с GPT-5.5, Claude Code с Opus 4.7 и Kimi Code с Kimi K2.6, а эксперименты показали, что увеличение числа роботов ускоряет обучение.