Дослідники Nvidia разом із Carnegie Mellon University та UC Berkeley представили ENPIRE — фреймворк для автономного навчання фізичних роботів. Система працює у замкненому циклі: ШІ-агенти пишуть код керування, тестують його на реальному обладнанні, аналізують помилки та вносять виправлення. Раніше кожен збій вимагав ручного втручання інженерів — перезапуску сцени та корекції алгоритмів. Тепер цей процес частково делеговано великим мовним моделям (LLM). Це переносить підхід AutoResearch із цифрових симуляцій у фізичний світ і знижує вартість тестування автономних систем у промислових і логістичних задачах.
Nvidia запускає ENPIRE: як ШІ-агенти самостійно тренують роботів
Автономний цикл: 99% успіху та парк із 8 роботів
Навчання роботів у реальному середовищі залишається дорогим і повільним процесом. Кожен фізичний тест означає зношування обладнання, помилки сенсорів і необхідність повертати систему у вихідний стан. ENPIRE прибирає людину з цього процесу.
Архітектура складається з чотирьох модулів. Environment відповідає за автоматичне скидання сцени після невдачі. Policy Improvement генерує нові політики керування. Rollout запускає тест на обладнанні, а Evolution збирає логи й дозволяє агентам переписувати код. У ролі “кодерів” використовуються великі мовні моделі: Codex на базі GPT-5.5, Claude Code (Opus 4.7) або Kimi Code.
За даними сторінки проєкту Nvidia, у задачах маніпуляції система досягає 99% успішності, якщо агенту надати до восьми спроб на виправлення помилок із урахуванням попередніх результатів. Йдеться не про точність однієї спроби, а про здатність системи адаптуватися через серію ітерацій.
Масштабування дає приріст швидкості навчання. Вісім роботизованих станцій були об’єднані через Git, що дозволило обмінюватися результатами між агентами. Успішні рішення швидко поширювалися між усіма системами. За даними Decrypt, перехід від одного робота до восьми скоротив час навчання базовим рухам із п’яти до двох годин. У задачі Pin Insertion час зменшився з понад 90 хвилин до приблизно 40 хвилин.
Кінець ручного кодингу: зсув в AI-індустрії
Розвиток ENPIRE відображає зміну фокусу в AI-індустрії: від генерації контенту до застосування моделей у фізичному світі (Embodied AI). Система показує перехід від ручного налаштування роботів до автоматизованого циклу навчання.
Обчислювальні ресурси поступово замінюють людську участь у фізичних експериментах. Раніше вузьким місцем були інженери, здатні адаптувати алгоритми до умов реального середовища. Тепер ці задачі частково переходять на хмарні GPU-системи. Такий підхід знижує вартість розробки автономних систем у логістиці, медицині та промисловості.
Водночас виникає навантаження на обчислювальну інфраструктуру. Роботи часто простоюють, поки мовні моделі аналізують логи та генерують новий код. Із масштабуванням зростає обсяг токенів і навантаження на сервери координації, що знижує ефективність використання обладнання.
Подія також пов’язана з розвитком платформ Nvidia, зокрема Isaac GR00T, та робототехнічними системами на кшталт Unitree. Апаратна база вже сформована — тепер програмний рівень переходить до автономного керування.
Синтетичний досвід як новий актив
Передача написання коду ШІ-агентам формує цикл автономної індустріалізації. Роботи більше не потребують ручного втручання для аналізу помилок і оновлення прошивок. Вони самі генерують дані з реального середовища та використовують їх для покращення алгоритмів у межах кластера.
На думку анлітиків ETFocus, ця модель може змінити підхід до розробки робототехніки. Командам більше не потрібні великі групи інженерів для прототипування — достатньо базового обладнання та доступу до обчислювальних ресурсів. Водночас залежність від інфраструктурних провайдерів, таких як Nvidia або LLM-платформи, зростає. Вартість доступу до моделей стає ключовим фактором швидкості розвитку.
Фізичний світ залишається найскладнішим середовищем для алгоритмів. Якщо ШІ навчиться стабільно керувати фізичними системами без участі людини, розвиток роботів визначатиметься насамперед швидкістю обчислень і масштабом інфраструктури.
Біткоїн упав нижче $64 000 після засідання ФРС — на фоні макроекономічної волатильності інвестори також оцінюють вплив рішень регуляторів на ризикові активи, включно з технологічним сектором та AI-індустрією.