Исследователи Nvidia совместно с Carnegie Mellon University и University of California, Berkeley представили ENPIRE — фреймворк для автономного обучения физических роботов. Система работает в замкнутом цикле: ИИ-агенты пишут код управления, тестируют его на реальном оборудовании, анализируют ошибки и вносят исправления. Ранее каждый сбой требовал ручного вмешательства инженеров — перезапуска сцены и корректировки алгоритмов. Теперь этот процесс частично делегирован большим языковым моделям (LLM). Это переносит подход AutoResearch из цифровых симуляций в физический мир и снижает стоимость тестирования автономных систем в промышленных и логистических задачах.
Nvidia запускает ENPIRE: как ИИ-агенты самостоятельно обучают роботов
Автономный цикл: 99% успеха и парк из 8 роботов
Обучение роботов в реальной среде остаётся дорогим и медленным процессом. Каждый физический тест означает износ оборудования, ошибки сенсоров и необходимость возвращать систему в исходное состояние. ENPIRE убирает человека из этого процесса.
Архитектура состоит из четырёх модулей. Environment отвечает за автоматический сброс сцены после неудачи. Policy Improvement генерирует новые политики управления. Rollout запускает тест на оборудовании, а Evolution собирает логи и позволяет агентам переписывать код. В роли “кодеров” используются крупные языковые модели: Codex на базе OpenAI GPT-5.5, Claude Code (Anthropic Opus 4.7) или Kimi Code.
По данным страницы проекта Nvidia, в задачах манипуляции система достигает 99% успешности, если агенту предоставить до восьми попыток на исправление ошибок с учётом предыдущих результатов. Речь идёт не о точности одной попытки, а о способности системы адаптироваться через серию итераций.
Масштабирование даёт прирост скорости обучения. Восемь роботизированных станций были объединены через Git, что позволило обмениваться результатами между агентами. Успешные решения быстро распространялись между всеми системами. По данным Decrypt, переход от одного робота к восьми сократил время обучения базовым движениям с пяти до двух часов. В задаче Pin Insertion время уменьшилось с более чем 90 минут до примерно 40 минут.
Конец ручного кодинга: сдвиг в AI-индустрии
Развитие ENPIRE отражает изменение фокуса в AI-индустрии: от генерации контента к применению моделей в физическом мире (Embodied AI). Система демонстрирует переход от ручной настройки роботов к автоматизированному циклу обучения.
Вычислительные ресурсы постепенно заменяют человеческое участие в физических экспериментах. Ранее узким местом были инженеры, способные адаптировать алгоритмы к условиям реальной среды. Теперь эти задачи частично переходят на облачные GPU-системы. Такой подход снижает стоимость разработки автономных систем в логистике, медицине и промышленности.
В то же время возникает нагрузка на вычислительную инфраструктуру. Роботы часто простаивают, пока языковые модели анализируют логи и генерируют новый код. С масштабированием растёт объём токенов и нагрузка на серверы координации, что снижает эффективность использования оборудования.
Также событие связано с развитием платформ Nvidia, включая Isaac GR00T, и робототехническими системами вроде Unitree. Аппаратная база уже сформирована — теперь программный уровень переходит к автономному управлению.
Синтетический опыт как новый актив
По мнению аналитиков ETFocus, передача написания кода ИИ-агентам формирует цикл автономной индустриализации. Роботы больше не требуют ручного вмешательства для анализа ошибок и обновления прошивок. Они сами генерируют данные из реальной среды и используют их для улучшения алгоритмов внутри кластера.
Эта модель может изменить подход к разработке робототехники. Командам больше не нужны крупные группы инженеров для прототипирования — достаточно базового оборудования и доступа к вычислительным ресурсам. В то же время зависимость от инфраструктурных провайдеров, таких как Nvidia или LLM-платформы, растёт. Стоимость доступа к моделям становится ключевым фактором скорости развития.
Физический мир остаётся наиболее сложной средой для алгоритмов. Если ИИ научится стабильно управлять физическими системами без участия человека, развитие роботов будет определяться прежде всего скоростью вычислений и масштабом инфраструктуры.
Биткоин упал ниже $64 000 после заседания ФРС — на фоне макроэкономической волатильности инвесторы также оценивают влияние решений регуляторов на рисковые активы, включая технологический сектор и AI-индустрию.