Nvidia ENPIRE: ИИ-агенты берут на себя обучение роботов — новый стандарт автономной робототехники
Рынок робототехники стоит на пороге фундаментального сдвига. Исследовательская группа Nvidia совместно с коллегами из Carnegie Mellon University и Калифорнийского университета в Беркли представила фреймворк ENPIRE. Это не просто очередной инструмент для программирования — это полноценная экосистема, в которой ИИ-агенты самостоятельно управляют циклом обучения физических роботов.
Ключевая инновация ENPIRE — замкнутый цикл: робот выполняет задачу, среда автоматически оценивает результат и возвращается в исходное состояние, а ИИ-агент анализирует ошибки, переписывает код и запускает следующую серию испытаний. Человеческий фактор сводится к минимуму, что кардинально ускоряет процесс обучения.
Как работает ENPIRE
В традиционной робототехнике обучение на реальном оборудовании — это дорогостоящий и медленный процесс, требующий постоянного участия инженеров. Каждая неудачная попытка требует ручного возврата сцены, проверки результата и корректировки алгоритма. ENPIRE переносит в физический мир концепцию AutoResearch, где ИИ-агенты пишут код, тестируют его и улучшают в следующих итерациях. Однако, в отличие от цифровой среды, здесь каждый эксперимент сопряжен с реальными физическими ограничениями: ошибками захвата, трением и несовершенством оборудования.
Фреймворк состоит из четырех ключевых модулей:
- Environment: автоматический сброс сцены, проверка результата, логирование и интерфейсы безопасности.
- Policy Improvement: запуск улучшения политики управления.
- Rollout: оценка политики на одном или нескольких физических роботах.
- Evolution: анализ логов, поиск идей в литературе, изменение инфраструктуры обучения и исправление кода.
Автоматическая проверка и сброс: основа автономности
Автоматизация двух операций — проверки результата и возврата сцены в исходное состояние — является краеугольным камнем ENPIRE. Система сама определяет, выполнена ли задача, используя комбинацию детекторов, сегментационных моделей и многокамерной проверки. Это позволяет запускать много попыток подряд без ручной разметки каждого прогона. Автоматический сброс, в свою очередь, устраняет необходимость постоянного участия человека, что критически важно для масштабирования.
Результаты на реальных роботах
В экспериментах ENPIRE тестировался на нескольких задачах манипуляции: Push-T (толкание T-образного объекта в заданную зону), Pin Insertion (вставка штырей в отверстия диаметром 4 мм), установка GPU и операции с кабельной стяжкой. В реальных задачах система успешно справлялась с заданием в 99% случаев, если агенту давали до восьми попыток с учетом предыдущих ошибок. Этот показатель отражает способность системы восстанавливаться после неудач и повторять действия с учетом контекста.
В качестве агентов для программирования сравнивались Codex на GPT-5.5, Claude Code на Opus 4.7 и Kimi Code на Kimi K2.6. Оценка проходила в бенчмарке AutoEnvBench. В симуляторе бытовых задач RoboCasa ENPIRE превзошел GR00T от Nvidia и CaP-X.
Масштабирование: восемь роботов — меньше времени
Отдельный блок работы посвящен масштабированию на парк роботов. Эксперимент на восьми роботизированных станциях показал, что обмен результатами через Git позволяет сократить время обучения. Переход от одного робота к восьми сократил время освоения Push-T примерно с пяти до двух часов, а Pin Insertion — с более чем 90 минут до около 40 минут.
Ограничения и перспективы
Авторы справедливо отмечают, что масштабирование не решает всех проблем. С ростом числа роботов увеличивается GPU-активность, но средняя загрузка самих роботов снижается из-за времени, затрачиваемого на координацию и обобщение результатов. Также растет расход токенов. Кроме того, ENPIRE пока показан на ограниченном наборе задач манипуляции.
Мое экспертное мнение: ENPIRE — это не просто шаг вперед, это смена парадигмы. Мы переходим от ручного программирования к автономному обучению, где ИИ-агенты сами исследуют физический мир. Это открывает путь к созданию truly универсальных роботов, способных адаптироваться к новым задачам без участия человека. Однако, как и любой прорыв, ENPIRE ставит новые вопросы: как управлять вычислительными затратами и как обеспечить безопасность при масштабировании на сотни роботов.