Nvidia представляет ENPIRE: автономный ИИ-фреймворк для обучения роботов на реальном оборудовании
Исследовательская группа, объединившая специалистов Nvidia, Университета Карнеги-Меллона и Калифорнийского университета в Беркли, представила инновационный фреймворк ENPIRE. Эта система знаменует собой новый этап в робототехнике, позволяя ИИ-агентам для программирования самостоятельно улучшать политики управления роботами, работая непосредственно на физическом оборудовании.
Концепция ENPIRE построена на замкнутом цикле: робот выполняет задачу, среда автоматически оценивает результат и возвращается в исходное состояние, а ИИ-агент анализирует ошибки, переписывает код и запускает следующую серию испытаний. Такой подход кардинально меняет традиционный процесс, где каждая неудачная попытка требовала ручного вмешательства инженера для возврата сцены и корректировки алгоритма.
Архитектура и ключевые модули ENPIRE
Фреймворк состоит из четырех ключевых модулей: Environment отвечает за автоматический сброс сцены, проверку результатов и безопасность; Policy Improvement занимается улучшением политики управления; Rollout оценивает эффективность политики на одном или нескольких физических роботах; Evolution позволяет агентам анализировать логи, искать идеи в литературе и исправлять код. После первичной настройки среды, цикл может функционировать практически без участия человека.
Автоматизация и результаты тестирования
Ключевой инновацией стала автоматизация двух критически важных операций: проверки результата и возврата сцены в исходное состояние. Система использует комбинацию детекторов, сегментационных моделей и камер для самостоятельного определения успешности задачи, что устраняет необходимость в ручной разметке каждого прогона. В реальных экспериментах, включающих задачи от толкания T-образных объектов до точной вставки штырей в отверстия диаметром 4 мм, система продемонстрировала впечатляющую надежность — 99% успешного выполнения задач при условии предоставления агенту до восьми попыток с учетом предыдущих ошибок.
Сравнение различных ИИ-агентов, включая Codex на GPT-5.5, Claude Code на Opus 4.7 и Kimi Code на Kimi K2.6, показало, что ENPIRE превосходит существующие решения, такие как GR00T от Nvidia и CaP-X, в симуляторе бытовых задач RoboCasa. Особый интерес представляет эксперимент по масштабированию на парк из восьми роботизированных станций. Использование Git для обмена результатами между агентами позволило сократить время обучения задачи Push-T с пяти до двух часов, а Pin Insertion — с более чем 90 до 40 минут.
Ограничения и перспективы
Несмотря на прорыв, технология имеет ограничения. При масштабировании возрастает нагрузка на GPU и потребление токенов, так как агенты тратят время на чтение логов и координацию. Кроме того, ENPIRE пока продемонстрирован на ограниченном наборе задач манипуляции, и его результаты не гарантируют, что роботы смогут самостоятельно осваивать произвольные физические навыки в открытой среде без предварительной инженерной подготовки.
Мой экспертный вывод: ENPIRE — это не просто очередной фреймворк, а фундаментальный сдвиг в парадигме обучения роботов. Автоматизация цикла «ошибка-анализ-исправление» на реальном оборудовании приближает нас к эре, где роботы смогут самостоятельно совершенствовать свои навыки, подобно тому, как люди учатся на собственном опыте. Однако путь к полностью автономным физическим агентам, способным работать в неструктурированной среде, все еще требует решения проблем масштабирования и ресурсоемкости.