Nvidia представляє ENPIRE: автономний ШІ-фреймворк для навчання роботів на реальному обладнанні
Дослідницька група, яка об'єднала фахівців Nvidia, Університету Карнегі-Меллона та Каліфорнійського університету в Берклі, представила інноваційний фреймворк ENPIRE. Ця система знаменує собою новий етап у робототехніці, дозволяючи ІІ-агентам для програмування самостійно покращувати політики керування роботами, працюючи безпосередньо на фізичному обладнанні.
Концепція ENPIRE побудована на замкнутому циклі: робот виконує завдання, середовище автоматично оцінює результат і повертається у вихідний стан, а ІІ-агент аналізує помилки, переписує код і запускає наступну серію випробувань. Такий підхід кардинально змінює традиційний процес, де кожна невдала спроба вимагала ручного втручання інженера для повернення сцени та коригування алгоритму.
Архітектура та ключові модулі ENPIRE
Фреймворк складається з чотирьох ключових модулів: Environment відповідає за автоматичне скидання сцени, перевірку результатів та безпеку; Policy Improvement займається покращенням політики керування; Rollout оцінює ефективність політики на одному або кількох фізичних роботах; Evolution дозволяє агентам аналізувати логи, шукати ідеї в літературі та виправляти код. Після первинного налаштування середовища цикл може функціонувати практично без участі людини.
Автоматизація та результати тестування
Ключовою інновацією стала автоматизація двох критично важливих операцій: перевірки результату та повернення сцени у вихідний стан. Система використовує комбінацію детекторів, сегментаційних моделей та камер для самостійного визначення успішності завдання, що усуває необхідність у ручному розмічуванні кожного прогону. У реальних експериментах, що включали завдання від штовхання Т-подібних об'єктів до точного вставляння штирів в отвори діаметром 4 мм, система продемонструвала вражаючу надійність — 99% успішного виконання завдань за умови надання агенту до восьми спроб з урахуванням попередніх помилок.
Порівняння різних ІІ-агентів, включаючи Codex на GPT-5.5, Claude Code на Opus 4.7 та Kimi Code на Kimi K2.6, показало, що ENPIRE перевершує існуючі рішення, такі як GR00T від Nvidia та CaP-X, у симуляторі побутових завдань RoboCasa. Особливий інтерес викликає експеримент з масштабування на парк із восьми роботизованих станцій. Використання Git для обміну результатами між агентами дозволило скоротити час навчання завдання Push-T з п'яти до двох годин, а Pin Insertion — з понад 90 до 40 хвилин.
Обмеження та перспективи
Незважаючи на прорив, технологія має обмеження. При масштабуванні зростає навантаження на GPU та споживання токенів, оскільки агенти витрачають час на читання логів та координацію. Крім того, ENPIRE поки продемонстровано на обмеженому наборі завдань маніпуляції, і його результати не гарантують, що роботи зможуть самостійно освоювати довільні фізичні навички у відкритому середовищі без попередньої інженерної підготовки.
Мій експертний висновок: ENPIRE — це не просто черговий фреймворк, а фундаментальний зсув у парадигмі навчання роботів. Автоматизація циклу «помилка-аналіз-виправлення» на реальному обладнанні наближає нас до ери, де роботи зможуть самостійно вдосконалювати свої навички, подібно до того, як люди вчаться на власному досвіді. Однак шлях до повністю автономних фізичних агентів, здатних працювати в неструктурованому середовищі, все ще вимагає вирішення проблем масштабування та ресурсоємності.