Новини криптоміра

Робототехніка стоїть на порозі фундаментального зсуву. Ми звикли, що навчання фізичних роботів — це дорогий, повільний і трудомісткий процес, який вимагає постійної присутності інженерів. Однак нова розробка, представлена дослідниками у співпраці з провідними університетами, змінює цю парадигму. Йдеться про фреймворк ENPIRE, який дозволяє ІІ-агентам не просто писати код для роботів, а самостійно проводити повний цикл експериментів на реальному обладнанні — від постановки завдання до аналізу помилок і вдосконалення алгоритмів.

Автономний цикл навчання: від коду до фізичної дії

Ключова інновація ENPIRE полягає у створенні замкненого циклу «дія-оцінка-виправлення». Робот виконує завдання, середовище автоматично фіксує результат і повертається у вихідний стан, після чого ІІ-агент аналізує логи, переписує код і запускає нову серію випробувань. Це переносить концепцію AutoResearch із цифрового світу у фізичний, де кожен експеримент пов'язаний із реальними обмеженнями: тертям, помилками захоплення, недосконалістю камер.

Фреймворк складається з чотирьох ключових модулів: Environment (автоматичне скидання сцени та логування), Policy Improvement (покращення політики керування), Rollout (оцінка на фізичних роботах) і Evolution (аналіз логів, пошук ідей і виправлення коду). Після первинного налаштування, яке все ще потребує участі людини, цикл може тривати практично без зовнішнього втручання.

Практичні результати та масштабування

Ефективність ENPIRE була продемонстрована на ряді завдань маніпуляції, таких як штовхання Т-подібного об'єкта (Push-T) і вставка штирів в отвори діаметром 4 мм (Pin Insertion). У реальних тестах система демонструвала успішність у 99% випадків за наявності до восьми спроб, що свідчить про її здатність вчитися на помилках і адаптуватися. У симуляторі побутових завдань RoboCasa ENPIRE перевершив такі системи, як GR00T від Nvidia та CaP-X.

Найбільш вражаючим став експеримент із масштабуванням на парк із восьми роботизованих станцій. Станції обмінювалися успішними рішеннями через Git, що дозволило скоротити час навчання для завдання Push-T з п'яти до двох годин, а для Pin Insertion — з 90 до 40 хвилин. Це наочно демонструє, як колективний розум ІІ-агентів може прискорювати фізичне навчання.

Обмеження та погляд у майбутнє

Однак не варто думати, що проблему вирішено повністю. Масштабування виявило нові вузькі місця: при збільшенні кількості роботів зростає час на координацію агентів і читання логів, що призводить до неповного завантаження обладнання. Крім того, різко зростає витрата токенів. ENPIRE поки що ефективний на обмеженому наборі завдань маніпуляції, і його результати не означають, що роботи готові до самостійного освоєння довільних навичок у неструктурованому середовищі без попередньої інженерної підготовки.

Мій аналіз: ENPIRE — це не просто черговий інструмент для робототехніки. Це демонстрація того, як мовні моделі та агентні системи починають стирати межу між цифровим програмуванням і фізичним світом. Хоча до повністю автономних роботів, які навчаються «з нуля», ще далеко, цей фреймворк закладає основу для нової ери, де роботи будуть не просто виконувати код, а активно досліджувати й адаптуватися до реальності. Інвесторам і розробникам у сфері AI та робототехніки варто уважно стежити за цим напрямком.