Nvidia продемонстрировала систему ENPIRE, которая позволяет роботам самостоятельно осваивать сложные высокоточные операции в реальном мире. В ходе демонстрации роботизированные манипуляторы продемонстрировали навыки сортировки мелких металлических штифтов, завязывания и обрезки пластиковых стяжек, а также установку видеокарты в слот материнской платы.
Джим Фан, директор по ИИ и ведущий научный сотрудник Nvidia, назвал этот проект первым примером «AutoResearch в физическом мире». В основе системы лежат восемь ИИ-агентов на базе модели Codex. В их распоряжении оказались группа роботов, вычислительные мощности GPU и значительный лимит на количество выполняемых запросов. Основная задача агентов — найти эффективное решение поставленной задачи в кратчайшие сроки и без ошибок.
По словам Фана, процесс обучения роботов выглядит как автономная исследовательская деятельность: система ищет визуальные ориентиры, возвращает рабочую зону в исходное состояние, отрабатывает новые паттерны движений и экспериментирует с управляющим ПО. Более того, агенты самостоятельно изучают научные статьи в интернете, обсуждают найденные решения друг с другом, анализируют допущенные ошибки и многократно повторяют попытки, работая уже непосредственно с физическим оборудованием.
Исследователь подчеркнул, что команда разработчиков фактически предоставила модели Codex интерфейс для взаимодействия с «миром атомов», а всё дальнейшее поведение стало результатом самообучения и самоорганизации ИИ.
Одной из наиболее показательных демонстраций стала установка видеокарты в ПК. Один манипулятор выбирает графический ускоритель и передаёт его второму, который точно совмещает разъём PCI Express со слотом на материнской плате и аккуратно вставляет карту на место.
Все подробности архитектуры описаны в работе «ENPIRE: Agentic Robot Policy Self-Improvement in the Real World». Авторы провели сравнительный анализ различных программных агентов, включая Codex (на базе GPT-5.5), Claude Code (на базе Opus 4.7) и Kimi Code (на базе Kimi K2.6). Результаты тестов подтвердили, что масштабирование парка роботов напрямую ускоряет процесс обучения системы.
В шутку Джим Фан отметил, что конечная цель проекта — обучить роботов всем навыкам, чтобы разработчики могли «спокойно уйти в отпуск, пока Дженсен (Хуанг) даже ничего не заметит».
Тем не менее, данная работа фиксирует важный сдвиг в индустрии: переход от робототехники, ограниченной жёстко прописанными алгоритмами, к интеллектуальным системам, способным самостоятельно ставить цели, искать решения и приобретать новые прикладные навыки непосредственно в физической среде.
