ENPIRE: Nový rámec od NVIDIA, CMU a UC Berkeley umožňuje AI agentům autonomně trénovat roboty na reálném hardwaru – s 99% úspěšností
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu. Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a...
PublikovalUpraveno pomocí DeepSeek-V4-FlashObrázky vytvořeny pomocí GPT Image 1.5
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu.
Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a trénink politiky, fyzické testování a evoluční vylepšování na základě analýzy logů.
Osm AI agentů koordinovaných přes Git dosáhlo na flotile osmi robotů 99% úspěšnosti u úloh, jako je zasazení GPU do základní desky, vázání stahovacích pásek a manipulace s kolíky.
Škálování z jednoho na osm robotů zkrátilo čas potřebný k zvládnutí úlohy na méně než polovinu, ale spotřeba tokenů rostla ještě rychleji.
What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AIAI-generated editorial hero image for What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AI.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AI. Article summary: Here is the full breakdown of ENPIRE and its context.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Po celá desetiletí vyžadoval výcvik robota k provedení přesného fyzického úkonu – například zasazení grafické karty do základní desky nebo uvázání stahovací pásky – aby většinu práce odvedl člověk: resetování scény, ladění algoritmů, analýzu chyb a přepisování kódu. Úzkým hrdlem nebyly jen algoritmy; byla jím lidská práce.
Dne 17. června 2026 zveřejnil tým z laboratoře NVIDIA GEAR, Carnegie Mellon University a UC Berkeley rámec, který tuto rovnici mění. Jmenuje se ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) a představuje první zdokumentovaný systém, v němž špičkové AI kódovací agenty autonomně provádějí celý cyklus robotického výzkumu na reálném hardwaru .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "ENPIRE: Nový rámec od NVIDIA, CMU a UC Berkeley umožňuje AI agentům autonomně trénovat roboty na reálném hardwaru – s 99% úspěšností"?
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu.
What are the key points to validate first?
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu. Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a trénink politiky, fyzické testování a evoluční vylepšování na základě analýzy logů.
What should I do next in practice?
Osm AI agentů koordinovaných přes Git dosáhlo na flotile osmi robotů 99% úspěšnosti u úloh, jako je zasazení GPU do základní desky, vázání stahovacích pásek a manipulace s kolíky.
ENPIRE: Nový rámec od NVIDIA, CMU a UC Berkeley umožňuje AI agentům autonomně trénovat roboty na reálném hardwaru – s 99% úspěšností
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu. Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a...
PublikovalUpraveno pomocí DeepSeek-V4-FlashObrázky vytvořeny pomocí GPT Image 1.5
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu.
Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a trénink politiky, fyzické testování a evoluční vylepšování na základě analýzy logů.
Osm AI agentů koordinovaných přes Git dosáhlo na flotile osmi robotů 99% úspěšnosti u úloh, jako je zasazení GPU do základní desky, vázání stahovacích pásek a manipulace s kolíky.
Škálování z jednoho na osm robotů zkrátilo čas potřebný k zvládnutí úlohy na méně než polovinu, ale spotřeba tokenů rostla ještě rychleji.
What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AIAI-generated editorial hero image for What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AI.
AI Prompt
Create a landscape editorial hero image for this Studio Global article: What is ENPIRE, the framework released on June 17 by Nvidia's GEAR Lab, Carnegie Mellon University, and UC Berkeley, and how does it use AI. Article summary: Here is the full breakdown of ENPIRE and its context.. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clickbait thumbnails, icons, and tiny thumbnail layouts. Make it useful as an illustrative visual, not as factual evidence.
openai.com
Po celá desetiletí vyžadoval výcvik robota k provedení přesného fyzického úkonu – například zasazení grafické karty do základní desky nebo uvázání stahovací pásky – aby většinu práce odvedl člověk: resetování scény, ladění algoritmů, analýzu chyb a přepisování kódu. Úzkým hrdlem nebyly jen algoritmy; byla jím lidská práce.
Dne 17. června 2026 zveřejnil tým z laboratoře NVIDIA GEAR, Carnegie Mellon University a UC Berkeley rámec, který tuto rovnici mění. Jmenuje se ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) a představuje první zdokumentovaný systém, v němž špičkové AI kódovací agenty autonomně provádějí celý cyklus robotického výzkumu na reálném hardwaru .
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
What is the short answer to "ENPIRE: Nový rámec od NVIDIA, CMU a UC Berkeley umožňuje AI agentům autonomně trénovat roboty na reálném hardwaru – s 99% úspěšností"?
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu.
What are the key points to validate first?
ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) je rámec pro kódovací AI agenty, který jim umožňuje autonomně řídit celý cyklus robotického výzkumu na reálném hardwaru bez lidského zásahu. Rámec je tvořen čtyřmi moduly (EN, PI, R, E), které uzavírají smyčku: automatický reset scény, návrh a trénink politiky, fyzické testování a evoluční vylepšování na základě analýzy logů.
What should I do next in practice?
Osm AI agentů koordinovaných přes Git dosáhlo na flotile osmi robotů 99% úspěšnosti u úloh, jako je zasazení GPU do základní desky, vázání stahovacích pásek a manipulace s kolíky.
ENPIRE není samotný robot, ani nový AI model. Je to harness framework – software, který obaluje AI kódovací agenty a poskytuje jim nástroje k provádění fyzických experimentů. Klíčová myšlenka, podle výzkumného týmu, spočívá v tom, že robotickému výzkumu dlouho chyběla opakovatelná fyzická zpětná vazba, a ENPIRE přesně tuto abstrakci poskytuje .
Rámec nasazuje AI kódovací agenty na flotilu skutečných robotů a předává jim celý cyklus: resetuj prostředí, prohledej literaturu, implementuj nápady, trénuj a nasaď politiky, sám si výsledky ověř, analyzuj logy, přepiš kód a opakuj, dokud politika nefunguje spolehlivě v reálném světě .
Čtyři do sebe zapadající moduly
Architektura ENPIRE je uzavřená smyčka složená ze čtyř modulů, z nichž každý zpracovává kritickou část fyzického výzkumného procesu :
EN – modul prostředí: Automaticky resetuje fyzickou scénu do náhodného počátečního stavu a ověřuje dokončení úlohy pomocí vizuálních funkcí odměny (např. segmentačních modelů a detektorů ohraničujících rámečků). Žádný člověk neresetuje robota mezi pokusy .
PI – modul zlepšování politiky: Spouští zpřesňování politiky pomocí libovolného z několika režimů – heuristického učení, volání nástrojů, klonování chování, offline posilovaného učení nebo online RL. Kódovací agent navrhuje algoritmické hypotézy a píše kód .
R – modul provádění: Vyhodnocuje kandidátskou politiku na jednom nebo více fyzických robotech pracujících paralelně. Uchovává stav, akci, video a výsledky pro audit .
E – evoluční modul: Kódovací agenty analyzují logy, konzultují výzkumnou literaturu, porovnávají větve a upravují tréninkovou infrastrukturu a kód algoritmů, aby řešili režimy selhání. Úspěšné recepty se znovu používají; neúspěšné hypotézy se vyřazují .
Koordinace flotily pomocí Gitu
Místo vymýšlení exotické orchestrace se rámec spoléhá na známý nástroj pro distribuovanou spolupráci: Git. Když jedna stanice agentů dosáhne průlomu, potvrdí (commit) vylepšený kód politiky. Ostatní stanice si aktualizaci stáhnou a staví na ní, což umožňuje distribuované, asynchronní zlepšování bez centralizované koordinace .
Tým nasadil osm AI kódovacích agentů spárovaných s osmi robotickými pracovními stanicemi, z nichž každá je vybavena dvěma mechanickými rameny s šesti stupni volnosti, hloubkovými kamerami Intel RealSense a lokálními GPU NVIDIA RTX 5090. S přidělením GPU a štědrým rozpočtem na tokeny je nechali běžet s jednoduchým cílem: řešit úlohy co nejrychleji a nejbezpečněji .
Hlášená úspěšnost: 99 %
Agenti s podporou ENPIRE dosáhli 99% úspěšnosti pass@8 u sady náročných úloh vyžadujících obratnou manipulaci v reálném světě :
Instalace GPU – zasazení grafické karty do slotu základní desky
Vkládání kolíků – organizování kolíků do krabičky
Řezání stahovací pásky – použití řezačky k přestřižení pásky
Vázání stahovací pásky
Push-T – plošná úloha tlačení tvaru
Metrika pass@8 měří nouzové opakování a zotavení v rámci jednoho dlouhodobého provádění (až 8 opakování v kontextu podmíněných předchozími neúspěchy), nikoli nejlepší z 8 nezávislých vzorků .
Výsledky škálování a omezení
Metriky využití flotily
Článek zavádí dvě nové metriky: Mean Robot Utilization (MRU) a Mean Token Utilization (MTU) pro měření efektivity multiagentního fyzického autorešerše .
Spotřeba tokenů
Systém je náročný na tokeny. Agenti čtou články, píší kód, analyzují logy a iterují – každý cyklus zlepšování spotřebovává značné množství LLM tokenů. Tým agentům poskytl „štědrý rozpočet tokenů“ a instruoval je, aby neplýtvali výpočetním výkonem .
Selhání při přechodu ze simulace do reality u úlohy Push-T
Všechny tři testované špičkové kódovací agenty – Codex (s GPT-5.5), Claude Code (s Opus 4.7) a Kimi Code (s Kimi K2.6) – vyřešily úlohu Push-T v simulaci. Nicméně ne všechny se čistě přenesly na reálný hardware. ENPIRE neodstraňuje propast mezi simulací a realitou; dává AI agentům způsob, jak tuto propast objevit a přizpůsobit se jí prostřednictvím opakovaných fyzických pokusů . To je v článku upřímně přiznáno jako zásadní omezení .
Další přiznaná omezení
Článek obsahuje sekci „Omezení a budoucí směry“, která uvádí, že ENPIRE stále vyžaduje počáteční nastavení prostředí (hardware, percepční pipeline) a že přístup je omezen kvalitou a cenou základních kódovacích LLM agentů .
Širší kontext: Tlak NVIDIA na Physical AI
ENPIRE zapadá do mnohem širší strategie NVIDIA pro Physical AI – AI, která rozumí a jedná ve fyzickém světě.
NVIDIA Cosmos World Models: Spuštěny na CES 2025, Cosmos je platforma generativních světonázorových modelů, tokenizérů, ochranných prvků a video pipeline určených k urychlení vývoje Physical AI pro autonomní vozidla a robotiku . Na GTC 2026 NVIDIA vydala nové modely Cosmos spolu s Isaac simulačními frameworky a modely Isaac GR00T N pro humanoidní roboty .
Partnerství s Hyundai: V lednu 2025 oznámila Hyundai Motor Group strategické partnerství s NVIDIA zahrnující akcelerované výpočty, generativní AI a průmyslovou digitalizaci . V říjnu 2025 to prohloubili do AI továrny poháněné 50 000 Blackwell GPU pro autonomní vozidla, chytré továrny a robotiku .
Foxconn a další výrobci: Foxconn, General Motors, KION Group, Mercedes-Benz a další přijali NVIDIA Omniverse jako svůj operační systém Physical AI pro průmyslovou digitalizaci . Na GTC 2026 NVIDIA oznámila partnerství s „vývojáři robotických mozků, průmyslovými výrobci robotů a společnostmi zabývajícími se humanoidními roboty“ pro tlačení Physical AI do produkčního měřítka .
ENPIRE je v podstatě automatizační vrstva výzkumu nad touto infrastrukturou – způsob, jak uzavřít smyčku mezi simulací (Cosmos/Isaac), hardwarem (flotily robotů, AI továrny) a autonomním zlepšováním politik, to vše poháněno špičkovými kódovacími agenty.
NVIDIA Pairs AI Agents With Robots To Autonomously Conduct ...
ENPIRE není samotný robot, ani nový AI model. Je to harness framework – software, který obaluje AI kódovací agenty a poskytuje jim nástroje k provádění fyzických experimentů. Klíčová myšlenka, podle výzkumného týmu, spočívá v tom, že robotickému výzkumu dlouho chyběla opakovatelná fyzická zpětná vazba, a ENPIRE přesně tuto abstrakci poskytuje .
Rámec nasazuje AI kódovací agenty na flotilu skutečných robotů a předává jim celý cyklus: resetuj prostředí, prohledej literaturu, implementuj nápady, trénuj a nasaď politiky, sám si výsledky ověř, analyzuj logy, přepiš kód a opakuj, dokud politika nefunguje spolehlivě v reálném světě .
Čtyři do sebe zapadající moduly
Architektura ENPIRE je uzavřená smyčka složená ze čtyř modulů, z nichž každý zpracovává kritickou část fyzického výzkumného procesu :
EN – modul prostředí: Automaticky resetuje fyzickou scénu do náhodného počátečního stavu a ověřuje dokončení úlohy pomocí vizuálních funkcí odměny (např. segmentačních modelů a detektorů ohraničujících rámečků). Žádný člověk neresetuje robota mezi pokusy .
PI – modul zlepšování politiky: Spouští zpřesňování politiky pomocí libovolného z několika režimů – heuristického učení, volání nástrojů, klonování chování, offline posilovaného učení nebo online RL. Kódovací agent navrhuje algoritmické hypotézy a píše kód .
R – modul provádění: Vyhodnocuje kandidátskou politiku na jednom nebo více fyzických robotech pracujících paralelně. Uchovává stav, akci, video a výsledky pro audit .
E – evoluční modul: Kódovací agenty analyzují logy, konzultují výzkumnou literaturu, porovnávají větve a upravují tréninkovou infrastrukturu a kód algoritmů, aby řešili režimy selhání. Úspěšné recepty se znovu používají; neúspěšné hypotézy se vyřazují .
Koordinace flotily pomocí Gitu
Místo vymýšlení exotické orchestrace se rámec spoléhá na známý nástroj pro distribuovanou spolupráci: Git. Když jedna stanice agentů dosáhne průlomu, potvrdí (commit) vylepšený kód politiky. Ostatní stanice si aktualizaci stáhnou a staví na ní, což umožňuje distribuované, asynchronní zlepšování bez centralizované koordinace .
Tým nasadil osm AI kódovacích agentů spárovaných s osmi robotickými pracovními stanicemi, z nichž každá je vybavena dvěma mechanickými rameny s šesti stupni volnosti, hloubkovými kamerami Intel RealSense a lokálními GPU NVIDIA RTX 5090. S přidělením GPU a štědrým rozpočtem na tokeny je nechali běžet s jednoduchým cílem: řešit úlohy co nejrychleji a nejbezpečněji .
Hlášená úspěšnost: 99 %
Agenti s podporou ENPIRE dosáhli 99% úspěšnosti pass@8 u sady náročných úloh vyžadujících obratnou manipulaci v reálném světě :
Instalace GPU – zasazení grafické karty do slotu základní desky
Vkládání kolíků – organizování kolíků do krabičky
Řezání stahovací pásky – použití řezačky k přestřižení pásky
Vázání stahovací pásky
Push-T – plošná úloha tlačení tvaru
Metrika pass@8 měří nouzové opakování a zotavení v rámci jednoho dlouhodobého provádění (až 8 opakování v kontextu podmíněných předchozími neúspěchy), nikoli nejlepší z 8 nezávislých vzorků .
Výsledky škálování a omezení
Metriky využití flotily
Článek zavádí dvě nové metriky: Mean Robot Utilization (MRU) a Mean Token Utilization (MTU) pro měření efektivity multiagentního fyzického autorešerše .
Spotřeba tokenů
Systém je náročný na tokeny. Agenti čtou články, píší kód, analyzují logy a iterují – každý cyklus zlepšování spotřebovává značné množství LLM tokenů. Tým agentům poskytl „štědrý rozpočet tokenů“ a instruoval je, aby neplýtvali výpočetním výkonem .
Selhání při přechodu ze simulace do reality u úlohy Push-T
Všechny tři testované špičkové kódovací agenty – Codex (s GPT-5.5), Claude Code (s Opus 4.7) a Kimi Code (s Kimi K2.6) – vyřešily úlohu Push-T v simulaci. Nicméně ne všechny se čistě přenesly na reálný hardware. ENPIRE neodstraňuje propast mezi simulací a realitou; dává AI agentům způsob, jak tuto propast objevit a přizpůsobit se jí prostřednictvím opakovaných fyzických pokusů . To je v článku upřímně přiznáno jako zásadní omezení .
Další přiznaná omezení
Článek obsahuje sekci „Omezení a budoucí směry“, která uvádí, že ENPIRE stále vyžaduje počáteční nastavení prostředí (hardware, percepční pipeline) a že přístup je omezen kvalitou a cenou základních kódovacích LLM agentů .
Širší kontext: Tlak NVIDIA na Physical AI
ENPIRE zapadá do mnohem širší strategie NVIDIA pro Physical AI – AI, která rozumí a jedná ve fyzickém světě.
NVIDIA Cosmos World Models: Spuštěny na CES 2025, Cosmos je platforma generativních světonázorových modelů, tokenizérů, ochranných prvků a video pipeline určených k urychlení vývoje Physical AI pro autonomní vozidla a robotiku . Na GTC 2026 NVIDIA vydala nové modely Cosmos spolu s Isaac simulačními frameworky a modely Isaac GR00T N pro humanoidní roboty .
Partnerství s Hyundai: V lednu 2025 oznámila Hyundai Motor Group strategické partnerství s NVIDIA zahrnující akcelerované výpočty, generativní AI a průmyslovou digitalizaci . V říjnu 2025 to prohloubili do AI továrny poháněné 50 000 Blackwell GPU pro autonomní vozidla, chytré továrny a robotiku .
Foxconn a další výrobci: Foxconn, General Motors, KION Group, Mercedes-Benz a další přijali NVIDIA Omniverse jako svůj operační systém Physical AI pro průmyslovou digitalizaci . Na GTC 2026 NVIDIA oznámila partnerství s „vývojáři robotických mozků, průmyslovými výrobci robotů a společnostmi zabývajícími se humanoidními roboty“ pro tlačení Physical AI do produkčního měřítka .
ENPIRE je v podstatě automatizační vrstva výzkumu nad touto infrastrukturou – způsob, jak uzavřít smyčku mezi simulací (Cosmos/Isaac), hardwarem (flotily robotů, AI továrny) a autonomním zlepšováním politik, to vše poháněno špičkovými kódovacími agenty.
NVIDIA Pairs AI Agents With Robots To Autonomously Conduct ...
