ENPIRE: Wenn KI-Agenten Roboter im echten Labor trainieren – ohne menschlichen Eingriff

Jahrzehntelang erforderte das Training eines Roboters für eine präzise physische Aufgabe – wie das Einsetzen einer Grafikkarte in ein Mainboard oder das Durchtrennen eines Kabelbinders – aufwendige menschliche Arbeit: Szenenrücksetzung, Algorithmen-Tuning, Fehleranalyse und Code-Anpassungen. Der Engpass lag nicht allein in den Algorithmen, sondern in der menschlichen Arbeitskraft.

Am 17. Juni 2026 veröffentlichte ein Team des NVIDIA GEAR Lab, der Carnegie Mellon University und der UC Berkeley ein Framework, das diese Gleichung grundlegend verändert . Das System heißt ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) und ist das erste dokumentierte System, bei dem KI-Coding-Agenten eigenständig den gesamten Robotik-Forschungszyklus auf realer Hardware durchführen.

Was ENPIRE tatsächlich leistet

ENPIRE ist weder ein Roboter noch ein neues KI-Modell. Es ist ein Harness-Framework – eine Software, die KI-Coding-Agenten umhüllt und ihnen die Werkzeuge für physische Experimente gibt. Die Kernidee des Forschungsteams: Der Robotik-Forschung fehlte bisher eine wiederholbare, physische Rückkopplungsschleife. ENPIRE schafft genau diese Abstraktion .

Das Framework setzt KI-Coding-Agenten auf eine Flotte realer Roboter und übergibt ihnen den gesamten Kreislauf: Umgebung zurücksetzen, Fachliteratur durchsuchen, Ideen implementieren, Richtlinien trainieren und bereitstellen, Ergebnisse selbst verifizieren, Logs analysieren, Code umschreiben – und das alles so lange wiederholen, bis die Richtlinie in der realen Welt zuverlässig funktioniert .

Die vier ineinandergreifenden Module

ENPIREs Architektur ist eine geschlossene Schleife aus vier Modulen, die jeweils einen kritischen Teil des physischen Forschungsprozesses übernehmen :

EN – Environment-Modul: Setzt die physische Szene automatisch auf einen zufälligen Ausgangszustand zurück und verifiziert die Aufgabenerfüllung mithilfe von bildbasierten Belohnungsfunktionen (z. B. Segmentierungsmodelle und Bounding-Box-Detektoren). Kein menschlicher Eingriff zwischen den Versuchen nötig .

PI – Policy-Improvement-Modul: Startet die Richtlinienoptimierung mittels verschiedener Verfahren – heuristisches Lernen, Tool-Calling, Behavior Cloning, Offline Reinforcement Learning oder Online RL. Der Coding-Agent schlägt algorithmische Hypothesen vor und schreibt den Code .

R – Rollout-Modul: Bewertet die Kandidatenrichtlinie auf einzelnen oder mehreren parallel arbeitenden physischen Robotern. Es speichert Zustands-, Aktions-, Video- und Ergebnisdaten für die spätere Prüfung .

E – Evolution-Modul: Coding-Agenten analysieren Logs, konsultieren Forschungsliteratur, vergleichen verschiedene Ansätze und verändern die Trainingsinfrastruktur sowie den Algorithmus-Code, um Fehlermuster zu beheben. Erfolgreiche Rezepte werden wiederverwendet; fehlschlagende Hypothesen werden verworfen .

Git-basierte Flotten-Koordination

Anstatt eine exotische Orchestrierungsebene zu entwickeln, setzt das Framework auf ein bekanntes Werkzeug für verteilte Zusammenarbeit: Git. Erzielt eine Agentenstation einen Durchbruch, lädt sie den verbesserten Richtlinien-Code hoch. Andere Stationen ziehen das Update und bauen darauf auf – dies ermöglicht verteilte, asynchrone Verbesserungen ohne zentrale Koordination .

Das Team setzte acht KI-Coding-Agenten gepaart mit acht Roboter-Workstations ein, jede ausgestattet mit zwei mechanischen Armen mit sechs Freiheitsgraden, Intel RealSense-Tiefenkameras und lokalen NVIDIA RTX 5090 GPUs. Die Agenten erhielten ein GPU-Kontingent und ein großzügiges Token-Budget mit der Vorgabe, Aufgaben schnell und sicher zu lösen und keine Rechenleistung zu verschwenden .

Gemeldete Erfolgsquoten

ENPIRE-betriebene Agenten erreichten eine 99% pass@8-Erfolgsquote bei einer Reihe anspruchsvoller, kontaktintensiver Aufgaben im realen Robotereinsatz :

• GPU-Installation – Einsetzen einer Grafikkarte in einen Mainboard-Slot
• Stift-Einsortieren – Sortieren von Stiften in eine Box
• Kabelbinder-Durchtrennen – präzises Durchtrennen eines Kabelbinders
• Push-T – eine planare Schiebeaufgabe mit einem T-förmigen Objekt

Die Autoren betonen, dass pass@8 die Fähigkeit zu wiederholtem Versuch und zur Erholung innerhalb eines einzigen, langanhaltenden Rollouts misst (bis zu 8 Wiederholungsversuche im Kontext, basierend auf vorherigen Fehlern), nicht die besten von 8 unabhängigen Stichproben .

Skalierungsergebnisse und Grenzen

Flotten-Skalierung

Die Veröffentlichung führt zwei neue Metriken ein: Mean Robot Utilization (MRU) – den Anteil der Zeit, in der der Roboter aktiv Experimente durchführt – und Mean Token Utilization (MTU) – die pro Minute verbrauchten Token als Maß dafür, wie intensiv der Agent „denkt“. Ein niedriger MTU-Wert zeigt an, dass der Agent auf einen Rollout wartet, anstatt selbst zu forschen .

Bei Skalierung von einem auf acht Roboter sank die Zeit bis zur nahezu perfekten Lösung der Stift-Aufgabe von über 1,5 Stunden auf etwa 40 Minuten .

Token-Verbrauch

Das System ist token-intensiv. Die Agenten lesen Paper, schreiben Code, analysieren Logs und iterieren – jeder Verbesserungszyklus verbraucht erhebliche Mengen an LLM-Tokens. Das Team gab den Agenten ein „großzügiges Token-Budget“ mit der Anweisung, Rechenleistung nicht zu verschwenden . Mit steigender Agentenzahl stieg der Token-Verbrauch überproportional an – jeder Agent muss nicht nur seine eigenen Experimente durchführen, sondern auch die Fortschritte der anderen verfolgen. Das System erkauft sich kürzere Entwicklungszeiten also mit höheren Rechenkosten .

Sim-to-Real-Lücke als Hürde

Alle drei getesteten KI-Coding-Agenten – Codex (mit GPT-5.5), Claude Code (mit Opus 4.7) und Kimi Code (mit Kimi K2.6) – lösten die Push-T-Aufgabe in der Simulation. Allerdings übertrugen sich nicht alle Ergebnisse direkt auf die reale Hardware. ENPIRE schafft die Sim-to-Real-Lücke nicht aus der Welt, sondern gibt KI-Agenten die Möglichkeit, diese Lücke durch wiederholte physische Versuche zu entdecken und sich anzupassen . Das Forschungsteam räumt dies offen als zentrale Einschränkung ein .

Die Veröffentlichung enthält zudem einen Abschnitt zu „Grenzen und zukünftigen Richtungen“, der darauf hinweist, dass die anfängliche Einrichtung der Umgebung (Hardware, Wahrnehmungspipeline) weiterhin nötig ist und dass der Ansatz durch Qualität und Kosten der zugrunde liegenden KI-Coding-Agenten begrenzt wird .

NVIDIAs Physical-AI-Strategie im weiteren Kontext

ENPIRE ist Teil einer deutlich breiteren NVIDIA-Strategie für Physical AI – KI, die die physische Welt versteht und in ihr handelt.

• NVIDIA Cosmos World Models: Auf der CES 2025 vorgestellt, ist Cosmos eine Plattform generativer Weltfundamentmodelle, Tokenisierer, Sicherheitsmechanismen und Videopipelines, die speziell für die Beschleunigung der Physical-AI-Entwicklung in autonomen Fahrzeugen und Robotik entwickelt wurde . Auf der GTC 2026 veröffentlichte NVIDIA neue Cosmos-Modelle sowie Isaac-Simulationsframeworks und Isaac GR00T N-Modelle für humanoide Roboter .

• Hyundai-Partnerschaft: Im Januar 2025 kündigte die Hyundai Motor Group eine strategische Partnerschaft mit NVIDIA an, die beschleunigtes Rechnen, generative KI und industrielle Digitalisierung umfasst . Im Oktober 2025 vertieften sie diese zur gemeinsamen Entwicklung einer KI-Fabrik mit 50.000 Blackwell-GPUs für autonome Fahrzeuge, Smart Factories und Robotik .

• Foxconn und andere Hersteller: Foxconn, General Motors, KION Group, Mercedes-Benz und andere haben NVIDIA Omniverse als ihr Physical-AI-Betriebssystem für die industrielle Digitalisierung übernommen . Auf der GTC 2026 kündigte NVIDIA Partnerschaften mit „Robotik-Gehirn-Entwicklern, Industrieroboter-Herstellern und Humanoid-Roboter-Unternehmen“ an, um Physical AI in Produktionsmaßstab zu bringen .

ENPIRE fungiert damit als Automatisierungsschicht für die Forschung auf dieser Infrastruktur – eine Möglichkeit, die Rückkopplungsschleife zwischen Simulation (Cosmos/Isaac), Hardware (Roboterflotten, KI-Fabriken) und autonomer Richtlinienoptimierung zu schließen, angetrieben von hochmodernen Coding-Agenten.

Quellenangaben

NVIDIA GEAR Lab: ENPIRE: Agentic Robot Policy Self-Improvement in the Real World – 18.06.2026
HotHardware: NVIDIA AI Robots Learn To Install Graphics Cards Without Human... – 18.06.2026
RoboHorizon: NVIDIA ENPIRE: AI agents run robot research labs – 17.06.2026
Hyper AI: NVIDIA Pairs AI Agents With Robots To Autonomously Conduct... – 18.06.2026
Softonic: Nvidia unveils ENPIRE: self-training robots reach 99% success – 17.06.2026
LINE Today Taiwan: NVIDIA 把機器人實驗交給AI 代理 – 18.06.2026
Let's Data Science: Nvidia showcases robots installing GPUs autonomously – 17.06.2026
IT Home / 163.com: 英伟达机器人自学'装显卡' – 18.06.2026
CryptoNews: Nvidia Built Robots That Train Themselves Using AI... – 17.06.2026
Sina Finance: NVIDIA团队让编程Agent接管真实机器人实验，成功率达99% – 17.06.2026
Digg: Nvidia releases ENPIRE, allowing a fleet of eight physical... – 16.06.2026
WindowsForum: Nvidia Is Selling The... – 17.06.2026
Hyundai Newsroom: Hyundai Motor Group Partners with NVIDIA... – 09.01.2025
The Autonomy Report: China Ships Hundreds of Factory Humanoids – 19.11.2025
NVIDIA Investor Relations: NVIDIA and Hyundai Motor Group Team on AI Factory... – 31.10.2025
MEXC: Nvidia unveils sweeping AI partnerships at GTC 2026... – 18.03.2026
GlobeNewswire: NVIDIA and Global Robotics Leaders Take Physical AI... – 16.03.2026
NVIDIA Newsroom: NVIDIA Omniverse Physical AI Operating System Expands... – 18.03.2025
NVIDIA Newsroom: NVIDIA and Hyundai Motor Group Team on AI Factory – 31.10.2025
NetEase / 163.com: 英伟达把8个AI和8台机器人关在一起，它们学会了自己做实验 – 18.06.2026