NVIDIAn ENPIRE: Tekoälyagentit ottavat robotiikan tutkimuksen haltuun – 99 %:n onnistumisprosentti vaativissa tehtävissä

Vuosikymmenien ajan robottien kouluttaminen suorittamaan tarkkoja fyysisiä tehtäviä – kuten näytönohjaimen asentamista emolevyyn tai nippusiteen katkaisua – on vaatinut ihmistä hoitamaan suurimman osan työstä: ympäristön nollaamisen, algoritmien virittämisen, epäonnistumisten analysoinnin ja koodin uudelleenkirjoittamisen. Pullonkaula ei ole ollut pelkästään algoritmeissa, vaan ihmistyössä.

17. kesäkuuta 2026 ryhmä NVIDIAn GEAR Labista, Carnegie Mellon -yliopistosta ja UC Berkeleystä julkaisi kehyksen, joka muuttaa tämän yhtälön. ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) on ensimmäinen dokumentoitu järjestelmä, jossa huippuluokan tekoälyn koodausagentit suorittavat autonomisesti robotiikan tutkimuksen koko syklin fyysisellä laitteistolla .

Mitä ENPIRE oikeastaan tekee

ENPIRE ei ole robotti eikä uusi tekoälymalli. Se on valjaskehys – ohjelmisto, joka kietoutuu tekoälyn koodausagenttien ympärille ja antaa niille työkalut fyysisten kokeiden suorittamiseen. Tutkimusryhmän mukaan robotiikan tutkimuksesta on puuttunut toistettava fyysinen palautesilmukka, ja ENPIRE tarjoaa juuri tämän abstraktion .

Kehys pudottaa tekoälyn koodausagentit oikeiden robottien joukkoon ja antaa niille koko silmukan: nollaa ympäristö, etsi kirjallisuutta, toteuta ideoita, kouluta ja ota käyttöön toimintatavat, varmenna tulokset itse, analysoi lokit, kirjoita koodi uudelleen ja toista, kunnes toimintatapa toimii luotettavasti todellisessa maailmassa .

Neljä toisiinsa kytkeytyvää moduulia

ENPIREn arkkitehtuuri on suljettu silmukka, joka koostuu neljästä moduulista, joista jokainen hoitaa kriittisen osan fyysisestä tutkimusprosessista :

EN — Ympäristömoduuli: Nollaa fyysisen näkymän automaattisesti satunnaistettuun alkutilaan ja varmistaa tehtävän suorittamisen näköön perustuvien palkkiofunktioiden avulla (esim. segmentointimallit ja rajauslaatikoiden tunnistimet). Ihmisen ei tarvitse nollata robottia kokeiden välillä .

PI — Toimintatapojen parannusmoduuli: Käynnistää toimintatapojen tarkennuksen käyttämällä mitä tahansa useista menetelmistä – heuristista oppimista, työkalujen kutsumista, käyttäytymisen kopiointia, offline-vahvistusoppimista tai online-vahvistusoppimista. Koodausagentti ehdottaa algoritmisia hypoteeseja ja kirjoittaa koodin .

R — Testausmoduuli: Arvioi ehdokastoimintatapaa yhdellä tai usealla rinnakkain toimivalla fyysisellä robotilla. Tallentaa tilan, toiminnon, videon ja lopputuloksen tarkastusta varten .

E — Evoluutiomoduuli: Koodausagentit analysoivat lokit, tutustuvat tutkimuskirjallisuuteen, vertailevat haaroja ja muokkaavat koulutusinfrastruktuuria ja algoritmikoodia epäonnistumisten korjaamiseksi. Onnistuneet reseptit otetaan uudelleen käyttöön ja epäonnistuneet hypoteesit karsitaan pois .

Git-pohjainen laivaston koordinaatio

Sen sijaan, että keksittäisiin eksoottinen koordinointikerros, kehys käyttää tunnettua työkalua hajautettuun yhteistyöhön: Git. Kun yksi agenttiasema saavuttaa läpimurron, se tallentaa parannetun toimintatapakoodin. Muut asemat noutavat päivityksen ja rakentavat sen päälle mahdollistaen hajautetun, asynkronisen parantamisen ilman keskuskoordinointia .

Ryhmä otti käyttöön kahdeksan tekoälyn koodausagenttia yhdistettynä kahdeksaan robottityöasemaan, joista jokainen oli varustettu kahdella kuusivapausasteisella mekaanisella käsivarrella, Intel RealSense -syvyyskameroilla ja paikallisilla NVIDIA RTX 5090 -näytönohjaimilla. Agentit saivat käyttöönsä GPU-varauksen ja anteliaan token-budjetin, ja ne päästettiin vapaiksi tavoitteena ratkaista tehtävä mahdollisimman nopeasti ja turvallisesti .

Raportoidut onnistumisasteet

ENPIREn ohjaamat agentit saavuttivat 99 %:n pass@8-onnistumisasteen useissa haastavissa, kontakti-intensiivisissä käsittelytehtävissä todellisessa maailmassa :

• GPU:n asennus – näytönohjaimen asettaminen emolevyn korttipaikkaan
• Pinssien asennus – pinssien järjestäminen pinssilaatikkoon
• Nippusiteen katkaisu – nippusiteen katkaisu leikkurilla
• Nippusiteen sitominen
• Push-T – tasossa tapahtuva työntötehtävä

Tutkimuksessa todetaan, että pass@8 mittaa hätätilanteen uudelleenyritystä ja palautumista yhden pitkän aikavälin testin aikana (jopa 8 kontekstuaalista uudelleenyritystä aiemmista epäonnistumisista riippuen), eikä se ole paras kahdeksasta riippumattomasta näytteestä .

Skaalautuvuustulokset ja rajoitukset

Laivaston skaalautuvuusmittarit

Tutkimus esittelee kaksi uutta mittaria: Mean Robot Utilization (MRU) ja Mean Token Utilization (MTU), jotka mittaavat moniagenttisen fyysisen automaatiotutkimuksen tehokkuutta .

Token-kulutus

Järjestelmä on token-intensiivinen. Agentit lukevat artikkeleita, kirjoittavat koodia, analysoivat lokit ja iteroiden – jokainen parannussykli kuluttaa merkittävän määrän LLM-tokeneita. Ryhmä antoi agenteille "anteliaan token-budjetin" ja kehotti niitä olemaan tuhlaamatta laskentatehoa .

Simulaatiosta todellisuuteen -epäonnistuminen Push-T-tehtävässä

Kaikki kolme testattua huippuluokan koodausagenttia – Codex (GPT-5.5), Claude Code (Opus 4.7) ja Kimi Code (Kimi K2.6) – ratkaisivat Push-T-tehtävän simulaatiossa. Kuitenkin kaikki eivät siirtyneet kunnolla todelliseen laitteistoon. ENPIRE ei poista simulaation ja todellisuuden välistä kuilua; se antaa tekoälyagenteille keinon löytää ja sopeutua siihen toistuvien fyysisten kokeiden kautta . Tämä tunnustetaan avoimesti tutkimuksen keskeiseksi rajoitukseksi .

Laajemmat tunnustetut rajoitukset

Tutkimuksen "Rajoitukset ja tulevaisuuden suunnat" -osiossa todetaan, että ENPIRE edellyttää edelleen alkuperäisen ympäristön asennusta (laitteisto, havainnointiputki) ja että lähestymistapa on sidottu taustalla olevien koodausagenttien LLM-mallien laatuun ja kustannuksiin .

Laajempi konteksti: NVIDIAn fyysinen tekoäly -panostus

ENPIRE on osa paljon laajempaa NVIDIAn strategiaa Fyysinen tekoäly (Physical AI) – tekoälylle, joka ymmärtää ja toimii fyysisessä maailmassa.

• NVIDIA Cosmos -maailmamallit: CES 2025:ssä lanseerattu Cosmos on alusta, joka koostuu generatiivisista maailman perusmalleista, tokenisaattoreista, suojakaiteista ja videoputkistoista, jotka on rakennettu nopeuttamaan fyysisen tekoälyn kehitystä autonomisia ajoneuvoja ja robotiikkaa varten . GTC 2026:ssa NVIDIA julkaisi uusia Cosmos-malleja yhdessä Isaac-simulaatiokehysten ja Isaac GR00T N -mallien kanssa humanoidiroboteille .
• Hyundai-kumppanuus: Tammikuussa 2025 Hyundai Motor Group ilmoitti strategisesta kumppanuudesta NVIDIAn kanssa, joka kattaa tehostetun laskennan, generatiivisen tekoälyn ja teollisen digitalisoinnin . Lokakuussa 2025 kumppanuus syveni 50 000 Blackwell-GPU:n tekoälytehtaaksi autonomisia ajoneuvoja, älytehtaita ja robotiikkaa varten .
• Foxconn ja muut valmistajat: Foxconn, General Motors, KION Group, Mercedes-Benz ja muut ovat ottaneet käyttöön NVIDIA Omniversen fyysisen tekoälyn käyttöjärjestelmänään teolliseen digitalisointiin . GTC 2026:ssa NVIDIA ilmoitti kumppanuuksista "robottiaivojen kehittäjien, teollisten robottivalmistajien ja humanoidirobotiikkayritysten" kanssa edistääkseen tuotantotason fyysistä tekoälyä .

ENPIRE on käytännössä tutkimuksen automaatiokerros tämän infrastruktuurin päällä – tapa sulkea silmukka simulaation (Cosmos/Isaac), laitteiston (robottilaivastot, tekoälytehtaat) ja autonomisen toimintatapojen parantamisen välillä, kaikki huippuluokan koodausagenttien ohjaamana.