ENPIRE: quando i robot imparano a fare da soli – NVIDIA, CMU e UC Berkeley rivoluzionano l'addestramento robotico

I quattro moduli intrecciati

L'architettura di ENPIRE è un ciclo chiuso composto da quattro moduli, ognuno dei quali gestisce una parte critica del processo di ricerca fisica :

EN – Modulo Ambiente: Ripristina automaticamente la scena fisica in uno stato iniziale randomizzato e verifica il completamento del compito utilizzando funzioni di ricompensa basate sulla visione (ad esempio, modelli di segmentazione e rilevatori di bounding box). Nessun umano deve ripristinare il robot tra una prova e l'altra .

PI – Modulo di Miglioramento della Policy: Avvia il perfezionamento della policy utilizzando diversi regimi – apprendimento euristico, chiamate a strumenti, clonazione del comportamento, apprendimento per rinforzo offline o online. L'agente di programmazione propone ipotesi algoritmiche e scrive il codice .

R – Modulo di Esecuzione: Valuta la policy candidata su uno o più robot fisici che operano in parallelo. Conserva lo stato, le azioni, i video e i risultati per la verifica .

E – Modulo di Evoluzione: Gli agenti di programmazione analizzano i log, consultano la letteratura di ricerca, confrontano i rami e modificano il codice dell'infrastruttura di addestramento e dell'algoritmo per affrontare le modalità di fallimento. Le ricette di successo vengono riutilizzate; le ipotesi fallimentari vengono potate .

Coordinamento della flotta basato su Git

Invece di inventare un livello di orchestrazione esotico, il framework si affida a uno strumento familiare per la collaborazione distribuita: Git. Quando una stazione agente raggiunge un risultato importante, inserisce il codice della policy migliorata nel repository. Le altre stazioni estraggono l'aggiornamento e ci lavorano sopra, consentendo un miglioramento distribuito e asincrono senza coordinamento centralizzato .

Il team ha schierato otto agenti AI di programmazione abbinati a otto stazioni di lavoro robotiche, ciascuna dotata di due bracci meccanici a sei gradi di libertà, telecamere di profondità Intel RealSense e GPU NVIDIA RTX 5090 locali. Con un'allocazione di GPU e un budget di token generoso, gli agenti sono stati lasciati liberi con un obiettivo semplice: risolvere il compito il più velocemente possibile, mantenere i robot occupati ma al sicuro e non sprecare preziosa potenza di calcolo .

Risultati impressionanti... ma con qualche limite

I test hanno mostrato un tasso di successo del 99% pass@8 in una serie di compiti di manipolazione di contatto complessi :

• Inserimento GPU: installazione di una scheda grafica in uno slot della motherboard
• Inserimento pin: organizzazione di piccoli pin in una scatola
• Taglio fascette: utilizzo di un taglierino per tagliare una fascetta
• Legatura fascette
• Push-T: un compito di spinta planare

La metrica pass@8 misura la capacità di riprovare e recuperare all'interno di un singolo ciclo di esecuzione esteso (fino a 8 tentativi consecutivi basati sui fallimenti precedenti), non il miglior risultato su 8 campioni indipendenti .

Scalabilità e limiti

Quando il team ha aumentato la flotta da 1 a 8 robot, il tempo necessario per completare il compito di inserimento pin è sceso da oltre 1,5 ore a circa 40 minuti . Tuttavia, il consumo di token è cresciuto in modo super-lineare: ogni agente non solo esegue i propri esperimenti, ma deve anche leggere e comprendere i progressi degli altri agenti .

Un limite importante è emerso nel compito Push-T: tutti e tre gli agenti di programmazione testati – Codex (con GPT-5.5), Claude Code (con Opus 4.7) e Kimi Code (con Kimi K2.6) – hanno risolto il compito in simulazione, ma non tutti sono riusciti a trasferire la soluzione all'hardware reale. ENPIRE non elimina il divario simulazione-realtà; fornisce agli agenti AI un modo per scoprire quel divario attraverso prove fisiche ripetute e adattarsi .

Il contesto più ampio: la spinta di NVIDIA verso l'AI fisica

ENPIRE si inserisce in una strategia molto più ampia di NVIDIA per l'AI fisica – l'intelligenza artificiale che comprende e agisce nel mondo reale.

• NVIDIA Cosmos: una piattaforma di modelli mondiali generativi, tokenizzatori e pipeline video per accelerare lo sviluppo di AI fisica per veicoli autonomi e robotica .
• Hyundai Motor Group: partnership strategica per costruire una 'fabbrica AI' alimentata da 50.000 GPU Blackwell, per veicoli autonomi, fabbriche intelligenti e robotica .
• Foxconn e altri: aziende come Foxconn, General Motors e Mercedes-Benz hanno adottato NVIDIA Omniverse come sistema operativo per l'AI fisica industriale .

ENPIRE rappresenta, in sostanza, il livello di automazione della ricerca su questa infrastruttura – un modo per chiudere il ciclo tra simulazione (Cosmos/Isaac), hardware (flotte robotiche, fabbriche AI) e miglioramento autonomo delle policy, il tutto guidato da agenti AI di frontiera.

Nota: NVIDIA ha annunciato l'intenzione di rendere open source la tecnologia ENPIRE, permettendo anche agli appassionati di tecnologia di ospitare i propri laboratori robotici automatizzati a casa .