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

Per decenni, addestrare un robot a svolgere un compito fisico preciso – come inserire una scheda grafica in una motherboard o stringere una fascetta – ha richiesto un enorme lavoro umano: ripristinare la scena, ottimizzare gli algoritmi, analizzare i fallimenti e riscrivere il codice. Il collo di bottiglia non erano solo gli algoritmi; era il lavoro umano.

Il 17 giugno 2026, un team del NVIDIA GEAR Lab, della Carnegie Mellon University e della UC Berkeley ha rilasciato un framework che cambia completamente questa equazione. Chiamato ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch), rappresenta il primo sistema documentato in cui agenti AI di frontiera gestiscono autonomamente l'intero ciclo della ricerca robotica su hardware reale .

Cosa fa realmente ENPIRE

ENPIRE non è un robot né un nuovo modello AI. È un framework a imbracatura – un software che avvolge gli agenti AI di programmazione e fornisce loro gli strumenti per condurre esperimenti fisici. L'intuizione alla base, secondo il team di ricerca, è che la robotica ha sempre sofferto della mancanza di un ciclo di feedback fisico ripetibile, e ENPIRE fornisce proprio quell'astrazione .

Il framework immerge gli agenti AI di programmazione in una flotta di robot reali e affida loro l'intero ciclo: ripristinare l'ambiente, consultare la letteratura scientifica, implementare idee, addestrare e distribuire policy, auto-verificare i risultati, analizzare i log, riscrivere il codice e ripetere fino a quando la policy funziona in modo affidabile nel mondo reale .

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 .