ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8]. 4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증,...
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8].
4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증, 코드 수정을 주기적으로 반복한다 [3][4][5].
실물 로봇 8대에 8개의 AI 에이전트(Codex, Claude Code, Kimi Code)를 배치한 결과, GPU 마더보드 장착, 핀 정리, 케이블타이 절단 등 고정밀 접촉 작업에서 pass@8 기준 99% 성공률을 기록했다 [3][5][7].
로봇 플리트 간 협업은 깃(Git)을 통해 이루어지며, 성공한 정책 코드는 다른 에이전트가 공유·발전시키는 분산·비동기 방식이다. 단일 로봇 대비 8대 규모에서 핀 삽입 작업 완료 시간이 1.5시간에서 약 40분으로 단축됐다 [7][8][13].
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 프롬프트
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
지금까지 로봇이 그래픽카드를 마더보드에 끼우거나 케이블타이를 조이는 정밀 작업을 배우려면 인간 연구자가 거의 모든 과정을 직접 해야 했습니다. 장면을 리셋하고, 알고리즘을 튜닝하고, 실패 원인을 분석하고, 코드를 다시 작성하는 식이었죠. 병목은 알고리즘뿐 아니라 인간의 노동 자체에 있었습니다.
2026년 6월 17일, 엔비디아(NVIDIA)의 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리(Berkeley) 연구팀이 이 공식을 뒤집는 프레임워크를 공개했습니다. 이름하여 ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)입니다. 이는 최첨단 AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 연구의 전체 사이클을 자율적으로 수행하는 최초의 시스템으로 기록됐습니다 .
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
"로봇이 스스로 연구하고 학습한다: 엔비디아 ENPIRE 프레임워크의 모든 것"에 대한 짧은 대답은 무엇입니까?
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8].
먼저 검증할 핵심 포인트는 무엇인가요?
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8]. 4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증, 코드 수정을 주기적으로 반복한다 [3][4][5].
실무에서는 다음으로 무엇을 해야 합니까?
실물 로봇 8대에 8개의 AI 에이전트(Codex, Claude Code, Kimi Code)를 배치한 결과, GPU 마더보드 장착, 핀 정리, 케이블타이 절단 등 고정밀 접촉 작업에서 pass@8 기준 99% 성공률을 기록했다 [3][5][7].
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8]. 4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증,...
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8].
4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증, 코드 수정을 주기적으로 반복한다 [3][4][5].
실물 로봇 8대에 8개의 AI 에이전트(Codex, Claude Code, Kimi Code)를 배치한 결과, GPU 마더보드 장착, 핀 정리, 케이블타이 절단 등 고정밀 접촉 작업에서 pass@8 기준 99% 성공률을 기록했다 [3][5][7].
로봇 플리트 간 협업은 깃(Git)을 통해 이루어지며, 성공한 정책 코드는 다른 에이전트가 공유·발전시키는 분산·비동기 방식이다. 단일 로봇 대비 8대 규모에서 핀 삽입 작업 완료 시간이 1.5시간에서 약 40분으로 단축됐다 [7][8][13].
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 프롬프트
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
지금까지 로봇이 그래픽카드를 마더보드에 끼우거나 케이블타이를 조이는 정밀 작업을 배우려면 인간 연구자가 거의 모든 과정을 직접 해야 했습니다. 장면을 리셋하고, 알고리즘을 튜닝하고, 실패 원인을 분석하고, 코드를 다시 작성하는 식이었죠. 병목은 알고리즘뿐 아니라 인간의 노동 자체에 있었습니다.
2026년 6월 17일, 엔비디아(NVIDIA)의 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리(Berkeley) 연구팀이 이 공식을 뒤집는 프레임워크를 공개했습니다. 이름하여 ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)입니다. 이는 최첨단 AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 연구의 전체 사이클을 자율적으로 수행하는 최초의 시스템으로 기록됐습니다 .
Studio Global AI
연구를 계속하세요
이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.
"로봇이 스스로 연구하고 학습한다: 엔비디아 ENPIRE 프레임워크의 모든 것"에 대한 짧은 대답은 무엇입니까?
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8].
먼저 검증할 핵심 포인트는 무엇인가요?
ENPIRE(Embodied Neural Policy Improvement through Physical AutoResearch)는 엔비디아 GEAR 연구소, 카네기멜론대학교(CMU), UC버클리가 2026년 6월 17일 공개한 프레임워크로, AI 코딩 에이전트가 실제 하드웨어 위에서 로봇 정책을 자율적으로 연구·개선하는 최초의 시스템이다 [3][5][8]. 4개의 핵심 모듈(환경 모듈 EN, 정책 개선 모듈 PI, 롤아웃 모듈 R, 진화 모듈 E)로 구성된 폐루프(closed loop) 구조를 통해 에이전트가 환경 리셋, 실험 설계, 정책 훈련, 결과 검증, 코드 수정을 주기적으로 반복한다 [3][4][5].
실무에서는 다음으로 무엇을 해야 합니까?
실물 로봇 8대에 8개의 AI 에이전트(Codex, Claude Code, Kimi Code)를 배치한 결과, GPU 마더보드 장착, 핀 정리, 케이블타이 절단 등 고정밀 접촉 작업에서 pass@8 기준 99% 성공률을 기록했다 [3][5][7].
ENPIRE은 그 자체로 로봇도, 새로운 AI 모델도 아닙니다. AI 코딩 에이전트를 감싸서 물리적 실험을 가능하게 해주는 이른바 '하네스 프레임워크(harness framework)'입니다. 연구팀의 핵심 통찰은 "로봇 공학 연구에는 반복 가능한 물리적 피드백 루프가 없었다"는 점이며, ENPIRE이 바로 그 추상화(abstraction)를 제공한다고 설명합니다 .
이 프레임워크는 AI 코딩 에이전트를 실제 로봇 플리트(fleet)에 투입하고 다음과 같은 전 과정을 맡깁니다: 환경 리셋 → 연구 문헌 검색 → 아이디어 구현 및 기반 구축 → 정책 훈련 및 배포 → 자체 검증 → 로그 분석 및 코드 재작성 → 반복 .
네 가지 맞물린 모듈
ENPIRE의 아키텍처는 네 가지 모듈로 구성된 폐루프(closed loop)입니다 :
EN — 환경 모듈: 물리적 장면을 무작위 초기 상태로 자동 리셋하고, 비전 기반 보상 함수(세그멘테이션 모델, 경계 상자 검출기 등)를 통해 작업 완료 여부를 검증합니다. 인간이 시행 사이사이에 로봇을 리셋할 필요가 없습니다 .
PI — 정책 개선 모듈: 휴리스틱 학습, 도구 호출, 행동 클로닝, 오프라인 강화학습, 온라인 강화학습 등 여러 방식으로 정책 개선을 시작합니다. 코딩 에이전트가 알고리즘 가설을 제안하고 코드를 작성합니다 .
R — 롤아웃 모듈: 단일 또는 여러 대의 물리적 로봇에서 후보 정책을 동시에 평가합니다. 상태, 행동, 비디오, 결과 데이터를 감사 가능한 형태로 보존합니다 .
E — 진화 모듈: 코딩 에이전트가 로그를 분석하고, 연구 문헌을 참고하고, 서로 다른 브랜치(branch)를 비교하고, 훈련 인프라와 알고리즘 코드를 수정하여 실패 모드를 해결합니다. 성공한 레시피는 재사용하고, 실패 가설은 가지치기합니다 .
깃(Git) 기반 플리트 협업
흥미롭게도, 연구팀은 특별한 오케스트레이션 계층을 새로 만들지 않고 **깃(Git)**이라는 개발자에게 익숙한 도구를 사용했습니다. 한 에이전트 스테이션이 돌파구를 찾으면 개선된 정책 코드를 커밋합니다. 다른 스테이션은 해당 업데이트를 풀(pull)하여 그 위에 구축합니다. 이를 통해 중앙 집중식 조정 없이도 분산·비동기적인 개선이 가능해집니다 .
연구팀은 8개의 AI 코딩 에이전트와 8대의 로봇 워크스테이션을 배치했습니다. 각 워크스테이션은 6자유도(6-DOF) 듀얼 암(dual arm), Intel RealSense 깊이 카메라, 로컬 NVIDIA RTX 5090 GPU로 구성됐습니다. GPU 할당과 충분한 토큰 예산이 주어졌고, 에이전트들은 "가능한 한 빨리 작업을 해결하고, 로봇을 바쁘게 유지하되 안전을 지키고, 소중한 컴퓨팅 자원을 낭비하지 말라"는 단순한 목표 아래 자유롭게 풀려났습니다 . 그리고 인간은 그 뒤로 물러섰습니다.
99% 성공률: 실제 작업에서 증명되다
ENPIRE는 까다로운 접촉 기반 정밀 조작 작업(contact-rich dexterous manipulation tasks)에서 pass@8 기준 99%의 성공률을 기록했습니다 :
GPU 장착(GPU insertion): 그래픽카드를 마더보드 슬롯에 정확히 끼우기
핀 삽입(Pin insertion): 핀을 핀 박스에 정리하여 넣기
케이블타이 절단(Zip-tie cutting): 커터를 사용해 케이블타이 자르기
케이블타이 묶기(Zip-tie tying)
Push-T: T자형 블록을 밀어 지정 영역으로 옮기는 평면 밀기 작업
여기서 pass@8은 8회의 독립 시도 중 최고 성과가 아니라, **단일 장기 롤아웃(long-horizon rollout) 내에서 최대 8회의 맥락적 재시도(emergent retry and recovery)**를 측정한 값입니다 .
확장 결과와 한계
플리트 확장 지표
연구팀은 다중 에이전트 물리적 오토리서치의 효율을 측정하기 위해 **평균 로봇 활용률(Mean Robot Utilization, MRU)**과 **평균 토큰 활용률(Mean Token Utilization, MTU)**이라는 새로운 지표를 도입했습니다 .
토큰 소비
ENPIRE 시스템은 토큰 집약적입니다. 에이전트는 연구 논문을 읽고, 코드를 작성하고, 로그를 분석하고, 반복 개선합니다. 각 개선 사이클마다 상당한 양의 LLM 토큰이 소모됩니다. 연구팀은 에이전트에게 "넉넉한 토큰 예산"을 주고 컴퓨팅 자원을 낭비하지 말라고 지시했다고 밝혔습니다 .
논문에 따르면, 플리트 규모가 커질수록 총 토큰 소비는 **초선형(super-linear)**으로 증가했습니다. 그 이유는 각 에이전트가 자신의 실험을 수행할 뿐만 아니라 다른 에이전트의 연구 진행 상황을 지속적으로 읽고 이해해야 하기 때문입니다. 즉, 더 짧은 연구 시간을 더 높은 컴퓨팅 비용으로 교환한 셈입니다 .
Push-T의 시뮬레이션-실제 격차(sim-to-real gap)
테스트된 세 가지 최첨단 코딩 에이전트 — Codex (GPT-5.5 기반), Claude Code (Opus 4.7 기반), Kimi Code (Kimi K2.6 기반) — 모두 시뮬레이션 환경에서 Push-T 작업을 성공적으로 해결했습니다. 그러나 모든 에이전트가 실제 하드웨어로 깔끔하게 전이되지는 않았습니다. ENPIRE은 시뮬레이션-실제 격차를 없애는 것이 아니라, AI 에이전트가 반복적인 물리적 시행을 통해 그 격차를 발견하고 적응할 수 있는 방법을 제공합니다 . 연구팀은 논문에서 이를 주요 한계점으로 솔직하게 인정했습니다 .
기타 인정된 한계
논문의 '한계 및 향후 방향(Limitations & Future Directions)' 섹션에서는 ENPIRE이 여전히 초기 환경 설정(하드웨어, 인식 파이프라인 등)을 필요로 하며, 접근 방식의 성능이 기반이 되는 코딩 에이전트 LLM의 품질과 비용에 의해 제한된다고 밝히고 있습니다 .
ENPIRE의 더 넓은 맥락: 엔비디아의 피지컬 AI 전략
ENPIRE은 엔비디아가 추진하는 거대한 피지컬 AI(Physical AI) 전략의 일부입니다. 피지컬 AI는 물리적 세계를 이해하고 그 안에서 행동하는 AI를 의미합니다.
엔비디아 코스모스 월드 모델(NVIDIA Cosmos World Models): 2025년 CES에서 처음 공개된 Cosmos는 자율주행차와 로봇을 위한 피지컬 AI 개발 가속화 플랫폼입니다 . 2026년 GTC에서는 새로운 Cosmos 모델과 함께 Isaac 시뮬레이션 프레임워크, Isaac GR00T N 모델이 발표됐습니다 .
현대차 그룹과의 협력: 2025년 1월, 현대차 그룹은 엑셀러레이티드 컴퓨팅, 생성형 AI, 산업 디지털화 분야에서 엔비디아와 전략적 파트너십을 체결했습니다 . 2025년 10월에는 5만 개의 Blackwell GPU로 구동되는 AI 팩토리 구축을 발표하며 자율주행, 스마트 팩토리, 로봇 공학 분야 협력을 대폭 확대했습니다 .
폭스콘·지멘스 등 산업 파트너: 폭스콘(Foxconn), 제너럴모터스(General Motors), KION 그룹, 메르세데스-벤츠 등은 엔비디아 옴니버스(Omniverse)를 피지컬 AI 운영 체제로 채택했습니다 . 지멘스(Siemens)와는 완전 AI 기반 적응형 제조 현장 구축을 위한 확장 파트너십을 체결했습니다 .
ENPIRE은 이러한 인프라 위에서 연구 자동화 계층(research automation layer) 역할을 합니다. 시뮬레이션(Cosmos/Isaac), 실제 하드웨어(로봇 플리트, AI 팩토리), 자율적 정책 개선 사이의 루프를 닫아주는 시스템인 셈입니다. 엔비디아 GEAR 연구소의 공동 책임자 짐 판(Jim Fan)은 로봇이 밤새 멈추지 않고 스스로 개선하며, 연구자는 아침에 훈련 리포트만 확인하면 된다고 설명했습니다 . 엔비디아는 이 기술을 오픈소스로 공개할 계획이며, 관심 있는 기술 애호가들이 집에서도 자동 로봇 연구소를 운영할 수 있게 될 것이라고 밝혔습니다 .
NVIDIA Pairs AI Agents With Robots To Autonomously Conduct ...
ENPIRE은 그 자체로 로봇도, 새로운 AI 모델도 아닙니다. AI 코딩 에이전트를 감싸서 물리적 실험을 가능하게 해주는 이른바 '하네스 프레임워크(harness framework)'입니다. 연구팀의 핵심 통찰은 "로봇 공학 연구에는 반복 가능한 물리적 피드백 루프가 없었다"는 점이며, ENPIRE이 바로 그 추상화(abstraction)를 제공한다고 설명합니다 .
이 프레임워크는 AI 코딩 에이전트를 실제 로봇 플리트(fleet)에 투입하고 다음과 같은 전 과정을 맡깁니다: 환경 리셋 → 연구 문헌 검색 → 아이디어 구현 및 기반 구축 → 정책 훈련 및 배포 → 자체 검증 → 로그 분석 및 코드 재작성 → 반복 .
네 가지 맞물린 모듈
ENPIRE의 아키텍처는 네 가지 모듈로 구성된 폐루프(closed loop)입니다 :
EN — 환경 모듈: 물리적 장면을 무작위 초기 상태로 자동 리셋하고, 비전 기반 보상 함수(세그멘테이션 모델, 경계 상자 검출기 등)를 통해 작업 완료 여부를 검증합니다. 인간이 시행 사이사이에 로봇을 리셋할 필요가 없습니다 .
PI — 정책 개선 모듈: 휴리스틱 학습, 도구 호출, 행동 클로닝, 오프라인 강화학습, 온라인 강화학습 등 여러 방식으로 정책 개선을 시작합니다. 코딩 에이전트가 알고리즘 가설을 제안하고 코드를 작성합니다 .
R — 롤아웃 모듈: 단일 또는 여러 대의 물리적 로봇에서 후보 정책을 동시에 평가합니다. 상태, 행동, 비디오, 결과 데이터를 감사 가능한 형태로 보존합니다 .
E — 진화 모듈: 코딩 에이전트가 로그를 분석하고, 연구 문헌을 참고하고, 서로 다른 브랜치(branch)를 비교하고, 훈련 인프라와 알고리즘 코드를 수정하여 실패 모드를 해결합니다. 성공한 레시피는 재사용하고, 실패 가설은 가지치기합니다 .
깃(Git) 기반 플리트 협업
흥미롭게도, 연구팀은 특별한 오케스트레이션 계층을 새로 만들지 않고 **깃(Git)**이라는 개발자에게 익숙한 도구를 사용했습니다. 한 에이전트 스테이션이 돌파구를 찾으면 개선된 정책 코드를 커밋합니다. 다른 스테이션은 해당 업데이트를 풀(pull)하여 그 위에 구축합니다. 이를 통해 중앙 집중식 조정 없이도 분산·비동기적인 개선이 가능해집니다 .
연구팀은 8개의 AI 코딩 에이전트와 8대의 로봇 워크스테이션을 배치했습니다. 각 워크스테이션은 6자유도(6-DOF) 듀얼 암(dual arm), Intel RealSense 깊이 카메라, 로컬 NVIDIA RTX 5090 GPU로 구성됐습니다. GPU 할당과 충분한 토큰 예산이 주어졌고, 에이전트들은 "가능한 한 빨리 작업을 해결하고, 로봇을 바쁘게 유지하되 안전을 지키고, 소중한 컴퓨팅 자원을 낭비하지 말라"는 단순한 목표 아래 자유롭게 풀려났습니다 . 그리고 인간은 그 뒤로 물러섰습니다.
99% 성공률: 실제 작업에서 증명되다
ENPIRE는 까다로운 접촉 기반 정밀 조작 작업(contact-rich dexterous manipulation tasks)에서 pass@8 기준 99%의 성공률을 기록했습니다 :
GPU 장착(GPU insertion): 그래픽카드를 마더보드 슬롯에 정확히 끼우기
핀 삽입(Pin insertion): 핀을 핀 박스에 정리하여 넣기
케이블타이 절단(Zip-tie cutting): 커터를 사용해 케이블타이 자르기
케이블타이 묶기(Zip-tie tying)
Push-T: T자형 블록을 밀어 지정 영역으로 옮기는 평면 밀기 작업
여기서 pass@8은 8회의 독립 시도 중 최고 성과가 아니라, **단일 장기 롤아웃(long-horizon rollout) 내에서 최대 8회의 맥락적 재시도(emergent retry and recovery)**를 측정한 값입니다 .
확장 결과와 한계
플리트 확장 지표
연구팀은 다중 에이전트 물리적 오토리서치의 효율을 측정하기 위해 **평균 로봇 활용률(Mean Robot Utilization, MRU)**과 **평균 토큰 활용률(Mean Token Utilization, MTU)**이라는 새로운 지표를 도입했습니다 .
토큰 소비
ENPIRE 시스템은 토큰 집약적입니다. 에이전트는 연구 논문을 읽고, 코드를 작성하고, 로그를 분석하고, 반복 개선합니다. 각 개선 사이클마다 상당한 양의 LLM 토큰이 소모됩니다. 연구팀은 에이전트에게 "넉넉한 토큰 예산"을 주고 컴퓨팅 자원을 낭비하지 말라고 지시했다고 밝혔습니다 .
논문에 따르면, 플리트 규모가 커질수록 총 토큰 소비는 **초선형(super-linear)**으로 증가했습니다. 그 이유는 각 에이전트가 자신의 실험을 수행할 뿐만 아니라 다른 에이전트의 연구 진행 상황을 지속적으로 읽고 이해해야 하기 때문입니다. 즉, 더 짧은 연구 시간을 더 높은 컴퓨팅 비용으로 교환한 셈입니다 .
Push-T의 시뮬레이션-실제 격차(sim-to-real gap)
테스트된 세 가지 최첨단 코딩 에이전트 — Codex (GPT-5.5 기반), Claude Code (Opus 4.7 기반), Kimi Code (Kimi K2.6 기반) — 모두 시뮬레이션 환경에서 Push-T 작업을 성공적으로 해결했습니다. 그러나 모든 에이전트가 실제 하드웨어로 깔끔하게 전이되지는 않았습니다. ENPIRE은 시뮬레이션-실제 격차를 없애는 것이 아니라, AI 에이전트가 반복적인 물리적 시행을 통해 그 격차를 발견하고 적응할 수 있는 방법을 제공합니다 . 연구팀은 논문에서 이를 주요 한계점으로 솔직하게 인정했습니다 .
기타 인정된 한계
논문의 '한계 및 향후 방향(Limitations & Future Directions)' 섹션에서는 ENPIRE이 여전히 초기 환경 설정(하드웨어, 인식 파이프라인 등)을 필요로 하며, 접근 방식의 성능이 기반이 되는 코딩 에이전트 LLM의 품질과 비용에 의해 제한된다고 밝히고 있습니다 .
ENPIRE의 더 넓은 맥락: 엔비디아의 피지컬 AI 전략
ENPIRE은 엔비디아가 추진하는 거대한 피지컬 AI(Physical AI) 전략의 일부입니다. 피지컬 AI는 물리적 세계를 이해하고 그 안에서 행동하는 AI를 의미합니다.
엔비디아 코스모스 월드 모델(NVIDIA Cosmos World Models): 2025년 CES에서 처음 공개된 Cosmos는 자율주행차와 로봇을 위한 피지컬 AI 개발 가속화 플랫폼입니다 . 2026년 GTC에서는 새로운 Cosmos 모델과 함께 Isaac 시뮬레이션 프레임워크, Isaac GR00T N 모델이 발표됐습니다 .
현대차 그룹과의 협력: 2025년 1월, 현대차 그룹은 엑셀러레이티드 컴퓨팅, 생성형 AI, 산업 디지털화 분야에서 엔비디아와 전략적 파트너십을 체결했습니다 . 2025년 10월에는 5만 개의 Blackwell GPU로 구동되는 AI 팩토리 구축을 발표하며 자율주행, 스마트 팩토리, 로봇 공학 분야 협력을 대폭 확대했습니다 .
폭스콘·지멘스 등 산업 파트너: 폭스콘(Foxconn), 제너럴모터스(General Motors), KION 그룹, 메르세데스-벤츠 등은 엔비디아 옴니버스(Omniverse)를 피지컬 AI 운영 체제로 채택했습니다 . 지멘스(Siemens)와는 완전 AI 기반 적응형 제조 현장 구축을 위한 확장 파트너십을 체결했습니다 .
ENPIRE은 이러한 인프라 위에서 연구 자동화 계층(research automation layer) 역할을 합니다. 시뮬레이션(Cosmos/Isaac), 실제 하드웨어(로봇 플리트, AI 팩토리), 자율적 정책 개선 사이의 루프를 닫아주는 시스템인 셈입니다. 엔비디아 GEAR 연구소의 공동 책임자 짐 판(Jim Fan)은 로봇이 밤새 멈추지 않고 스스로 개선하며, 연구자는 아침에 훈련 리포트만 확인하면 된다고 설명했습니다 . 엔비디아는 이 기술을 오픈소스로 공개할 계획이며, 관심 있는 기술 애호가들이 집에서도 자동 로봇 연구소를 운영할 수 있게 될 것이라고 밝혔습니다 .
NVIDIA Pairs AI Agents With Robots To Autonomously Conduct ...
