ENPIRE: AI-codeeragents trainen robots op echte hardware met 99% slaagkans

ENPIRE: het einde van de menselijke bottleneck in robotica-onderzoek

Voor decennia was het trainen van een robot voor een precieze fysieke taak – zoals het plaatsen van een grafische kaart in een moederbord of het doorknippen van een kabelbinder – afhankelijk van menselijke arbeid: de scène resetten, algoritmes finetunen, fouten analyseren en code herschrijven. De bottleneck was niet alleen de algoritmiek; het was de menselijke inzet.

Op 17 juni 2026 publiceerde een team van NVIDIA's GEAR Lab, Carnegie Mellon University en UC Berkeley een framework dat die vergelijking radicaal verandert. ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) is het eerste gedocumenteerde systeem waarin geavanceerde AI-codeeragents de volledige cyclus van robotica-onderzoek op echte hardware autonoom uitvoeren .

Wat ENPIRE precies doet

ENPIRE is geen robot zelf, noch een nieuw AI-model. Het is een harness-framework – software die AI-codeeragents omhult en hen de tools geeft om fysieke experimenten uit te voeren. Het kerninzicht van het onderzoeksteam is dat robotica-onderzoek altijd een herhaalbare fysieke feedbackloop miste, en ENPIRE biedt precies die abstractie .

Het framework plaatst AI-codeeragents op een vloot echte robots en geeft hen de volledige cyclus: de omgeving resetten, literatuur doorzoeken, ideeën implementeren, beleid trainen en implementeren, resultaten zelf verifiëren, logs analyseren, code herschrijven, en herhalen tot het beleid betrouwbaar werkt in de echte wereld .

De vier onderling verbonden modules

ENPIRE's architectuur is een gesloten lus van vier modules, elk verantwoordelijk voor een cruciaal deel van het fysieke onderzoeksproces :

EN — Environment-module: Reset automatisch de fysieke scène naar een gerandomiseerde begintoestand en verifieert taakvoltooiing met visie-gebaseerde beloningsfuncties (bijvoorbeeld segmentatiemodellen en bounding-box-detectoren). Geen mens die de robot reset tussen pogingen .

PI — Policy Improvement-module: Start beleidsverfijning via verschillende regimes – heuristisch leren, tool calling, behavior cloning, offline reinforcement learning of online RL. De codeeragent stelt algoritmische hypotheses voor en schrijft de code .

R — Rollout-module: Evalueert het kandidaat-beleid op één of meerdere fysieke robots die parallel opereren. Bewaart toestand, actie, video en uitkomsten voor auditdoeleinden .

E — Evolution-module: Codeeragents analyseren logs, raadplegen onderzoeksliteratuur, vergelijken takken en passen trainingsinfrastructuur en algoritmecode aan om faalmodi aan te pakken. Succesvolle recepten worden hergebruikt; falende hypotheses worden verwijderd .

Git-gebaseerde vlootcoördinatie

In plaats van een exotische orchestratielaag te verzinnen, vertrouwt het framework op een vertrouwd hulpmiddel voor gedistribueerde samenwerking: Git. Wanneer één agent-station een doorbraak bereikt, commit het de verbeterde beleidscode. Andere stations trekken de update en bouwen erop voort, wat gedistribueerde, asynchrone verbetering mogelijk maakt zonder centrale coördinatie .

Het team zette acht AI-codeeragents in, elk gekoppeld aan een robotwerkstation met dubbele zes-vrijheidsgraden-mechanische armen, Intel RealSense-dieptecamera's en lokale NVIDIA RTX 5090-GPU's. Ze kregen een toewijzing van GPU's en een royaal tokenbudget, met de opdracht taken zo snel en veilig mogelijk op te lossen, zonder rekenkracht te verspillen .

Indrukwekkende slaagkansen op veeleisende taken

ENPIRE-aangedreven agents bereikten een 99% pass@8-slaagkans op een reeks uitdagende, contactrijke manipulatie taken in de echte wereld :

• GPU-insertie: het plaatsen van een grafische kaart in een moederbordsleuf.
• Pin-insertie: het sorteren van pinnen in een doosje.
• Kabelbinder doorknippen: het gebruik van een snijtang om een kabelbinder door te knippen.
• Kabelbinder vastmaken.
• Push-T: een planaire duwtaak.

Belangrijk: De paper benadrukt dat pass@8 emergente herpogingen en herstel binnen één lange horizon-uitrol meet (tot 8 in-context herpogingen, afhankelijk van eerdere mislukkingen), niet een best-of-8 van onafhankelijke steekproeven .

Schaalresultaten en beperkingen

Vlottschaalbaarheid

De paper introduceert twee nieuwe metrieken: Mean Robot Utilization (MRU) en Mean Token Utilization (MTU) om de efficiëntie van multi-agent fysiek auto-onderzoek te meten .

Toen het team het aantal robots uitbreidde van één naar acht, daalde de benodigde tijd om de pin-insertietaak bijna perfect uit te voeren van meer dan 1,5 uur naar ongeveer 40 minuten .

Tokenverbruik: een serieuze kost

Het systeem is token-intensief. Agents lezen papers, schrijven code, analyseren logs en itereren – elke verbeteringscyclus verbruikt aanzienlijke LLM-tokens. Het team gaf de agents een "royale tokenbegroting" en instrueerde hen om rekenkracht niet te verspillen .

Sim-to-real kloof blijft bestaan

Op de Push-T-taak losten alle drie de geteste geavanceerde codeeragents – Codex (met GPT-5.5), Claude Code (met Opus 4.7) en Kimi Code (met Kimi K2.6) – het probleem in simulatie op. Echter, niet allemaal slaagden ze erin de overgang naar echte hardware te maken. ENPIRE heft de sim-to-real-kloof niet op; het geeft AI-agents een manier om die kloof te ontdekken via herhaalde fysieke proeven en zich er vervolgens aan aan te passen . De paper erkent dit openlijk als een centrale beperking .

De bredere context: NVIDIA's fysieke AI-strategie

ENPIRE past binnen een veel bredere NVIDIA-strategie voor fysieke AI – AI die de fysieke wereld begrijpt en erin handelt.

• NVIDIA Cosmos-wereldmodellen: Gelanceerd op CES 2025, een platform van generatieve wereld-fundamentmodellen, tokenizers en videopijplijnen voor de ontwikkeling van fysieke AI voor autonome voertuigen en robotica .
• Hyundai-partnerschap: In januari 2025 kondigde Hyundai een strategisch partnerschap aan; in oktober 2025 volgde een AI-fabriek met 50.000 Blackwell-GPU's voor autonome voertuigen, slimme fabrieken en robotica .
• Foxconn en andere fabrikanten: Foxconn, General Motors, KION Group, Mercedes-Benz en anderen omarmen NVIDIA Omniverse als hun fysieke AI-besturingssysteem .

ENPIRE fungeert als de automatiseringslaag voor onderzoek bovenop deze infrastructuur – een manier om de lus te sluiten tussen simulatie (Cosmos/Isaac), hardware (robotvloten, AI-fabrieken) en autonome beleidsverbetering, allemaal aangedreven door geavanceerde codeeragents.