ENPIRE: NVIDIA:s AI-kodningsagenter tränar nu robotar på riktig hårdvara – 99% framgång vid GPU-installation

De fyra sammankopplade modulerna

ENPIRE:s arkitektur är en sluten slinga bestående av fyra moduler, som var och en hanterar en kritisk del av den fysiska forskningsprocessen :

EN – Miljömodul: Återställer automatiskt den fysiska scenen till ett randomiserat initialtillstånd och verifierar uppgiftsfullbordan med hjälp av visionsbaserade belöningsfunktioner (t.ex. segmenteringsmodeller och detektorer för avgränsningsrutor). Ingen människa återställer roboten mellan försöken .

PI – Policyförbättringsmodul: Startar policyförbättring med hjälp av flera olika regimer – heuristisk inlärning, verktygsanrop, beteendekopiering, offline-förstärkningsinlärning eller online-RL. Kodningsagenten föreslår algoritmiska hypoteser och skriver koden .

R – Utvärderingsmodul: Utvärderar den kandidatpolicy som föreslagits på en eller flera fysiska robotar som arbetar parallellt. Den bevarar tillstånd, handling, video och utfallsdata för granskning .

E – Evolutionsmodul: Kodningsagenter analyserar loggar, konsulterar forskningslitteratur, jämför grenar och modifierar träningsinfrastruktur och algoritmkod för att åtgärda feltillstånd. Framgångsrika recept återanvänds; misslyckade hypoteser rensas bort .

Git-baserad flottkoordination

Istället för att uppfinna ett exotiskt orkestreringslager förlitar sig ramverket på ett välbekant verktyg för distribuerat samarbete: Git. När en agentstation uppnår ett genombrott, commitar den den förbättrade policykoden. Andra stationer hämtar uppdateringen och bygger vidare på den, vilket möjliggör distribuerad, asynkron förbättring utan central samordning .

Teamet distribuerade åtta AI-kodningsagenter parade med åtta robotarbetsstationer, var och en utrustad med dubbla sexfrihetsgrads mekaniska armar, Intel RealSense-djupkameror och lokala NVIDIA RTX 5090 GPU:er. Med en tilldelning av GPU:er och en generös tokenbudget släpptes agenterna lösa med målet att lösa uppgifterna så snabbt och säkert som möjligt .

Rapporterade framgångsfrekvenser

ENPIRE-drivna agenter uppnådde en 99% pass@8-framgångsfrekvens på en uppsättning utmanande, kontaktintensiva fingerfärdiga manipulationsuppgifter i den verkliga världen :

• GPU-installation – att sätta ett grafikkort i en moderkortsplats
• Stiftinsättning – att organisera stift i en stifttlåda
• Buntbandsavskärning – att använda en skärare för att klippa ett buntband
• Buntbandsknytning
• Push-T – en plan skjuvuppgift

Notera att pass@8 mäter framväxande försök och återhämtning inom en enda långsiktig utrullning (upp till 8 kontextuella försök som är villkorade av tidigare misslyckanden), inte bäst-av-8 oberoende sampel .

Skalningsresultat och begränsningar

Flottans skalningsmått

Tidningen introducerar två nya mätvärden: Mean Robot Utilization (MRU) och Mean Token Utilization (MTU) för att mäta effektiviteten av multi-agent fysisk auto-forskning .

Tokenförbrukning

Systemet är tokenintensivt. Agenter läser artiklar, skriver kod, analyserar loggar och itererar – varje förbättringscykel förbrukar betydande LLM-tokens. Teamet gav agenterna en "generös tokenbudget" och instruerade dem att inte slösa med beräkningar . Att skala från en till åtta robotar halverade tiden för att bemästra en uppgift (t.ex. från 1,5 timmar till cirka 40 minuter för stiftinsättning), men tokenförbrukningen växte ännu snabbare än den sparade tiden .

Simulering-till-verklighet-misslyckande på Push-T

Alla tre testade avancerade kodningsagenter – Codex (med GPT-5.5), Claude Code (med Opus 4.7) och Kimi Code (med Kimi K2.6) – löste Push-T i simulering. Men inte alla överfördes rent till verklig hårdvara. ENPIRE avskaffar inte sim-till-real-klyftan; det ger AI-agenter ett sätt att upptäcka och anpassa sig till den klyftan genom upprepade fysiska försök . Detta erkänns öppet i tidningen som en central begränsning .

Yttre begränsningar som erkänns

Tidningen innehåller ett avsnitt om "Begränsningar & Framtida riktningar" som noterar att ENPIRE fortfarande kräver den initiala miljöinstallationen (hårdvara, perceptionspipeline) och att metoden begränsas av kvaliteten och kostnaden för de underliggande kodningsagenternas LLM .

Bredare sammanhang: NVIDIA:s satsning på fysisk AI

ENPIRE är en del av en mycket bredare NVIDIA-strategi för Physical AI – AI som förstår och agerar i den fysiska världen.

• NVIDIA Cosmos World Models: Lanserades på CES 2025. Cosmos är en plattform av generativa världsgrundmodeller, tokenizers, skyddsräcken och videopipelines byggda för att accelerera utvecklingen av fysisk AI för autonoma fordon och robotik . På GTC 2026 släppte NVIDIA nya Cosmos-modeller tillsammans med Isaac-simuleringsramverk och Isaac GR00T N-modeller för humanoida robotar .
• Hyundai-partnerskap: I januari 2025 tillkännagav Hyundai Motor Group ett strategiskt partnerskap med NVIDIA som omfattar accelererad datoranvändning, generativ AI och industriell digitalisering . I oktober 2025 fördjupades detta till en AI-fabrik driven av 50 000 Blackwell GPU:er för autonoma fordon, smarta fabriker och robotik .
• Foxconn och andra tillverkare: Foxconn, General Motors, KION Group, Mercedes-Benz och andra har antagit NVIDIA Omniverse som sitt operativsystem för fysisk AI för industriell digitalisering . På GTC 2026 tillkännagav NVIDIA partnerskap med "robot-hjärnutvecklare, industriella robottillverkare och humanoida robotföretag" för att driva produktionsskalig fysisk AI .

ENPIRE är i praktiken automatiseringslagret för forskning ovanpå denna infrastruktur – ett sätt att sluta slingan mellan simulering (Cosmos/Isaac), hårdvara (robotflottor, AI-fabriker) och autonom policyförbättring, allt drivet av avancerade kodningsagenter.