ENPIRE: Robot Araştırmalarında Devrim – Yapay Zeka Ajanları Artık Kendi Kendine Öğreniyor

Onlarca yıldır bir robota hassas bir fiziksel görevi (örneğin bir grafik kartını anakarta takmak veya kablo bağı sıkmak) öğretmek, insanların çoğu işi yapmasını gerektiriyordu: sahneyi sıfırlamak, algoritmaları ayarlamak, başarısızlıkları analiz etmek ve kodu yeniden yazmak. Darboğaz sadece algoritmalar değildi; insan emeğiydi.

17 Haziran 2026'da NVIDIA'nın GEAR Laboratuvarı, Carnegie Mellon Üniversitesi ve UC Berkeley'den bir ekip, bu denklemi değiştiren bir çerçeve yayınladı. ENPIRE (Embodied Neural Policy Improvement through Physical AutoResearch) olarak adlandırılan bu sistem, öncü yapay zeka kodlama ajanlarının robotik araştırmanın tüm döngüsünü gerçek donanımda otonom olarak yürüttüğü belgelenmiş ilk sistemdir .

ENPIRE Tam Olarak Ne Yapıyor?

ENPIRE bir robot ya da yeni bir yapay zeka modeli değildir. Bir koşum çerçevesidir (harness framework) - yapay zeka kodlama ajanlarını saran ve onlara fiziksel deneyler yapma araçları veren bir yazılımdır. Araştırma ekibine göre temel içgörü, robotik araştırmalarının tekrarlanabilir bir fiziksel geri bildirim döngüsünden yoksun olması ve ENPIRE'ın tam da bu soyutlamayı sağlamasıdır .

Çerçeve, yapay zeka kodlama ajanlarını gerçek robotlardan oluşan bir filoya bırakır ve tüm döngüyü onlara devreder: ortamı sıfırla, literatürü tara, fikirleri uygula, politikaları eğit ve dağıt, sonuçları doğrula, günlükleri analiz et, kodu yeniden yaz ve politika gerçek dünyada güvenilir bir şekilde çalışana kadar tekrarla .

Dört Kilit Modül

ENPIRE'ın mimarisi, her biri fiziksel araştırma sürecinin kritik bir bölümünü yöneten dört modülden oluşan kapalı bir döngüdür :

EN — Ortam Modülü: Fiziksel sahneyi otomatik olarak rastgele bir başlangıç durumuna sıfırlar ve görüntü tabanlı ödül fonksiyonları (örneğin segmentasyon modelleri ve sınırlayıcı kutu dedektörleri) kullanarak görev tamamlanmasını doğrular. Denemeler arasında hiçbir insan robotu sıfırlamaz .

PI — Politika İyileştirme Modülü: Sezgisel öğrenme, araç çağırma, davranış klonlama, çevrimdışı pekiştirmeli öğrenme veya çevrimiçi RL gibi çeşitli rejimlerden herhangi birini kullanarak politika iyileştirmesini başlatır. Kodlama ajanı algoritmik hipotezler önerir ve kodu yazar .

R — Deneme Modülü: Aday politikayı paralel olarak çalışan tek veya birden fazla fiziksel robot üzerinde değerlendirir. Denetim için durum, eylem, video ve sonuç verilerini saklar .

E — Evrim Modülü: Kodlama ajanları günlükleri analiz eder, araştırma literatürüne danışır, dalları karşılaştırır ve başarısızlık modlarını gidermek için eğitim altyapısını ve algoritma kodunu değiştirir. Başarılı tarifler yeniden kullanılır; başarısız hipotezler budanır .

Git Tabanlı Filo Koordinasyonu

Egzotik bir orkestrasyon katmanı icat etmek yerine çerçeve, dağıtık iş birliği için tanıdık bir araca güvenir: Git. Bir ajan istasyonu bir atılım gerçekleştirdiğinde, iyileştirilmiş politika kodunu kaydeder. Diğer istasyonlar güncellemeyi çeker ve üzerine inşa eder, böylece merkezi bir orkestrasyon olmadan dağıtık ve asenkron iyileştirme sağlanır .

Ekip, her biri çift altı serbestlik dereceli mekanik kollar, Intel RealSense derinlik kameraları ve yerel NVIDIA RTX 5090 GPU'lar ile donatılmış sekiz robotik iş istasyonuyla eşleştirilmiş sekiz yapay zeka kodlama ajanı konuşlandırdı. Bir GPU ve token bütçesi tahsisi verilen ajanlar, görevleri mümkün olduğunca hızlı ve güvenli bir şekilde çözmek hedefiyle serbest bırakıldı .

Bildirilen Başarı Oranları

ENPIRE destekli ajanlar, gerçek dünyadaki zorlu, yüksek temaslı hassas manipülasyon görevlerinde %99 pass@8 başarı oranına ulaştı :

• GPU Montajı: Bir grafik kartını anakarta takma
• Pim Yerleştirme: Pimleri bir kutuya düzenleme
• Kablo Bağı Kesme: Bir kablo bağını kesiciyle kesme
• Kablo Bağı Bağlama
• Push-T: Düzlemsel bir itme görevi

Makale, pass@8'in bağımsız en iyi-8 örneği değil, tek bir uzun vadeli deneme içinde acil yeniden deneme ve kurtarma (önceki başarısızlıklara bağlı olarak bağlam içinde 8'e kadar yeniden deneme) ölçtüğünü not eder .

Ölçekleme Sonuçları ve Sınırlamalar

Filo ölçekleme metrikleri

Makale, çoklu ajan fiziksel otomatik araştırmanın verimliliğini ölçmek için iki yeni metrik sunar: Ortalama Robot Kullanımı (MRU) ve Ortalama Token Kullanımı (MTU) .

Token tüketimi

Sistem token yoğundur. Ajanlar makaleler okur, kod yazar, günlükleri analiz eder ve yineler - her iyileştirme döngüsü önemli miktarda LLM tokeni tüketir. Ekip, ajanlara "cömert bir token bütçesi" verdi ve hesaplamayı boşa harcamamalarını talimatladı .

Push-T görevinde simülasyondan gerçeğe başarısızlık

Test edilen üç öncü kodlama ajanının tümü - Codex (GPT-5.5 ile), Claude Code (Opus 4.7 ile) ve Kimi Code (Kimi K2.6 ile) - Push-T'yi simülasyonda çözdü. Ancak, hepsi gerçek donanıma temiz bir şekilde aktarılamadı. ENPIRE, simülasyondan gerçeğe geçiş boşluğunu (sim-to-real gap) ortadan kaldırmaz; yapay zeka ajanlarına bu boşluğu tekrarlanan fiziksel denemeler yoluyla keşfetme ve ardından uyum sağlama yolu verir . Bu, makalede dürüstçe temel bir sınırlama olarak kabul edilir .

Kabul edilen diğer sınırlamalar

Makale, ENPIRE'ın hala ilk ortam kurulumunu (donanım, algılama hattı) gerektirdiğini ve yaklaşımın temel kodlama ajanı LLM'lerinin kalitesi ve maliyeti ile sınırlı olduğunu belirten bir "Sınırlamalar ve Gelecek Yönelimler" bölümü içerir .

Daha Geniş Bağlam: NVIDIA'nın Fiziksel Yapay Zeka Hamlesi

ENPIRE, NVIDIA'nın Fiziksel Yapay Zeka (Physical AI) stratejisinin çok daha geniş bir parçasıdır - fiziksel dünyayı anlayan ve içinde hareket eden yapay zeka.

• NVIDIA Cosmos Dünya Modelleri: Ocak 2025'te CES'te tanıtılan Cosmos, otonom araçlar ve robotik için fiziksel yapay zeka gelişimini hızlandırmak üzere tasarlanmış üretken dünya temel modelleri, tokenleştiriciler, güvenlik önlemleri ve video işleme hatlarından oluşan bir platformdur . Mart 2026'daki GTC'de NVIDIA, insansı robotlar için Isaac simülasyon çerçeveleri ve Isaac GR00T N modellerinin yanı sıra yeni Cosmos modelleri yayınladı .
• Hyundai ortaklığı: Ocak 2025'te Hyundai Motor Group, hızlandırılmış hesaplama, üretken yapay zeka ve endüstriyel dijitalleşmeyi kapsayan NVIDIA ile stratejik bir ortaklık duyurdu . Ekim 2025'te bu ortaklık, otonom araçlar, akıllı fabrikalar ve robotik için 50.000 Blackwell GPU ile güçlendirilmiş bir yapay zeka fabrikasına dönüştü .
• Foxconn ve diğer üreticiler: Foxconn, General Motors, KION Group, Mercedes-Benz ve diğerleri, endüstriyel dijitalleşme için fiziksel yapay zeka işletim sistemi olarak NVIDIA Omniverse'i benimsedi . Mart 2026'daki GTC'de NVIDIA, üretim ölçeğinde fiziksel yapay zekayı ilerletmek için "robot beyni geliştiricileri, endüstriyel robot üreticileri ve insansı robot şirketleri" ile ortaklıklar duyurdu .

ENPIRE, bu altyapının üzerindeki araştırma otomasyon katmanıdır - simülasyon (Cosmos/Isaac), donanım (robot filoları, yapay zeka fabrikaları) ve öncü kodlama ajanları tarafından yönlendirilen otonom politika iyileştirme arasındaki döngüyü kapatmanın bir yolu.