ENPIRE 到底是什麼？

ENPIRE 本身不是機器人，也不是一個新的 AI 模型。它是一個「框架」，是一種軟體，用來包覆 AI 編碼代理，賦予它們進行物理實驗的能力。研究團隊的核心洞察在於：機器人研究一直缺乏一個可重複的物理回饋循環，而 ENPIRE 正好提供了這個抽象層 。

該框架將 AI 編碼代理部署到一個真實機器人艦隊中，並將整個循環交給它們：重置環境、搜尋文獻、實現想法、訓練與部署策略、自我驗證結果、分析日誌、改寫程式碼，然後重複這一切，直到策略在現實世界中能可靠運作 。

四個環環相扣的模組

ENPIRE 的架構是一個由四個模組組成的封閉迴圈，各自負責物理研究過程中的關鍵環節 ：

EN — 環境模組（Environment module）：自動將物理場景重置為隨機初始化狀態，並使用基於視覺的獎勵函數（例如分割模型和邊界框檢測器）來驗證任務是否完成。人類不必在每次試驗之間重置機器人 。

PI — 策略改進模組（Policy Improvement module）：啟動策略優化，可以使用多種機制，例如啟發式學習、工具呼叫、行為複製、離線強化學習或線上強化學習。編碼代理會提出演算法假設並編寫程式碼 。

R — 評估模組（Rollout module）：評估候選策略，可在單台或多台並行運作的實體機器人上進行。它會保存狀態、動作、影片和結果資料以供審計 。

E — 演化模組（Evolution module）：編碼代理分析日誌、查閱研究文獻、比較不同分支，並修改訓練基礎設施和演算法程式碼來解決失敗模式。成功的方案會被重複使用，失敗的假設則會被捨棄 。

基於 Git 的艦隊協調

值得注意的是，該框架並未發明一個複雜的協調層，而是依賴工程師們熟悉的工具：Git。當某個代理站取得突破時，它會將改進後的策略程式碼提交（commit）到倉庫。其他站點則會拉取（pull）更新並在此基礎上繼續開發，從而實現無需中央協調的分散式、非同步改進 。

研究團隊部署了 八個 AI 編碼代理，配對八組機器人工作站，每個工作站配備雙六自由度機械手臂、Intel RealSense 深度攝影機，以及本地的 NVIDIA RTX 5090 GPU。團隊為這些代理分配了 GPU 算力與充裕的 token 預算，並給它們一個簡單的目標：儘快解決任務，保持機器人忙碌但確保安全，不要浪費寶貴的計算資源 。

驚人的 99% 成功率

在 ENPIRE 的加持下，機器人艦隊在真實世界的一系列高難度、高接觸的精細操作任務中，達到了 99% 的 pass@8 成功率 ：

• GPU 安裝：將顯示卡準確插入主機板插槽
• 插針整理：將插針整理進針盒
• 束帶切割：使用刀具剪斷束帶
• 束帶綁紮：完成束帶的綁紮
• Push-T：一種平面推動任務

論文指出，pass@8 衡量的是在單次長時間評估中，基於先前失敗情況進行最多 8 次上下文內重試與恢復的「湧現能力」，而非 8 次獨立樣本中的最佳結果 。

擴展結果與限制

艦隊擴展效能

論文引入了兩個新指標：平均機器人利用率（Mean Robot Utilization, MRU） 和 平均 Token 利用率（Mean Token Utilization, MTU），用以衡量多代理物理自動研究的效率 。

Token 消耗

這是一個消耗大量 token 的系統。代理需要閱讀論文、編寫程式碼、分析日誌並反覆迭代，每個改進循環都會消耗大量大型語言模型（LLM）的 token。團隊為代理提供了「慷慨的 token 預算」，並指示它們不要浪費算力 。

模擬到現實的轉移失敗（Push-T 任務）

所有三個被測試的先進編碼代理——Codex（搭配 GPT-5.5）、Claude Code（搭配 Opus 4.7）和 Kimi Code（搭配 Kimi K2.6）——都能在模擬環境中解決 Push-T 任務。然而，並非所有代理都能順利轉移到真實硬體上。ENPIRE 並未消除「模擬到現實的鴻溝」，而是讓 AI 代理能透過反覆的物理試驗來發現這個鴻溝並適應它 。論文坦誠地將此視為一個核心限制 。

更多限制

論文在「限制與未來方向」章節中進一步指出，ENPIRE 仍然需要初始的環境設定（硬體、感知管線），且其效能受到底層編碼代理語言模型品質與成本的限制 。

更大格局：NVIDIA 的物理 AI 布局

ENPIRE 只是 NVIDIA 更大「物理 AI」策略中的一環。所謂物理 AI，指的是能理解並在物理世界中行動的 AI。

• NVIDIA Cosmos 世界模型：於 CES 2025 推出，是專為加速自動駕駛和機器人的物理 AI 開發而設計的生成式世界基礎模型平台 。在 GTC 2026 上，NVIDIA 發布了新的 Cosmos 模型、Isaac 模擬框架以及 Isaac GR00T N 人形機器人模型 。
• 現代汽車（Hyundai）合作：2025 年 1 月，現代汽車集團宣布與 NVIDIA 建立戰略合作，範圍涵蓋加速運算、生成式 AI 與工業數位化 。同年 10 月，雙方深化合作，宣布共建一座由 50,000 個 Blackwell GPU 驅動的 AI 工廠，用於自動駕駛、智慧工廠與機器人技術 。
• 鴻海（Foxconn）與其他製造商：鴻海、通用汽車（General Motors）、凱傲集團（KION Group）、賓士（Mercedes-Benz）等已採用 NVIDIA Omniverse 作為其工業數位化的物理 AI 作業系統 。在 GTC 2026 上，NVIDIA 宣布與多家「機器人大腦開發商、工業機器人製造商及人形機器人公司」合作，推動生產規模的物理 AI 。

在此脈絡下，ENPIRE 不僅是一項研究成果，更是 NVIDIA 物理 AI 佈局中的「研究自動化層」，負責在模擬（Cosmos/Isaac）、硬體（機器人艦隊、AI 工廠）與自主策略改進之間閉合循環，全部由最先進的編碼代理驅動。

ENPIRE 到底是什麼？

ENPIRE 本身不是機器人，也不是一個新的 AI 模型。它是一個「框架」，是一種軟體，用來包覆 AI 編碼代理，賦予它們進行物理實驗的能力。研究團隊的核心洞察在於：機器人研究一直缺乏一個可重複的物理回饋循環，而 ENPIRE 正好提供了這個抽象層 。

該框架將 AI 編碼代理部署到一個真實機器人艦隊中，並將整個循環交給它們：重置環境、搜尋文獻、實現想法、訓練與部署策略、自我驗證結果、分析日誌、改寫程式碼，然後重複這一切，直到策略在現實世界中能可靠運作 。

四個環環相扣的模組

ENPIRE 的架構是一個由四個模組組成的封閉迴圈，各自負責物理研究過程中的關鍵環節 ：

EN — 環境模組（Environment module）：自動將物理場景重置為隨機初始化狀態，並使用基於視覺的獎勵函數（例如分割模型和邊界框檢測器）來驗證任務是否完成。人類不必在每次試驗之間重置機器人 。

PI — 策略改進模組（Policy Improvement module）：啟動策略優化，可以使用多種機制，例如啟發式學習、工具呼叫、行為複製、離線強化學習或線上強化學習。編碼代理會提出演算法假設並編寫程式碼 。

R — 評估模組（Rollout module）：評估候選策略，可在單台或多台並行運作的實體機器人上進行。它會保存狀態、動作、影片和結果資料以供審計 。

E — 演化模組（Evolution module）：編碼代理分析日誌、查閱研究文獻、比較不同分支，並修改訓練基礎設施和演算法程式碼來解決失敗模式。成功的方案會被重複使用，失敗的假設則會被捨棄 。

基於 Git 的艦隊協調

值得注意的是，該框架並未發明一個複雜的協調層，而是依賴工程師們熟悉的工具：Git。當某個代理站取得突破時，它會將改進後的策略程式碼提交（commit）到倉庫。其他站點則會拉取（pull）更新並在此基礎上繼續開發，從而實現無需中央協調的分散式、非同步改進 。

研究團隊部署了 八個 AI 編碼代理，配對八組機器人工作站，每個工作站配備雙六自由度機械手臂、Intel RealSense 深度攝影機，以及本地的 NVIDIA RTX 5090 GPU。團隊為這些代理分配了 GPU 算力與充裕的 token 預算，並給它們一個簡單的目標：儘快解決任務，保持機器人忙碌但確保安全，不要浪費寶貴的計算資源 。

驚人的 99% 成功率

在 ENPIRE 的加持下，機器人艦隊在真實世界的一系列高難度、高接觸的精細操作任務中，達到了 99% 的 pass@8 成功率 ：

• GPU 安裝：將顯示卡準確插入主機板插槽
• 插針整理：將插針整理進針盒
• 束帶切割：使用刀具剪斷束帶
• 束帶綁紮：完成束帶的綁紮
• Push-T：一種平面推動任務

論文指出，pass@8 衡量的是在單次長時間評估中，基於先前失敗情況進行最多 8 次上下文內重試與恢復的「湧現能力」，而非 8 次獨立樣本中的最佳結果 。

擴展結果與限制

艦隊擴展效能

論文引入了兩個新指標：平均機器人利用率（Mean Robot Utilization, MRU） 和 平均 Token 利用率（Mean Token Utilization, MTU），用以衡量多代理物理自動研究的效率 。

Token 消耗

這是一個消耗大量 token 的系統。代理需要閱讀論文、編寫程式碼、分析日誌並反覆迭代，每個改進循環都會消耗大量大型語言模型（LLM）的 token。團隊為代理提供了「慷慨的 token 預算」，並指示它們不要浪費算力 。

模擬到現實的轉移失敗（Push-T 任務）

所有三個被測試的先進編碼代理——Codex（搭配 GPT-5.5）、Claude Code（搭配 Opus 4.7）和 Kimi Code（搭配 Kimi K2.6）——都能在模擬環境中解決 Push-T 任務。然而，並非所有代理都能順利轉移到真實硬體上。ENPIRE 並未消除「模擬到現實的鴻溝」，而是讓 AI 代理能透過反覆的物理試驗來發現這個鴻溝並適應它 。論文坦誠地將此視為一個核心限制 。

更多限制

論文在「限制與未來方向」章節中進一步指出，ENPIRE 仍然需要初始的環境設定（硬體、感知管線），且其效能受到底層編碼代理語言模型品質與成本的限制 。

更大格局：NVIDIA 的物理 AI 布局

ENPIRE 只是 NVIDIA 更大「物理 AI」策略中的一環。所謂物理 AI，指的是能理解並在物理世界中行動的 AI。

• NVIDIA Cosmos 世界模型：於 CES 2025 推出，是專為加速自動駕駛和機器人的物理 AI 開發而設計的生成式世界基礎模型平台 。在 GTC 2026 上，NVIDIA 發布了新的 Cosmos 模型、Isaac 模擬框架以及 Isaac GR00T N 人形機器人模型 。
• 現代汽車（Hyundai）合作：2025 年 1 月，現代汽車集團宣布與 NVIDIA 建立戰略合作，範圍涵蓋加速運算、生成式 AI 與工業數位化 。同年 10 月，雙方深化合作，宣布共建一座由 50,000 個 Blackwell GPU 驅動的 AI 工廠，用於自動駕駛、智慧工廠與機器人技術 。
• 鴻海（Foxconn）與其他製造商：鴻海、通用汽車（General Motors）、凱傲集團（KION Group）、賓士（Mercedes-Benz）等已採用 NVIDIA Omniverse 作為其工業數位化的物理 AI 作業系統 。在 GTC 2026 上，NVIDIA 宣布與多家「機器人大腦開發商、工業機器人製造商及人形機器人公司」合作，推動生產規模的物理 AI 。

在此脈絡下，ENPIRE 不僅是一項研究成果，更是 NVIDIA 物理 AI 佈局中的「研究自動化層」，負責在模擬（Cosmos/Isaac）、硬體（機器人艦隊、AI 工廠）與自主策略改進之間閉合循環，全部由最先進的編碼代理驅動。