加密新闻

英伟达研究团队与卡内基梅隆大学及加州大学伯克利分校的同行联合发布了ENPIRE框架——这一创新系统能让AI代理直接在物理设备上自主优化机器人控制算法。这是机器人自动化领域的重大突破，因为在真实机器上进行训练传统上既昂贵又缓慢。

ENPIRE实现了闭环学习：机器人执行任务，环境自动评估结果并重置初始状态，AI代理分析错误、重写代码并启动下一轮测试。这种被英伟达称为AutoResearch的方法，将数字模拟的方法论迁移到物理世界，每个实验都需要考虑真实限制——摩擦力、抓取误差、物体物理特性。

ENPIRE架构与模块

该框架由四个关键模块构成。环境模块负责自动重置场景、结果验证、日志记录及安全接口。策略改进模块启动控制策略优化流程。执行评估模块在单个或多个物理机器人上评估当前策略。最后，进化模块允许代理分析日志、在科学文献中寻找思路、修改训练基础设施并修复代码。在初始环境配置完成后，该循环可在无需持续人工干预的情况下运行，这从根本上改变了机器人训练的方式。

自动化验证与重置——自主性的关键

ENPIRE的关键创新在于实现了两项操作的自动化：结果验证与场景重置。例如在电缆扎带任务中，评估函数整合了检测器、分割模型及双摄像头校验，使代理无需手动标注每次运行即可获得成功或错误信号。而自动重置功能则允许连续运行多次尝试，免除了工程师持续干预的必要。

实验结果与性能表现

在真实实验中，ENPIRE展现出令人瞩目的成果。在T形物体推拉（Push-T）和直径4毫米销钉插入（Pin Insertion）等操作任务中，当代理获得最多八次尝试机会（含先前错误）时，系统在99%的案例中成功完成任务。这体现了系统适应和从失败中恢复的能力，而非单次尝试的精确度。

作为编程代理，研究比较了GPT-5.5驱动的Codex、Opus 4.7驱动的Claude Code以及Kimi K2.6驱动的Kimi Code。在AutoEnvBench基准测试中的验证确认了该方法的有效性。在家务模拟器RoboCasa（开关橱柜、操作电器）中，ENPIRE超越了英伟达的GR00T及缺乏完整自动研究循环的代理系统CaP-X。

规模化与加速学习

在配备两个机械臂的八个机器人工作站进行的独立实验表明，规模化显著加速了学习进程。各工作站通过Git交换成果，使成功方案得以快速传播。从单机器人扩展到八机器人后，Push-T任务的学习时间从约五小时缩短至两小时，Pin Insertion任务则从90分钟以上降至约40分钟。这展示了工业应用的潜力。

局限性与结论

作者强调规模化并非没有挑战。随着机器人数量增加，日志读取、协调及等待语言模型响应的时间也随之增长，导致机器人平均利用率下降。同时令牌消耗量也会增加。此外，ENPIRE目前仅在有限的操作任务集上得到验证，其成果并不意味着机器人能在无预先工程准备的情况下，在开放环境中自主掌握任意物理技能。

作为分析师我的评论：ENPIRE不仅是又一个框架，更是机器人领域的潜在转折点。在真实设备上实现自主、可扩展的学习能力，直接推动我们迈向真正适应性机器人——能够无需持续人工干预而适应变化环境。然而关键挑战仍在于计算成本与学习效率之间的平衡，特别是在转向更复杂的多任务场景时。请持续关注这项技术的发展——它可能彻底改变工业及服务机器人市场。