加密新闻

机器人技术行业正站在根本性变革的门槛上。由英伟达、卡内基梅隆大学和加州大学伯克利分校联合组成的研究团队，推出了ENPIRE框架。这不仅仅是又一种算法，而是一个完整的生态系统——在这里，编程AI代理自主管理物理机器人的学习周期，将人类参与降至最低。

ENPIRE的核心理念，是将学习过程从手动、昂贵且缓慢的模式，转变为自动化流水线。该系统以闭环方式运行：机器人执行任务，环境自动评估结果并重置到初始状态，AI代理分析错误、重写代码并启动下一轮测试迭代。这相当于将"自动研究"概念从数字世界迁移到物理世界，而在这里，每一次实验都伴随着真实世界的限制——摩擦力、抓取误差、传感器的不完美。

ENPIRE的架构：自主性的四大支柱

该框架由四个关键模块组成：环境（自动场景重置、验证与安全）、策略改进（控制策略优化）、部署（在物理机器人上评估策略）和进化（日志分析、文献灵感搜索、基础设施修改与代码修复）。在初始环境设置完成后，人类可以观察整个过程，但无需干预。代理从视频、轨迹和奖励函数中获取数据，提出假设、修改代码、测试结果并保存改进。

真实成果：99%的成功率与规模化扩展

在实际实验中，ENPIRE展现了令人瞩目的表现。在推T形物体或插入直径4毫米销钉等操作任务中，若允许代理尝试最多八次，系统成功率可达99%。需要强调的是，这反映的是系统从错误中学习的能力，而非单次动作的精度。

最有趣的方面在于规模化扩展。在八台机器人工作站通过Git交换结果的实验中，训练时间大幅缩短。推T形物体的训练时间从约五小时降至两小时，而销钉插入任务则从超过90分钟减少到40分钟。这证明AI代理的集体智慧能够指数级加速物理学习过程。

局限性与未来展望

然而，我们不应急于下结论。规模化扩展也暴露了瓶颈。随着机器人数量增加，协调时间、日志读取时间以及等待基础语言模型响应的时间也随之增长，导致机器人自身利用率下降。同时，令牌消耗也在增加。此外，ENPIRE目前仅在有限的操作任务集上成功运行。它并非在开放环境中无需精细工程准备即可自主掌握任意物理技能的万能钥匙。

我的分析：ENPIRE不仅是向前迈出的一步，更是一次范式转变。我们正从工程师为机器人编写代码的时代，迈向AI代理为机器人编写学习代码的时代。这有望大幅降低机器人技术在工业、物流和家庭应用中的部署成本与时间。然而，这种方法如何扩展到高度不确定性和多变性的任务，仍是一个悬而未决的问题。未来12至18个月将揭示，这项技术在实验室环境之外究竟能展现出多大的灵活性。