加密新闻

由英伟达、卡内基梅隆大学和加州大学伯克利分校专家组成的研究团队，推出了一款创新框架ENPIRE。该系统标志着机器人技术进入新阶段，让编程AI代理能够直接在物理设备上自主改进机器人控制策略。

ENPIRE的概念基于闭环设计：机器人执行任务，环境自动评估结果并恢复初始状态，AI代理分析错误、重写代码并启动下一轮测试。这种方法彻底改变了传统流程——过去每次失败尝试都需要工程师手动干预来重置场景和调整算法。

ENPIRE架构与核心模块

该框架由四个关键模块组成：环境模块负责自动重置场景、验证结果并确保安全；策略改进模块专注于优化控制策略；部署模块在一台或多台物理机器人上评估策略效果；进化模块让代理能够分析日志、查阅文献并修正代码。完成初始环境配置后，该循环几乎无需人工干预即可运行。

自动化与测试成果

核心创新在于实现了两项关键操作的自动化：结果验证和场景重置。系统结合检测器、分割模型和摄像头，自主判断任务是否成功，从而省去了每次运行的手动标注需求。在真实实验中，从推动T形物体到将销钉精确插入直径4毫米的孔洞，系统展现出惊人的可靠性——在允许代理参考先前错误进行最多八次尝试的条件下，任务成功率达到99%。

对比不同AI代理（包括基于GPT-5.5的Codex、基于Opus 4.7的Claude Code和基于Kimi K2.6的Kimi Code）显示，ENPIRE在家庭任务模拟器RoboCasa中超越了英伟达GR00T和CaP-X等现有方案。特别值得关注的是在八台机器人工作站集群上的扩展实验。通过使用Git在代理间共享结果，Push-T任务的学习时间从五小时缩短至两小时，Pin Insertion任务则从90多分钟降至40分钟。

局限性与前景

尽管取得突破，该技术仍存在局限。扩展时GPU负载和令牌消耗会增加，因为代理需要花费时间读取日志和协调工作。此外，ENPIRE目前仅在有限的操控任务上得到验证，其成果并不能保证机器人能在未经工程预处理的开放环境中自主掌握任意物理技能。

我的专家结论：ENPIRE不仅是又一个框架，更是机器人学习范式的根本性转变。在真实设备上实现"错误-分析-修正"循环的自动化，让我们更接近机器人能像人类从经验中学习一样自主提升技能的时代。然而，要让完全自主的物理代理在非结构化环境中工作，仍需解决扩展性和资源消耗问题。