加密新闻

机器人技术正站在根本性变革的门槛上。我们习惯于认为，训练实体机器人是一个昂贵、缓慢且劳动密集的过程，需要工程师持续在场。然而，由研究人员与顶尖大学合作推出的一项新开发成果正在改变这一范式。这就是ENPIRE框架，它使AI智能体不仅能为机器人编写代码，还能自主在真实设备上完成从任务设定到错误分析再到算法改进的完整实验周期。

自主训练循环：从代码到物理动作

ENPIRE的核心创新在于创建了一个"动作-评估-修正"的闭环。机器人执行任务，环境自动记录结果并恢复初始状态，随后AI智能体分析日志、重写代码并启动新一轮测试。这将AutoResearch的概念从数字世界迁移到物理世界，其中每个实验都面临真实限制：摩擦力、抓取误差、摄像头不完美等。

该框架由四个关键模块组成：环境（自动重置场景和日志记录）、策略改进（优化控制策略）、部署（在实体机器人上评估）和进化（分析日志、寻找思路并修正代码）。在仍需人工参与的初始设置完成后，该循环几乎无需外部干预即可持续运行。

实际成果与规模化扩展

ENPIRE的有效性已在多项操作任务中得到验证，例如推动T形物体和将销钉插入直径4毫米的孔中。在真实测试中，系统在最多八次尝试的情况下成功率达到99%，这证明了其从错误中学习和适应的能力。在家庭任务模拟器RoboCasa中，ENPIRE超越了Nvidia的GR00T和CaP-X等系统。

最令人印象深刻的是在由八个机器人工作站组成的集群上进行的规模化实验。各站通过Git交换成功方案，使Push-T任务的训练时间从五小时缩短至两小时，Pin Insertion任务从90分钟缩短至40分钟。这直观展示了AI智能体的集体智慧如何加速物理学习过程。

局限性与未来展望

然而，不应认为问题已完全解决。规模化暴露了新的瓶颈：随着机器人数量增加，智能体协调和日志读取时间增长，导致设备利用率不足。此外，令牌消耗急剧上升。ENPIRE目前仅在有限的操作任务集上有效，其成果并不意味着机器人已准备好无需前期工程准备就能在非结构化环境中自主掌握任意技能。

我的分析：ENPIRE不仅仅是机器人技术的又一个工具。它展示了语言模型和智能体系统如何开始模糊数字编程与物理世界之间的界限。虽然距离完全自主、"从零开始"学习的机器人还有很长的路要走，但这一框架为新时代奠定了基础——在这个时代，机器人将不仅仅是执行代码，而是主动探索和适应现实。AI和机器人领域的投资者与开发者应密切关注这一方向。