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ENPIRE框架。这并非又一款普通的机器人技术库，而是一个完整的生态系统。在该生态系统中，专注于编写代码的AI智能体将接管真实机器人控制策略的改进过程。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恢复初始状态，智能体则分析错误、重写代码并启动新一轮测试。

ENPIRE的架构：四大自动化模块

在传统机器人技术中，在真实设备上进行训练既昂贵又缓慢。每一次失败的尝试都需要手动重置场景、检查结果并调整算法。ENPIRE将英伟达已在数字模拟中验证过的AutoResearch概念迁移至物理世界。该框架由四个关键模块组成：

• 环境模块——负责场景自动重置、结果验证、日志记录和安全接口。
• 策略改进模块——启动控制策略的迭代优化流程。
• 部署模块——在一台或多台物理机器人上评估当前策略。
• 进化模块——允许智能体分析日志、从文献中寻找灵感、调整训练基础设施并修复代码。

完成初始环境配置后，该循环可在无需持续人工监控的情况下运行。智能体从视频、轨迹和奖励函数中获取数据，提出新假设，修改代码，在机器人上测试结果，并在指标得到改善时保存更改。

自动验证与重置：规模化扩展的关键

ENPIRE最重要的元素是两项操作的自动化：结果验证和场景重置。没有这一点，在真实设备上的训练很快就会因需要持续人工参与而受阻。例如，在电缆扎带场景中，评估函数结合了检测器、分割模型和双摄像头验证，使智能体无需为每次运行手动标注即可获得成功或失败的信号。而自动重置则允许连续启动多次尝试，这对高效训练至关重要。

真实机器人实验：99%的成功率

在实际实验中，团队在多项操作任务上测试了ENPIRE：Push-T（将T形物体推至指定区域）、Pin Insertion（将销钉插入直径4毫米的孔中）、GPU安装以及电缆扎带操作。项目页面显示，如果允许智能体在考虑先前错误的情况下进行最多八次尝试，系统在99%的情况下能成功完成任务。这一指标反映了系统从失败中恢复的能力，而非单次孤立尝试的精确度。

作为编程智能体，研究团队比较了基于GPT-5.5的Codex、基于Opus 4.7的Claude Code以及基于Kimi K2.6的Kimi Code。评估在AutoEnvBench基准测试中进行，涉及Push-T和Pin Insertion任务。此外，ENPIRE还在家庭任务模拟器RoboCasa中进行了测试，其表现超越了英伟达的GR00T和CaP-X。

八台机器人：规模化扩展加速学习

研究工作的一个独立部分聚焦于机器人集群的规模化扩展。英伟达在八个工作站上进行了实验，每个工作站配备两台机械臂。各工作站通过Git交换成果：成功的想法或代码更改可在智能体之间快速传播。从单台机器人扩展到八台后，Push-T任务的掌握时间从约五小时缩短至约两小时，而Pin Insertion任务则从超过90分钟减少至约40分钟。

局限性与未来展望

作者强调，规模化扩展并不能解决所有问题。当智能体读取日志、编写代码或等待基础语言模型响应时，机器人和计算资源并未得到充分利用。随着机器人数量增加，GPU活动量上升，但机器人自身的平均负载却下降。同时，令牌消耗量也在增长。更重要的是，ENPIRE目前仅在一组有限的操控任务上得到验证。这并不意味着机器人已能在无需工程准备的情况下，在开放环境中自主掌握任意物理技能。

专家评论：ENPIRE是迈向自主机器人技术的重要一步，但它表明，瓶颈已不再是物理层面，而是计算资源与AI智能体的协调。我们正站在一个新时代的门槛上，机器人将能够相互学习，但这一学习的代价是令牌消耗和GPU算力的指数级增长。投资者应关注那些提供优化这些流程解决方案的公司。