NVIDIA 发布 ENPIRE：让机器人自主试错自我改进
来源Import AI查看原文
速览
- NVIDIA 发布 ENPIRE，把编码智能体的自主闭环搬到真实机器人上。
- ENPIRE 四模块：环境、策略改进、Rollout、进化。
- 硬件为 I2RT YAM 双臂、摄像头与 RTX 5090 工作站。
- 在 PushT、整理别针、剪断扎带等任务上达到 99% 成功率。
- GPT-5.5 与 Opus 4.7 交替领先，Kimi-2.6 落后。
- 多智能体（如 8 个）更快得到更高分，有时绝对分数更高。
- 机器人数量扩展时资源利用出现瓶颈，MRU 下降、GPU 利用率上升。
NVIDIA 研究人员开发了 ENPIRE 软件，把 AI 编码智能体的自主实验与执行闭环搬到真实世界的机器人上。ENPIRE 由四个核心模块组成：环境模块（EN）负责自动重置与验证，策略改进模块（PI）启动策略优化，Rollout 模块（R）用单台或多台并行机器人评估策略，进化模块（E）让编码智能体分析日志、查阅文献、改进训练基础设施与算法代码以解决失败模式。硬件上，每个工位配有两台来自 I2RT 的 YAM（Yet Another Manipulator）机械臂、一组摄像头，以及一台运行 FastAPI 服务器、策略推理和工位智能体的工作站，工作站搭载 NVIDIA RTX 5090。研究显示，前沿编码智能体可自主开发策略，在 PushT、把别针整理进别针盒、用切割器剪断扎带等真实世界灵巧操作任务上达到 99% 成功率，还测试了把 GPU 插入主板的任务。不同模型表现有差异：Codex 中的 GPT-5.5 与 Claude Code 中的 Opus 4.7 交替领先，Kimi-2.6 落后；智能体数量增加（如 8 个）能更快得到更高分，多智能体配置有时绝对分数高于单智能体。挑战在于，编码智能体读日志、写代码、调试或等待语言模型主干时并未充分利用机器人资源，随着机器人数量扩展，MRU 下降而 GPU 活跃利用率上升。
关键事实
- NVIDIA 研究人员开发了 ENPIRE，用于让真实世界机器人进行自主实验与执行闭环。
- ENPIRE 包含四个核心模块：环境模块（EN）、策略改进模块（PI）、Rollout 模块（R）、进化模块（E）。
- 每个工位配有两台来自 I2RT 的 YAM 机械臂、一组摄像头和一台搭载 NVIDIA RTX 5090 的工作站。
- 前沿编码智能体在 PushT、整理别针、剪断扎带等任务上达到 99% 成功率。
- 测试任务还包括把 GPU 插入主板。
- Codex 中的 GPT-5.5 与 Claude Code 中的 Opus 4.7 交替领先，Kimi-2.6 落后。
本站视角
对国内做具身智能和机器人学习的团队来说，ENPIRE 的价值不在于它已经解决了什么，而在于它把「编码智能体 + 真实机器人」的闭环流程做成了一个可复用的框架。过去机器人策略训练高度依赖人工评估和人工重置，这直接限制了能自动化的任务范围；ENPIRE 把这两步自动化，等于把任务复杂度的天花板往上抬了一截。我们认为，这套思路对国内团队有直接参考意义：它用的不是定制硬件，而是 I2RT 的 YAM 机械臂和 RTX 5090 工作站，复现门槛相对可控。但需要观察的是，99% 成功率只出现在 PushT、整理别针、剪断扎带这类结构相对简单的任务上，把 GPU 插入主板也只是测试项之一，原文并未给出该任务的完整成功率数据，因此不宜把结论外推为「通用机器人操作已被解决」。另一个值得注意的点是，原文明确提到机器人数量扩展时 MRU 下降、GPU 活跃利用率上升，说明多机器人并行并不自然成立，这恰恰是国内做机器人集群的团队最容易低估的工程瓶颈。此外，GPT-5.5、Opus 4.7、Kimi-2.6 的对比来自 NVIDIA 自己的测试，属于单一来源，模型版本号也需以官方发布为准，读者不宜把这一排名当作通用结论。
背景与影响
ENPIRE 的思路是把 AI 编码智能体的工作方式——监督、试错、评估、重置、改进——复制到物理机器人上。系统让机器人尝试不同策略完成任务，自动评估每次试验结果而无需人工判断，并在失败后自动把场景恢复到初始状态。这两项自动化能力（自动评估与自动重置）历史上需要大量人力，因此这类系统能处理的任务复杂度，某种程度上受限于我们能否自动评估和重置。硬件上采用 I2RT 的 YAM 机械臂与 RTX 5090 工作站，说明整套方案基于相对可获得的商用组件。研究还测试了把 GPU 插入主板这类更接近实际生产场景的任务。不同编码智能体表现有差异，且多智能体配置能探索更大解空间，但机器人数量扩展时资源利用并不自然并行，读日志、写代码、调试或等待语言模型主干时机器人资源未被充分利用。这意味着，要让这类系统真正规模化，除了模型能力，还需要解决调度与资源利用的基础设施问题。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。
