Исследователи-робототехники из Nvidia Gear Labs совместно с Университетом Карнеги-Меллона и Калифорнийским университетом в Беркли разработали новую платформу Agenten-Harness-Framework под названием Enpire (откроется в новом окне). Как сообщает Ars Technica (откроется в новом окне), это программное обеспечение встраивает модели ИИ, позволяя им использовать инструменты, память, контекст и циклы обратной связи. Таким образом, ИИ-агенты-кодировщики обучают роботов в лаборатории полностью автономно выполнять различные задачи, такие как резка кабельных стяжек или установка видеокарт в материнские платы.
Джим Фан, директор по ИИ в Nvidia, сообщил через LinkedIn (откроется в новом окне), что часть лаборатории работает самостоятельно по ночам, а команда по утрам только читает отчеты. Для обеспечения широкого применения вся система будет предоставлена в качестве открытого исходного кода.
Платформа Enpire состоит из четырех модулей. Они обеспечивают автоматический сброс и верификацию задач, уточняют политики поведения роботов, оценивают эти политики на параллельных роботах и анализируют ошибки с помощью протоколов и исследовательских работ.
Повышение эффективности за счет увеличения команд агентов
Исследователи протестировали систему с тремя ИИ-агентами-кодировщиками: OpenAI Codex с GPT-5.5, Anthropic Claude Code с Opus 4.7 и Moonshot AI Kimi Code с Kimi K2.6. Эти агенты независимо друг от друга разрабатывали алгоритмы для обучения роботов и сохраняли успешные изменения в ходе повторных циклов тестирования. При размещении Т-блоков (задача Push-T) стратегии достигли уровня успешности в 99 процентов. В задаче по организации ручек в коробке ИИ-агенты достигли уровня успешности почти в 100 процентов и были быстрее, чем современный метод Human-in-the-Loop, разработанный теми же исследователями.
Кроме того, было обнаружено, что более крупные команды из восьми агентов решали задачи быстрее. Команда из восьми агентов затратила на задачу Push-T два часа исследовательского времени, в то время как четыре агента — три часа, а один агент — почти пять часов.
Ограничения автономного обучения роботов
Однако исследование выявило и явные ограничения. Пока агенты-кодировщики читали протоколы, писали код, искали ошибки или ждали ответов от языковой модели, роботы часто простаивали без дела. Более крупные команды также тратили больше времени на обобщение идей друг друга, чем на непосредственное использование роботов. Кроме того, доступные вычислительные ресурсы для параллельных учебных сессий использовались не полностью. Также с увеличением количества агентов резко возрастало потребление токенов.
Параллельно с этим Nvidia продолжает развивать свои робототехнические инициативы. В конце мая компания договорилась о сотрудничестве с китайской робототехнической фирмой Unitree по созданию эталонного человекоподобного робота. В начале июня состоялись переговоры между генеральным директором Nvidia Дженсеном Хуангом и главой Hyundai Чунг Ыйсуном по вопросу масштабирования массового производства ИИ-роботов. Hyundai владеет американской компанией Boston Dynamics.