Nvidia opublikowała 17 czerwca 2026 framework ENPIRE, w którym grupy agentów AI — korzystające z modeli OpenAI, Anthropic i Moonshot — samodzielnie trenują ramiona robotyczne do zadań takich jak montaż GPU czy cięcie opasek zaciskowych. Badanie przeprowadzone wspólnie z Carnegie Mellon University i UC Berkeley pokazuje, że osiem agentów osiąga 99-procentową skuteczność w ciągu dwóch godzin pracy bez udziału człowieka.
Najważniejsze w skrócie
- ENPIRE to framework owijający modele AI w harness umożliwiający autonomiczny reset, weryfikację i poprawę polityki ruchu robotów
- Osiem agentów AI ukończyło zadanie Push-T ze 99% skutecznością w 2 godziny — cztery razy szybciej niż pojedynczy agent
- Agenci osiągnęli wynik zbliżony do 100% w zadaniu wkładania pinów szybciej niż referencyjne podejście z udziałem człowieka
- Kod i dokumentacja badania dostępne od 16 czerwca 2026 (Google Drive)
- Jim Fan, dyrektor ds. AI w Nvidia GEAR lab: „Część naszego laboratorium doskonali się niezmordowanie przez całą noc. Rano tylko czytamy raporty."
Jak działa ENPIRE
ENPIRE to nie model AI, lecz harness — oprogramowanie owijające agentów kodowania w ustrukturyzowane środowisko pracy z robotami. Framework opracowany przez laboratorium NVIDIA GEAR składa się z czterech modułów działających w pętli.
Pierwszym jest moduł resetowania i weryfikacji zadań — agent może automatycznie przywrócić środowisko do stanu wyjściowego po każdej próbie robota i ocenić, czy zadanie zostało wykonane poprawnie. Drugi moduł odpowiada za udoskonalanie polityki ruchu: na podstawie logów agent modyfikuje kod algorytmu prowadzącego robota. Trzeci to ocena równoległa — wiele robotów fizycznych testuje politykę jednocześnie, skracając czas iteracji. Czwarty moduł obsługuje błędy: agent analizuje logi, sięga do baz wiedzy naukowej i poprawia zarówno infrastrukturę treningową, jak i kod algorytmu.
Wyniki i ograniczenia
Testy przeprowadzono z trzema modelami: Codex (GPT-5.5, OpenAI), Claude Code (Opus 4.7, Anthropic) i Kimi K2.6 (Moonshot AI). Przy standardowym zadaniu Push-T osiem agentów osiągnęło 99% skuteczności po dwóch godzinach — cztery agenty potrzebowały trzech godzin, a pojedynczy agent blisko pięciu.
W zadaniu wkładania pinów ośmiu agentów zbliżyło się do 100% skuteczności szybciej niż referencyjne podejście angażujące człowieka na każdym etapie. Badacze wskazali na trzy ograniczenia: większe grupy agentów spędzały więcej czasu na wzajemnym streszczaniu działań; roboty często stały bezczynnie, gdy agenci pisali kod; agenci nie zawsze efektywnie zarządzali dostępnymi zasobami obliczeniowymi przy uruchamianiu równoległych sesji.
Kontekst Nvidia GEAR lab
W maju 2026 roku ten sam zespół ogłosił partnerstwo z Unitree Robotics w ramach projektu Isaac GR00T Reference Humanoid Robot — platforma łącząca hardware Unitree H2 Plus z chipem Jetson Thor i taktylnymi dłońmi Sharpa Wave. Jensen Huang podczas wizyty w Korei Południowej spotkał się z kierownictwem Hyundai Motor Group, by omówić masową produkcję robotów opartych na AI — Hyundai posiada Boston Dynamics.
ENPIRE wpisuje się w szerszą strategię Nvidii: nie tylko dostarczać GPU, ale budować kompletny stos software'owy dla Embodied AI — od symulatorów (NVIDIA Isaac Lab, Cosmos) przez frameworki treningowe po narzędzia agentowe.
Dlaczego to ważne?
Autonomiczne trenowanie robotów przez agentów AI eliminuje jeden z najkosztowniejszych i najbardziej czasochłonnych elementów w projektowaniu systemów manipulacyjnych: pętlę informacji zwrotnej z udziałem człowieka. Tradycyjnie badacz pisze kod polityki, uruchamia robota, obserwuje wyniki, koryguje i powtarza. ENPIRE deleguje ten cykl agentom, którzy robią to szybciej, bez przerw i z możliwością równoległego testowania na wielu robotach jednocześnie. Wynik 99% skuteczności przy wkładaniu pinów — zadaniu wymagającym precyzji poniżej milimetra — w czasie krótszym niż podejście z człowiekiem w pętli to konkretny dowód, że autonomia agentów w laboratorium robotycznym nie jest już koncepcją badawczą. To wciąż wczesna praca akademicka z ograniczonymi zadaniami w kontrolowanym środowisku, ale kierunek jest wyraźny.
Co dalej?
- Nvidia zapowiedziała open-source release całego ENPIRE — każdy będzie mógł uruchomić własne „samowystarczalne laboratorium robotyczne w domu"
- Papier badawczy opublikowany 16 czerwca 2026 zawiera pełne dane techniczne i konfiguracje eksperymentalne
- Następnym krokiem dla zespołu GEAR jest rozszerzenie testów na bardziej złożone zadania poza środowiskiem laboratoryjnym
Źródła
- Ars Technica — AI coding agents taught robots how to install GPUs and cut zip ties
- Nvidia GEAR Lab — ENPIRE project page
