Роботы Nvidia теперь могут самостоятельно устанавливать видеокарты и осваивать новые навыки

Nvidia представила систему ENPIRE, в рамках которой восемь ИИ-агентов обучают роботов на реальных устройствах, экспериментируя и корректируя собственные ошибки без заранее заданных инструкций

Nvidia показала систему ENPIRE, которая позволяет роботам самостоятельно осваивать сложные и высокоточные операции в реальном окружении. В демонстрации, опубликованной компанией, роботизированные манипуляторы сортируют мелкие металлические штифты, завязывают и обрезают пластиковые стяжки, а также устанавливают видеокарту в слот материнской платы без внешней помощи.

Директор по ИИ и ведущий научный сотрудник Nvidia Джим Фан охарактеризовал проект как «первый пример AutoResearch в физическом мире». Основу системы составляют восемь ИИ-агентов Codex, которым была выделена группа роботов, вычислительные ресурсы на GPU и значительный лимит на выполнение запросов. После получения задания агенты должны как можно быстрее и без ошибок найти решение.

По словам Фана, во время работы роботы сами ищут визуальные ориентиры, возвращают сцену в исходное состояние, отрабатывают новые движения, тестируют программное обеспечение, изучают научные публикации в интернете, обсуждают решения между собой, анализируют ошибки и повторяют попытки непосредственно на физическом оборудовании.

Как отметил исследователь, разработчики фактически лишь предоставили Codex интерфейс к «миру атомов», а дальнейшее поведение стало следствием самоорганизации системы.

Одной из наиболее впечатляющих демонстраций стала автономная установка видеокарты. Один манипулятор выбирает ускоритель и передает его другому, который аккуратно совмещает разъем PCI Express с соответствующим слотом на материнской плате и вставляет карту на место.

Детали работы системы были опубликованы в исследовании ENPIRE: Agentic Robot Policy Self-Improvement in the Real World. Авторы сравнили программных агентов, включая Codex с GPT-5.5, Claude Code с Opus 4.7 и Kimi Code с Kimi K2.6. Эксперименты также продемонстрировали, что увеличение числа роботов ускоряет процесс обучения.

Джим Фан в шутливой форме заметил, что конечная цель такого подхода проста: обучить роботов и спокойно уйти в отпуск, «а Дженсен даже ничего не заметит».

Тем не менее, сама работа иллюстрирует более серьезную тенденцию — переход от роботов, выполняющих заранее запрограммированные действия, к системам, которые способны самостоятельно находить решения и развивать новые навыки непосредственно в физическом мире.