Samodzielna ewolucja maszyn. Nvidia oddaje kontrolę nad robotami agentom AI

Nvidia, we współpracy z badaczami z Carnegie Mellon oraz UC Berkeley, zaprezentowała ENPIRE – system, który wyklucza człowieka z pętli decyzyjnej procesów inżynieryjnych. Zamiast mozolnego programowania każdego ruchu przez specjalistów, system wykorzystuje zaawansowane modele językowe, takie jak Codex czy Claude Code, do samodzielnego projektowania, testowania i optymalizacji kodu sterującego maszynami. Proces ten nie odbywa się wyłącznie w bezpiecznej symulacji, ale na żywym organizmie – flocie fizycznych robotów operujących w laboratorium GEAR.

To kluczowy moment dla branży, ponieważ ENPIRE przesuwa robotykę z etapu ręcznie programowanych testów do tzw. systemu zamkniętej pętli. Oznacza to, że agenci AI sami projektują, uruchamiają i poprawiają eksperymenty na fizycznym sprzęcie, radykalnie skracając cykle badawcze i przyspieszając wdrożenia przemysłowe. Badacze nazywają to zjawisko „physical autoresearch”.

Przełamanie bariery symulacji

Dotychczas największym wyzwaniem w szkoleniu robotów był tzw. „reality gap” – przepaść między idealnym środowiskiem cyfrowym a nieprzewidywalną fizyką świata rzeczywistego. W symulatorach tarcie, oświetlenie czy precyzja chwytu są parametrami stałymi. W świecie rzeczywistym każdy z tych czynników może doprowadzić do porażki. ENPIRE rozwiązuje ten problem, pozwalając agentom AI na bezpośrednią interakcję ze sprzętem bez udziału człowieka między iteracjami.

Mechanizm działania opiera się na czterech modułach: Environment, Policy Improvement, Rollout i Evolution. Człowiek przygotowuje jedynie fundamenty, takie jak system automatycznego resetowania stanowiska pracy oraz moduł wizyjny oceniający sukces. Reszta należy do sztucznej inteligencji. Jak podaje NVIDIA Research: „frontier coding agents can autonomously develop a policy to achieve a 99% success rate on challenging, dexterous manipulation tasks in the real world”.

Potęga automatycznego badania

W testach wykorzystano flotę ośmiu dwuramiennych robotów działających równolegle. Wyniki pokazały, że skalowanie systemu drastycznie skraca czas nauki. Wykorzystując Git do błyskawicznej wymiany doświadczeń między jednostkami, maszyny zdołały opanować skomplikowane zadania, takie jak precyzyjne wsuwanie pinów w 4-milimetrowe otwory, cięcie opasek zaciskowych czy montaż kart graficznych. Czas potrzebny na opanowanie prostych czynności skrócił się z pięciu godzin do zaledwie dwóch.

Jim Fan z laboratorium GEAR zaznacza, że naukowcy po prostu dali maszynom dostęp do jednostek GPU i budżet na tokeny. Maszyny same przeczesują literaturę naukową i modyfikują infrastrukturę treningową. Według serwisu The Robotics Media, to pierwszy udokumentowany przypadek, w którym agenci kodujący prowadzą w pełni autonomiczne badania fizyczne.

Krytyczne spojrzenie na autonomię

Mimo imponującej, 99-procentowej skuteczności, system generuje nowe problemy. Przejście z jednej maszyny na osiem skróciło czas nauki o połowę, ale rachunek za tokeny generowane przez modele językowe rośnie szybciej niż zysk czasowy. Pozostaje również kwestia bezpieczeństwa. Oddanie agentom AI pełnej kontroli nad fizycznymi ramionami wyposażonymi w ostre narzędzia wymaga rygorystycznych protokołów, których na razie nie ustandaryzowano. W wyścigu z rozwiązaniami takimi jak chiński Qwen-Robot, podejście Nvidii stawia jednak na najbardziej radykalną formę autonomii fabrycznej.