Граница между цифровым интеллектом и физической ловкостью стремительно стирается. Проект ENPIRE от Nvidia демонстрирует, как современные ИИ-агенты способны самостоятельно осваивать сложные манипуляции в реальном мире без жесткого программирования. Объединяя возможности больших языковых моделей с роботизированным оборудованием, система переходит к парадигме обучения через эксперименты и анализ ошибок. Это открывает путь к созданию по-настоящему гибких автономных производств, способных адаптироваться к новым задачам на лету.
Современная робототехника долгое время страдала от проблемы «жестких сценариев»: машина могла идеально выполнять одну операцию миллион раз, но становилась бесполезной при малейшем изменении условий. Проект ENPIRE предлагает принципиально иной подход, превращая роботов в полноценных учеников. Вместо того чтобы следовать прописанному коду, группа машин под управлением интеллектуальных агентов самостоятельно исследует физическое пространство, обучаясь высокоточным задачам, требующим тонкой моторики и сноровки.
В основе системы лежит синергия аппаратной мощности и когнитивных способностей LLM. Для реализации проекта были задействованы восемь ИИ-агентов на базе OpenAI Codex, которым выделили определенные вычислительные ресурсы в виде графических процессоров и бюджета токенов. Перед ними была поставлена цель: максимально быстро и безошибочно освоить конкретные физические действия.
Процесс обучения напоминает человеческий поиск решения: агенты не просто перебирают варианты, а используют комплексный аналитический цикл. Они ищут визуальные подсказки в окружающей среде, читают техническую документацию в интернете, обсуждают найденные стратегии между собой и проводят серию итераций прямо на оборудовании. Если действие приводит к неудаче, система перезагружает сцену и пробует изменить управляющие функции, фактически занимаясь самокоррекцией в режиме реального времени.
Практическая проверка способностей системы включала в себя несколько критических для электроники операций: сортировку металлических штифтов, установку и обрезку пластиковых стяжек, а также финальную сборку компонентов ПК. В одном из наиболее показательных эпизодов две роботизированные руки сработали в тандеме: одна манипулятор захватил видеокарту и передал её второму, который аккуратно зафиксировал устройство в слоте PCIe материнской платы. Несмотря на заметную нестабильность и легкое покачивание всей конструкции в процессе установки, задача была выполнена успешно.
Интересным техническим нюансом стал выбор комплектующих. Для тестов использовались компактные видеокарты, в то время как массивные флагманские решения, подобные серии RTX 5090, остались за бортом. Это указывает на то, что современные системы всё еще сталкиваются с трудностями при работе с объектами, обладающими значительным весом и рычагом, что требует более совершенных алгоритмов контроля давления и балансировки.
Для глубокого анализа эффективности исследователи протестировали различные нейросетевые движки, включая агентов OpenAI Codex с моделью GPT-5.5, Claude Code с Opus 4.7 и Kimi Code с Kimi K2.6. Сравнительный анализ показал, что ключевым фактором скорости обучения является не только мощность отдельной модели, но и масштаб параллельного исследования. Группа из восьми роботов, одновременно экспериментирующих с разными подходами к одной задаче, достигает результата значительно быстрее, чем одиночный агент или малая группа машин. Это подтверждает гипотезу о том, что коллективный опыт и распределенное обучение являются кратчайшим путем к достижению промышленного уровня автономности.
Масштабы глобального влияния Steam
