Τι συμβαίνει όταν δίνετε στους πράκτορες κωδικοποίησης AI ένα εργαστήριο γεμάτο ρομποτικά χέρια, μερικούς υπολογιστικούς πόρους και έναν «γενναιόδωρο συμβολικό προϋπολογισμό» για να διδάξουν στα ρομπότ διάφορες εργασίες; Οι πράκτορες μπορούν προφανώς να ανακαλύψουν μια μέθοδο εκπαίδευσης που διδάσκει στο ρομπότ να κόβει με επιτυχία φερμουάρ και ακόμη και να εισάγει GPU σε λεπτές υποδοχές μητρικής πλακέτας.
Μια γεύση του πώς η τεχνητή νοημοσύνη μπορεί να λειτουργήσει με έναν πλήρως αυτόνομο τρόπο για την αυτοματοποίηση της εκπαίδευσης ρομπότ γίνεται δυνατή από ένα νέο πλαίσιο Agent Harness—λογισμικό που περικλείει μοντέλα AI για να επιτρέψει τη χρήση διαφόρων εργαλείων καθώς και δυνατότητες όπως μνήμη, περιβάλλον, περιορισμοί και βρόχοι ανάδρασης. Αυτό το πρακτορείο, που ονομάζεται ENPIREΑναπτύχθηκε από ερευνητές ρομποτικής στο εργαστήριο NVIDIA GEAR (Generalist Embodied Agent Research), μαζί με συνεργάτες στο Πανεπιστήμιο Carnegie Mellon στο Πίτσμπουργκ και στο Πανεπιστήμιο της Καλιφόρνια στο Μπέρκλεϋ.
“Μέρος του εργαστηρίου μας NVIDIA GEAR τώρα αυτο-βελτιώνεται ακούραστα μέσα σε μια νύχτα”, έγραψε ο Jim Fann, διευθυντής AI στην NVIDIA. Αναρτήσεις στο LinkedIn. «Διαβάσαμε την έκθεση το πρωί».
Ο Fan περιέγραψε αστειευόμενος τον στόχο μιας τέτοιας εκπαίδευσης ρομπότ που καθοδηγείται από AI αναφερόμενος στον ιδρυτή και διευθύνοντα σύμβουλο της Nvidia, Jensen Huang, λέγοντας: «Όλοι κάνουμε διακοπές και ο Jensen δεν θα το καταλάβει καν». Αλλά δεν είναι μόνο οι ερευνητές της ρομποτικής Nvidia που θα μπορούσαν να ωφεληθούν – ο Fan λέει ότι η ομάδα θα παρέχει τα πάντα ανοιχτού κώδικα, ώστε ο καθένας να μπορεί να φιλοξενήσει το δικό του «εργαστήριο αυτοοδηγούμενου ρομπότ στο σπίτι».
Η πλεξούδα ENPIRE διαθέτει τέσσερις ενότητες που επιτρέπουν στον παράγοντα κωδικοποίησης AI να επαναφέρει αυτόματα και να επικυρώνει εργασίες, να βελτιώνει τις πολιτικές που καθοδηγούν τη ρομποτική συμπεριφορά, να αξιολογεί τέτοιες πολιτικές σε πολλά φυσικά ρομπότ που λειτουργούν παράλληλα και να αναλύει αρχεία καταγραφής, να λαμβάνει ερευνητικές εργασίες και να επιλύει βλάβες βελτιώνοντας τον κώδικα και την υποδομή εκπαίδευσης. Περισσότερες τεχνικές λεπτομέρειες είναι διαθέσιμες Ερευνητικές εργασίες Ανέβηκε στις 16 Ιουνίου 2026.
Η πλεξούδα δοκιμάστηκε με τρεις διαφορετικούς κωδικοποιητές τεχνητής νοημοσύνης, συμπεριλαμβανομένου του Codex του OpenAI με GPT-5.5, του Claude Code του Anthropic με το Opus 4.7 και του Moonshot AI του Kimi Code με το Kimi K2.6. Ομάδες πρακτόρων κωδικοποίησης ανέπτυξαν ανεξάρτητα διαφορετικές αλγοριθμικές προσεγγίσεις για την εκπαίδευση ρομπότ, τις δοκίμασαν σε πειράματα πραγματικού κόσμου και στη συνέχεια διατήρησαν τυχόν αλλαγές που βοήθησαν στην αύξηση του συνολικού ποσοστού επιτυχίας σε έναν αυτοκατευθυνόμενο κύκλο επανάληψης δοκιμών.