ENPIRE: обучение роботов искусственным интеллектом без участия людей достигло 99% успеха

Представьте: вы уходите из лаборатории вечером, а утром возвращаетесь к отчёту о том, что роботы научились вставлять GPU в материнские платы и резать кабельные стяжки – без единого вашего вмешательства. Именно так описал происходящее Джим Фан, директор по AI в NVIDIA: «Мы все уходим в отпуск, и Дженсен даже не заметит». Это не маркетинговая фраза для конференции. За ней стоит конкретная система, описанная в статье, загруженной 16 июня 2026 года.

Что такое ENPIRE и как это устроено

ENPIRE – это agent harness, то есть программная оболочка вокруг языковой модели. Четыре модуля системы берут на себя то, что раньше делали инженеры вручную: автоматический сброс и проверку физических задач, уточнение политик управления роботом, параллельную оценку на нескольких машинах и диагностику сбоев. Последнее звучит особенно любопытно: агенты читают логи, изучают исследовательские статьи и переписывают собственный код обучения.

Систему тестировали с тремя разными AI-агентами: Codex от OpenAI на базе GPT-5.5, Claude Code от Anthropic на базе Opus 4.7 и Kimi Code от Moonshot AI на базе Kimi K2.6. Каждая команда самостоятельно разрабатывала алгоритмические подходы к обучению роботов, запускала их на реальном железе и повторяла цикл, сохраняя изменения, которые повышали результат.

Цифры, которые сложно игнорировать

На стандартном бенчмарке Push-T – сдвинуть Т-образный блок в нужную позицию на столе – команда из 8 агентов достигла 99% успеха за 2 часа. Четыре агента справились за 3 часа. Один агент потратил почти 5 часов. Масштабирование настолько чистое, что исследователи заговорили о «роях агентов» как правильной единице работы в автономной робототехнике.

Самый неожиданный результат – на задаче вставки и организации пинов. Агенты вышли на почти 100% успеха быстрее, чем frontier-метод с участием человека, разработанный теми же самыми исследователями. Это редкий случай: автономный цикл обогнал своих создателей на их же собственном бенчмарке.

Именно здесь стоит уточнить контекст: речь идёт не о симуляции. Роботы физические, задачи реальные, и это принципиально. Обучение роботов искусственным интеллектом в такой постановке долгое время упиралось в узкое место – человеческие часы. Кто-то должен был писать функции вознаграждения, настраивать политики, перезапускать оборудование после сбоев. ENPIRE переносит это в токены.

Где система пока спотыкается

Авторы честны насчёт ограничений – что само по себе ценно в эпоху, когда каждый пресс-релиз звучит как прорыв цивилизации. Роботы часто простаивали, пока агенты читали логи, писали код или ждали ответа от языковой модели. Большие команды тратили заметную долю времени на суммаризацию идей друг друга, а не на движение роботов. Вычислительные ресурсы агенты иногда использовали неэффективно при запуске параллельных сессий.

Есть и вопрос стоимости. Скорость растёт – вместе с потреблением токенов. В момент, когда Anthropic и другие провайдеры обсуждают пересмотр тарифов в сторону повышения, это реальная строчка в бюджете исследовательской лаборатории.

Зачем NVIDIA это открывает

Команда объявила о планах выложить весь стек в open-source. Решение не тривиальное. Закрытый ENPIRE сконцентрировал бы преимущество внутри NVIDIA. Открытый превращает любую академическую группу или хорошо финансируемый стартап в потенциальный самообучающийся роботизированный цех.

Побочный эффект: ENPIRE создаёт новую ось конкуренции между OpenAI, Anthropic и Moonshot AI – и эта ось не имеет ничего общего с рейтингами чат-ботов. Вопрос звучит так: чей coding agent надёжнее обучает роботов на доллар токенов? Это совсем другой benchmark, foundation model тут нужна не красиво отвечать, а стабильно писать и отлаживать код в замкнутом цикле.

Любопытно, что ENPIRE появляется на фоне серии других шагов NVIDIA в физический AI. 31 мая 2026 года компания объявила партнёрство с китайской Unitree для поставки Reference Humanoid Robot исследовательским лабораториям. В начале июня Дженсен Хуанг встретился с председателем Hyundai Motor Чон Ый Соном для обсуждения массового производства роботов с AI – а Hyundai владеет Boston Dynamics. Затем было объявление об AI-фабрике совместно с LG Group. Паттерн очевиден: NVIDIA упаковывает чипы, программное обеспечение и методологию обучения в единый пакет.

Что это значит для отрасли

Если 8 агентов на щедром токен-бюджете сжимают в одну ночную сессию работу, которая раньше занимала недели инженерного времени, кривая стоимости новых роботизированных навыков начинает напоминать кривую стоимости программного обеспечения. Ограничитель больше не численность команды – ограничитель токены. А токены масштабируются иначе, чем специалисты по робототехнике.

Это не значит, что инженеры-робототехники завтра окажутся лишними – ENPIRE пока сам спотыкается на параллельной загрузке вычислений и простоях железа. Но направление движения задано: роль человека смещается от «тот, кто делает» к «тот, кто читает утренние отчёты и решает, что учить дальше». Джим Фан называет это лабораторией, которая работает без надзора. Звучит как преувеличение – до тех пор, пока не видишь цифры.