В лаборатории Nvidia команды ИИ-агентов для роботов довели успешность ряда манипуляционных задач до 99%: роборуки научились резать стяжки, раскладывать пины и аккуратно вставлять GPU в слот материнской платы. Для русскоязычной IT-аудитории это важный сдвиг: речь уже не про Copilot для программиста, а про автономных агентов, которые сами перебирают гипотезы, пишут код обучения и гоняют физические эксперименты без человека у стенда.
О проекте сообщает Ars Technica со ссылкой на работу исследователей Nvidia GEAR, Carnegie Mellon University и University of California, Berkeley. Они собрали агентную обвязку ENPIRE, которая позволяет ИИ-моделям не просто генерировать фрагменты кода, а работать как полноценная исследовательская бригада: помнить контекст, запускать инструменты, анализировать логи, исправлять неудачные прогоны и повторять цикл до улучшения результата.
ENPIRE состоит из четырех модулей. Один отвечает за автоматический сброс и проверку задач, другой помогает улучшать policy, управляющие поведением робота, третий прогоняет эти policy сразу на нескольких физических роботах, а четвертый разбирает сбои: читает логи, подтягивает научные статьи и правит инфраструктуру обучения или сам алгоритм. На практике это выглядит так: агент получает задачу, пишет и меняет код, запускает обучение, оценивает, где робот ошибся, и затем сам же предлагает следующую итерацию. Директор по AI в Nvidia Джим Фан описал эффект довольно прямолинейно: часть лаборатории теперь «самоулучшается по ночам», а люди утром просто читают отчеты.
В тестах использовали три разных coding-агента: OpenAI Codex на GPT-5.5, Claude Code на Opus 4.7 и Kimi Code на Kimi K2.6 от Moonshot AI. Они работали не как один чат-бот у терминала, а как команды независимых агентов с разными подходами к обучению роботов. Каждый предлагал собственные алгоритмические ходы, проверял их в реальных экспериментах и сохранял только те изменения, которые поднимали общую успешность в повторяющихся циклах. Иначе говоря, это не демо «робот сделал трюк один раз», а попытка поставить на поток автоматизированное улучшение роботических навыков.
Самые наглядные цифры пришли из стандартной задачи Push-T, где робот должен передвинуть Т-образный блок в целевую позицию на столе. Команда из восьми агентов добилась 99% успеха за два часа исследовательского времени. Команде из четырех агентов понадобилось три часа, а одиночному агенту — почти пять. В другой задаче, связанной с вставкой и сортировкой пинов, ИИ-агенты для роботов почти дошли до 100% успеха быстрее, чем «frontier human-in-the-loop method», то есть продвинутый подход с участием человека, который ранее разработали многие из тех же исследователей. Для индустрии это, пожалуй, самый неприятный для скептиков результат: машина оказалась не просто дешевым помощником, а более быстрым постановщиком экспериментов.
При этом иллюзий о полностью гладкой автономии у авторов нет. Роботы нередко простаивали, пока агенты читали логи, писали код, дебажили пайплайн или ждали ответов от языковой модели. Увеличение команды тоже не дает бесплатной магии: большие группы агентов тратили больше времени на пересказ идей друг другу и меньше — на фактическое использование роботов. Еще одна проблема вполне земная: агенты не всегда эффективно занимали доступные вычислительные ресурсы при параллельных обучениях. То есть бутылочное горлышко теперь не только в железе и датасетах, но и в менеджменте самих ИИ-исполнителей.
Есть и более приземленная метрика, которую сложно игнорировать, — стоимость токенов. Чем больше агентов и чем плотнее они взаимодействуют с несколькими роботами, тем быстрее растут расходы на обращения к моделям. Ars Technica отдельно напоминает, что на фоне обсуждений новых ценовых моделей у крупных AI-поставщиков экономика таких систем становится не абстрактной темой для ресерча, а вопросом бюджета. Для стартапов и R&D-команд это сигнал не хуже самого эксперимента: выигрыш по времени может оказаться съеден счетом за модель, если оркестрация сделана небрежно.
Контекст у истории тоже показательный. Nvidia уже несколько месяцев последовательно продает рынку идею physical AI — то есть связки моделей, симуляции, вычислительной инфраструктуры и реальных роботов. 31 мая компания объявила о партнерстве с китайской Unitree и выпуске Reference Humanoid Robot для исследовательских лабораторий. В начале июня Дженсен Хуанг во время поездки в Южную Корею обсуждал с председателем Hyundai Motor Чон Ыйсоном масштабирование массового производства AI-роботов. А у Hyundai, напомним, есть Boston Dynamics с ее Spot и коммерциализацией гуманоидного Atlas. На этом фоне ENPIRE выглядит не как красивая лабораторная игрушка, а как кусок более крупной стратегии: научить не только модели писать код, но и фабрики роботов — улучшать самих себя быстрее людей.
Для разработчиков тут несколько практических выводов. Во-первых, агентная обвязка становится самостоятельным продуктовым слоем: ценность не только в модели, но и в памяти, ограничениях, петлях обратной связи и правильном распределении задач. Во-вторых, побеждает не тот, у кого просто больше GPU, а тот, кто умеет связать LLM, физический стенд и систему оценки результата в единый цикл. В-третьих, рынок робототехники все заметнее сближается с миром ML-инфраструктуры: логирование, отладка пайплайнов, оркестрация воркеров и контроль стоимости токенов теперь влияют на успех эксперимента почти так же сильно, как механика захвата или точность датчиков.
Главный вопрос теперь не в том, могут ли ИИ-агенты для роботов научить манипулятор вставлять видеокарту в слот, а в том, насколько быстро такие системы выйдут из исследовательских лаб и доберутся до производственных стендов, сервисных центров и складов. Если Nvidia действительно откроет исходники ENPIRE, у отрасли появится редкий шанс проверить, где заканчивается эффектная демонстрация и начинается новая норма инженерной работы с роботами. Подробности, включая ссылку на research paper от 16 июня 2026 года, собраны в материале .