Uma demonstração do projeto de pesquisa ENPIRE da Nvidia: um braço robótico insere uma placa gráfica em uma placa-mãe. (© Nvidia Gear Lab)
Ainda há um longo caminho a percorrer até chegarmos ao mundo dos robôs autônomos. Os chefes da Nvidia não se incomodam com isso e publicam novos relatórios sobre o status do progresso há vários meses.
Um dos líderes de IA, Jim Fan, do LinkedIn, onde desenvolveu uma nova estrutura chamada IMPÉRIO
introduzido. O objetivo: os robôs devem ser capazes de aprender de forma independente e melhorar as tarefas que lhes são atribuídas e, eventualmente, executá-las sem supervisão humana.
1h43
SwitchBot exibiu o onero H1 na CES 2026 – um robô “acessível” para sua casa
Agentes de IA treinam robôs de forma independente
Especificamente, a Enpire transfere todo o ciclo de pesquisa em treinamento de robôs para agentes de codificação de IA – desde redefinições de cena até experimentos e revisões de código. A ideia vem de pesquisadores do GEAR Lab (“Generalist Empowered Agent Research”) da Nvidia, da Universidade Carnegie Mellon e da Universidade da Califórnia.
Codex com GPT-5.5, Claude Code com Opus 4.7 e Kimi Code com Kimi K2.6 são usados como agentes de codificação. Foi testado em uma frota de robôs composta por oito estações com dois braços cada. O resultado, segundo os pesquisadores: taxa de sucesso de 99% para tarefas exigentes, incluindo instalação de GPU, o que não significa apenas a área de teste:
Um segura o alicate, o outro amarra o cabo: o treinamento do robô ENPIRE também inclui a tarefa de gerenciamento de cabos do nosso PC. (© Nvidia Gear Lab)
ENPIRE: Quatro módulos substituem técnicos humanos
ENPIRE – abreviação de Meio Ambiente, Aprimoramento de Políticas, Implementação e Evolução
– automatizar ciclos anteriores de pesquisa manual.
- O módulo de ambiente assume o cenário de reset e teste bem-sucedido: ao instalar a GPU, o robô pega a placa gráfica, retorna-a à posição inicial e separa-a novamente da placa-mãe.
- O módulo de melhoria de políticas permite que os agentes escrevam códigos de treinamento e melhorem-nos com base em gravações de vídeo e análises de erros. O agente lê livremente artigos científicos e deriva deles hipóteses algorítmicas.
Pesquisadores estão desenvolvendo um robô que funciona como Lego – mesmo perder uma perna não consegue pará-lo
Da simulação ao hardware real
A principal inovação não está no modelo de IA, mas no meio ambiente. A abordagem “AutoResearch” anteriormente funcionava quase exclusivamente em simuladores. Pela primeira vez, a ENPIRE muda este ciclo para hardware real e não para simulação como intermediário.
No entanto, os resultados mostram limitações: no teste “Push-T”, todos os três agentes de codificação passaram na simulação, mas dois dos três falharam em hardware real – o atrito e a variação física não puderam ser otimizados até agora.
De acordo com o site do projeto, a Nvidia deseja publicar o código ENPIRE completo como código aberto; No entanto, a empresa não revelou uma data específica.
