英伟达高级研究科学家、具身智能项目负责人Jim Fan近日公布了一项名为“ENPIRE”的机器人科研新项目。该项目由8个AI编程代理与8台实体机器人组成科研团队，在无需人类研究员直接参与实验操作的情况下，这些代理可自主完成实验设计、代码编写、结果验证及策略优化等全流程工作。人类研究员仅需设定最终目标并观察实验结果，实现了科研环节的部分自动化。
实验平台为每个机器人单元配备了双6自由度机械臂、Intel RealSense深度摄像头及搭载NVIDIA RTX 5090显卡的工作站。所有计算任务均在本地完成，未依赖外部计算集群。研究团队测试了Codex、Claude Code和Kimi Code三种编程代理，发现Codex在真实机器人操作中表现最优，完成任务所需时间最短。Jim Fan将此项目称为“自动科研向物理世界延伸的首次尝试”，并戏称希望未来实验室能完全自主运行，甚至在团队休假时仍能持续推进研究。
与传统仅存在于数字世界的自动化科研系统不同，ENPIRE的核心突破在于让AI代理首次获得操作实体机器人的能力。过去，这类系统仅能通过代码生成数字结果，而ENPIRE中的代理可直接控制机械臂完成抓取、插入、剪切等动作。例如，在“Push-T”任务中，机器人需通过推动而非抓取的方式将T形积木移动至指定区域；在插针任务中，机器人需将直径4毫米的大头针精准插入孔洞；更复杂的任务还包括将GPU插入主板插槽及使用剪刀剪断扎带。
为应对真实世界的复杂性，研究团队将系统分为两个阶段：初期需少量人类参与构建“环境基础设施”，包括设定安全边界、开发自动重置机制及验证实验结果的模块。这些模块一旦完成，将作为后续所有实验的共享基础。第二阶段则完全由AI代理自主运行，它们通过阅读文献提出算法假设，修改训练代码，调整强化学习参数，并在真实环境中验证效果。例如，在插针任务中，代理通过尝试行为克隆、在线强化学习等多种方案，最终实现连续50次成功操作。
实验数据显示，增加机器人数量可显著缩短研发时间。在插针任务中，1台机器人需1.5小时达到高成功率，4台机器人缩短至50分钟，8台机器人则进一步压缩至40分钟。多个代理并行工作时，会同时探索不同技术路线，如修改奖励函数、调整训练基础设施等。有效方案通过Git自动共享，无效方案则被快速淘汰。这种协作模式类似于人类科研团队的分工，但效率更高。
研究还发现，AI代理可通过文字总结经验并迁移至新任务。完成插针任务后，代理生成的Markdown文档被用于GPU插入任务，显著提升了学习速度。这表明，系统迁移的不是模型参数或训练数据，而是方法论，与人类研究者记录实验笔记的方式相似。然而，ENPIRE仍存在局限性：实验平台依赖大量前期工程投入，且当前验证的任务多为结构化桌面操作，能否扩展至更复杂的开放环境尚待进一步测试。
