El marco ENPIRE de NVIDIA logra una tasa de éxito del 99% en el autoaprendizaje de robots

ME AI mensaje, según el monitoreo de Beating, el marco ENPIRE lanzado conjuntamente por NVIDIA, la Universidad Carnegie Mellon y la Universidad de California en Berkeley permite por primera vez el desarrollo autónomo de robots sin intervención humana. Anteriormente, ajustar los movimientos de los robots requería que humanos reubicaran constantemente los objetos y escribieran y depuraran manualmente el código de control. Ahora, el equipo conectó directamente herramientas de programación de grandes modelos como Codex y Claude Code a una clúster de robots, permitiendo que estas herramientas generen automáticamente programas de control de movimiento y evalúen el éxito o fracaso de las acciones mediante cámaras en tiempo real, analizando los registros de errores y modificando el código como lo haría un investigador humano. En una serie de movimientos precisos a nivel de milímetros —como recoger alfileres dispersos, conectar y desconectar componentes de placas base, atar correas y cortarlas con un cúter— la tasa de éxito en pruebas sin intervención humana alcanzó finalmente el 99%. Los experimentos demostraron que este aprendizaje autónomo físico tiene una capacidad de escalabilidad muy fuerte: al aumentar el número de robots a ocho, los agentes inteligentes de diferentes ramas pudieron compartir e iterar automáticamente sus mejores algoritmos mediante ramas Git, reduciendo el tiempo de entrenamiento para la tarea de inserción de pines de 1.5 horas a aproximadamente 40 minutos. Sin embargo, el proceso de evolución autónoma también reveló nuevos cuellos de botella. Cuando se opera una sola unidad, el tiempo efectivo de movimiento del robot representa el 85%; pero cuando ocho unidades operan simultáneamente, los robots deben detenerse frecuentemente para esperar que las herramientas de programación basadas en grandes modelos lean extensos registros de ejecución, reescriban código y esperen respuestas de API, lo que reduce la utilización efectiva del hardware al 35%. Al mismo tiempo, para permitir que los agentes de múltiples robots sincronicen frecuentemente sus mejores soluciones, el consumo total de tokens aumentó drásticamente. El equipo anunció que liberará el código relacionado en las próximas semanas. (Fuente: BlockBeats)