▲ 本图由ai生成 

现在，开发人员都已经习惯了用AI来写代码，这真的没什么奇怪的，但是如果让一群AI编程智能体接管整个机器人实验室，这听起来是不是有点科幻，如果AI编程智能体接管后，会发生什么？今天我们要聊的主角，就是黄仁勋的英伟达。

英伟达最近给出了一个挺有意思的答案：

这些AI不仅学会了训练机器人，还能自己设计实验、修改算法、分析失败原因，自己摸索出一套完整的训练方案，最终教会机器人把显卡稳稳插进主板上那些窄得要命的插槽里、还会整理插针盒、绑扎带和剪扎带等复杂操作。

你可以这么理解，机器人训练这件事，正在从「人教机器人」逐渐变成「AI教机器人」。

下面我们就来看看官方发布的演示视频：

一群AI程序员，接管了机器人实验室

那么你会好奇这项研究到底是英伟达哪个部门在负责的？其实它来自英伟达GEAR实验室，这次合作的还有卡内基梅隆大学和加州大学伯克利分校这两首高校。

研究团队开发了一套名为ENPIRE的智能体框架。

简单来说，它相当于给大模型配备了一整套工具链，让AI不只是回答问题，而是真正具备执行任务的能力。

借助这套框架，AI编程智能体可以调用机器人、读取日志、修改训练代码、分析实验结果，甚至自己决定下一步应该做什么。

▲ 英伟达NVIDIA机器人总监兼科学家、斯坦福博士、GEAR实验室联合负责人Jim Fan

英伟达NVIDIA机器人总监兼科学家、GEAR实验室联合负责人Jim Fan在X平台上发贴透露，如今实验室的一部分工作已经实现全天候自动运行。

他说：

「我们实验室的一部分系统现在会在夜里不断自我改进，而我们早上只需要查看生成的报告。」

他甚至开玩笑说：

「如果未来真能做到这一点，我们全员去度假，黄仁勋可能都不会发现。」

重点来了，让你意想不到是，英伟达没想自己独离研究成果，而是计划将整套系统开源，让研究人员甚至个人开发者都能搭建属于自己的「自动运行机器人实验室」。

这点真的佩服老黄！

AI究竟是如何训练机器人？

首先，我们要先了解ENPIRE的核心能力，简单来说，可以理解为四个模块。

首先是自动验证和重置任务，机器人每完成一次实验后，系统会自动检查结果是否符合要求，并恢复到初始状态，再进入下一轮训练。

其次是就是策略优化，AI编程智能体会不断修改控制算法，提高机器人完成任务的成功率。

第三就是并行评估，多个机器人可以同时执行训练任务，AI负责比较不同方案的效果，并保留表现更好的版本。

最后是故障分析，一旦出现失败案例，AI会主动阅读日志、查阅论文、修改代码，甚至优化训练基础设施本身。

怎么样？很酷吧，ENPIRE在执行的整个过程几乎不需要人类干预。

为了验证这些效果，研究团队还分别测试了目前全球最流行的三种AI编程模型：

• OpenAI Codex（GPT-5.5）
• Anthropic Claude Code（Opus 4.7）
• Moonshot AI Kimi Code（Kimi K2.6）

这些智能体组成团队后，会像研究员一样各自提出方案、开展实验、比较结果，并把有效经验保留下来，进入下一轮迭代。

机器人学会了装显卡和剪扎带

在ENPIRE这套框架的支持下，实验室里的机器人逐渐掌握了一系列操作任务。其中包括经典的Push-T任务，机器人需要推动一个T形积木到指定位置。

此外，还有插针整理、扎带绑扎与剪切，以及最吸引眼球的显卡安装任务。

实验中，机器人需要把GPU准确插入主板狭窄的PCIe插槽，完成安装后再将显卡拔出，为下一轮测试做好准备。

让人想不到的是，最后这套系统在多个任务上的成功率高到99%，这个成绩真是太惊人了。

整个过程，其实最亮眼的成绩是在插针整理这个任务上。

研究人员发现，AI智能体团队几乎以接近100%的成功率完成训练，而且达到这一水平的速度甚至快于传统的人类参与式训练方案。

换句话说，在某些场景下，AI已经开始超越人类工程师设计训练流程的效率。

AI团队越大，机器人学得越快

这时英伟达的研究团队还发现，AI智能体也存在明显的「团队效应」。

当8个AI智能体协同工作时，训练效率明显高于4个智能体团队，更远超单个智能体。

以Push-T任务为例：

• 8个智能体用时约2小时达到99%成功率；
• 4个智能体需要约3小时；
• 单个智能体则接近5小时。

更多AI意味着更多实验方案、更快的试错速度以及更高的搜索效率。不过需要提醒一点的是，规模扩大并不总是带来更高的收益。

因为研究人员发现，大量机器人经常处于闲置的状态，原因很简单，AI们忙着读日志、写代码、调试程序或者等待大模型响应。

当智能体数量进一步增加后，它们还会花费大量时间互相总结观点、同步进度，真正操作机器人的时间反而减少。

此外，一些智能体甚至没能充分利用现有的算力资源，并行训练效率其实并不太理想。

这说明AI研究团队也会遇到与人类团队类似的问题：沟通成本。

更强的自动化，也意味着更高的成本

通过这次实验得出另一个现实问题，那就是Token的消耗量。

更多AI智能体和更多机器人协同工作，虽然能提升训练速度，但代价是Token使用量迅速攀升，消耗量也水涨船高。

这恰好发生在AI厂商纷纷调整商业模式的关键时期。例如Anthropic近期就曾讨论提高高端模型调用费用，这样的结果带来的就是大幅提升token相关的服务费用，这个成本问题还真不是闹着玩的。

对于大规模自动化机器人研发来说，未来最大的瓶颈或许不仅是算力和硬件，还有不断上涨的大模型使用成本。

英伟达正在把目标押注在「物理AI」

事实上，这项研究只是英伟达布局物理AI战略的一部分而已。过去的这一年，黄仁勋几乎在所有公开场合都反复强调一个观点：「AI的下一站不是屏幕，而是现实世界。」

老黄凭着AI浪潮，为英为达攒下丰厚的家底，近来在Physical AI领域动作不断。

5月底，英伟达宣布与宇树科技展开合作，为全球研究机构提供标准化人形机器人平台。

随后在6月初访问韩国期间，黄仁勋又与现代汽车集团会长郑义宣会面，讨论如何扩大AI机器人规模化制造。

现代汽车集团旗下拥有波士顿动力，而后者正积极推进Atlas人形机器人的商业化落地。

从底层算力平台，到机器人基础模型，再到人形机器人生态，英伟达正在试图成为整个物理AI时代的基础设施提供者。

结语：机器人训练，可能正在迎来自己的「ChatGPT时刻」

按过去的经验，往往训练一个机器人需要工程师手把手调试参数、编写代码、设计实验。

现在则不一样，AI编程智能体正在从「写代码」走向「教机器人做事」，越来越多的工作开始交给AI去完成。

ENPIRE想展示给大家的，或许并不只是一个更聪明的机器人训练系统。

它想传递出来这样的一个信号：未来的机器人研发，也许不再依赖大量人工参与，而是由AI智能体自主设计实验、自主优化算法、自主积累经验。

我们人类可能将在不久的未来，会迎接一个全新的自动化时代，或许等待我们才刚刚开始。

-END-

参考资料: 

https://arstechnica.com/ai/2026/06/ai-coding-agents-can-autonomously-direct-robot-training/