当大多数AI编程工具还在比拼谁能更好地帮程序员写完一个函数时，英伟达已经将AI Agent的能力边界拓展到了一个全新的维度。2026年6月17日，在英伟达GTC大会期间，GEAR实验室联合卡耐基梅隆大学和加州大学伯克利分校正式发布了ENPIRE框架——一个让AI Coding Agent能够自主进行机器人研究的具身智能系统。这一发布在机器人学术界和工业界引发了强烈反响。
ENPIRE框架的核心创新在于它将大语言模型的能力从"数字世界"延伸到了"物理世界"。传统的AI编程工具——无论是Cursor、Claude Code还是GitHub Copilot——都局限于在软件环境中生成代码。而ENPIRE的Agent不仅能够编写机器人控制程序，还能将代码实际部署到物理机器人上运行，并根据运行结果迭代优化实验方案。这种"设计→编码→部署→验证→优化"的完整闭环，在AI Agent发展史上尚属首次。
ENPIRE的技术架构由三个核心层级构成。第一层是"实验设计层"，负责将研究人员的高层次目标（如"让机械臂学会抓取不规则物体"）分解为具体的实验步骤和参数配置。这一层依托于经过微调的大语言模型，结合了机器人学的先验知识库，能够生成具有科学严谨性的实验方案。
第二层是"代码生成与执行层"，Agent根据实验方案自动编写Python代码，调用机器人操作系统（ROS）和英伟达Isaac Sim仿真平台提供的API，实现从仿真到实机的无缝切换。值得一提的是，ENPIRE的代码生成模块支持"渐进式验证"——Agent会先生成最小可用代码在仿真环境中测试，确认无误后再扩展到完整功能，并将代码部署到物理机器人上。
第三层是"结果分析层"，机器人执行完任务后，Agent自动收集传感器数据、执行日志和运行视频，通过多模态分析判断实验是否达到预期目标。如果实验失败，Agent会分析失败原因并提出改进方案，启动新一轮实验设计。这种自主迭代的能力使得ENPIRE能够在无人干预的情况下连续进行数十轮实验优化。
研究团队公布了一项令人印象深刻的验证实验。在实验中，研究人员向ENPIRE提供了一个高层次的指令——"让机械臂学会抓取它从未见过的物体"。ENPIRE自主设计了包含12个阶段的实验方案，从物体三维扫描、抓取点计算、路径规划到力控制参数调整，全程无需人类介入。在连续8小时的自主任务执行后，机械臂成功学会了抓取3种此前从未接触过的物体，成功率从初始的15%提升到了87%。
这一实验结果的意义远超技术本身。它展示了AI Agent在物理世界中进行"科学研究"的潜力——不是简单地执行预设指令，而是根据实验结果自主调整研究策略。英伟达GEAR实验室负责人在发布会上表示："我们希望ENPIRE能够成为机器人研究者的得力助手，让人类研究者从繁琐的编码和调试工作中解放出来，专注于更高层次的创新思考。"
ENPIRE的发布对传统机器人研究范式产生了深远冲击。在传统的研究流程中，一个机器人实验从想法到结果通常需要数月时间：研究设计阶段需要数周，代码编写和调试需要数周甚至数月，实验执行和数据分析又需要数周。而ENPIRE框架有望将这一周期缩短到数天甚至数小时。
更为重要的是，ENPIRE使得"研究的可复现性"得到了质的提升。传统机器人研究中，论文中的实验结果往往难以被其他实验室复现，因为缺少对代码、环境和参数的精确描述。而ENPIRE自动记录实验全过程的每一个细节——从代码版本到环境配置，从参数设置到传感器读数——为实验的完全复现提供了可能。这对于提升机器人研究的整体质量水平具有重要价值。
英伟达已经宣布ENPIRE框架将以开源形式发布，代码托管在GitHub上，采用MIT开源许可协议。这意味着全球的研究者都可以自由使用、修改和扩增ENPIRE框架。研究团队还配套发布了详细的技术文档和入门教程，降低了新用户的上手门槛。
从行业前景来看，ENPIRE的发布不仅对机器人研究领域产生影响，其"自主研究"的范式也可能被推广到其他科学领域。英伟达内部已经在探索将类似框架应用于药物分子设计、材料科学和气候模拟等方向的可行性。英伟达创始人兼CEO黄仁勋在GTC大会上表示："让AI学会自己做研究，可能是我们在AI领域最重要的突破之一。"
当然，ENPIRE框架目前仍处于早期阶段，距离真正成熟的"自主科研机器人"还有相当差距。研究团队坦承，ENPIRE当前面临的主要局限包括：对从未见过的机器人硬件平台的适配能力有限、在高度动态和不确定的环境中决策稳定性不足、以及实验结果分析的深度还无法与经验丰富的人类研究者媲美。但即便如此，ENPIRE在学术界展示出的潜力已经足以令整个机器人领域兴奋。在CMU的一项后续研究中，研究团队利用ENPIRE框架在两周内完成了过去需要六个月的机器人抓取实验，这一结果有力地证明了AI Agent在物理世界研究中不可替代的价值。