NVIDIA GEAR實驗室發佈ENPIRE系統實現AI編程agent自主機器人實驗
NVIDIA GEAR實驗室聯合CMU和UC Berkeley推出ENPIRE（Agentic Robot Policy Self-Improvement in the Real World），讓AI編程agent在真實物理世界自主操控機器人完成實驗循環，包括重置場景、運行測試、判斷成敗、查閱論文、迭代代碼。
系統分配機器人集羣、GPU資源和token預算後設定目標如“高效完成靈巧任務並保持安全”，agent即可自主執行環境搭建、策略改進（從啓發式到RL）、真實實驗數據收集及失敗分析；測試任務包括精密pin腳插入、紮帶穿扎、剪刀剪紮帶及GPU插主板，達到99%成功率（pass@8）。
市場機制上，研究機構與開發者資金加速流入AI驅動機器人自治平臺，NVIDIA作爲基礎設施提供者直接受益，而依賴人工盯實驗的傳統實驗室承壓，事件驅動資本向物理世界AutoResearch閉環集中。
來源：公開信息
ABAB AI 解讀
NVIDIA GEAR實驗室此前由Jim Fan與Yuke Zhu共同領導，專注從模擬到真實世界的embodied agent基礎模型，此路徑類似早期Voyager等項目在遊戲環境中實現agent自主探索，曾伴隨多次從虛擬scaling向物理遷移的迭代嘗試。
資本路徑上，NVIDIA調動GPU集羣與Isaac Lab等資源支持ENPIRE開發，吸引長期學術與產業資本進入物理AI，而非短期套現，形成從agent代碼生成到真實機器人實驗閉環的資源輸送以鎖定AutoResearch領先。
類似案例包括OpenAI早期在模擬環境中測試agent自我改進，以及多家實驗室的機器人學習循環，NVIDIA GEAR當前處於embodied AI從數字模擬主導向真實世界自主科研轉型的擴張控制階段。
結構判斷上，本質屬於技術替代，AI編程agent與機器人集羣替代人類科研實驗盯守，機制在於並行物理scaling law與token預算放大迭代速度，推動資本從人工密集實驗室向agent驅動基礎設施集中，重塑科研產業鏈定價權。
ABAB News · 認知定律
物理scaling勝過模擬幻想：更多機器人並行，即更多真實數據槓桿，AI科研速度指數躍升。
實驗從人工盯守到agent自治：人類早上看報告，資本自動流向能24/7迭代的閉環結構。
基礎設施定義科研邊界：誰掌握機器人+GPU+agent預算閉環，誰就鎖定後人類時代的發現定價權。