Введение
Компания Nvidia продемонстрировала инновационную систему ENPIRE — группу роботов, управляемых искусственным интеллектом, способных обучаться сложным задачам в реальном мире. В ходе эксперимента машины успешно собирали компьютеры, сортировали детали и выполняли другие точные операции. Однако интересно, что для сборки ПК использовались бюджетные видеокарты, а не флагманские модели. В статье разберём:
— Как работают ИИ-агенты в проекте ENPIRE
— Почему роботы справляются со сборкой ПК
— Причины выбора доступных GPU вместо топовых решений
—
Как устроена система ENPIRE
1. ИИ-агенты и обучение
В проекте задействованы 8 роботов, управляемых нейросетями на базе:
— OpenAI Codex (GPT-5.5)
— Claude Code (Opus 4.7)
— Kimi Code (Kimi K2.6)
Им выделили вычислительные ресурсы (GPU + токены) и поставили задачи, требующие координации и точности.
2. Самостоятельное выполнение задач
Роботы демонстрируют способности:
— Анализировать визуальные подсказки
— Перезагружать сцену при ошибках
— Осваивать новые навыки методом проб и ошибок
— Читать технические статьи для решения задач
> *«Машины учатся взаимодействовать, обсуждать действия и адаптироваться к изменениям в реальном времени»* — отмечают разработчики.
—
Сборка ПК: успехи и ограничения
1. Как роботы справляются
В тестовом сценарии:
— Один манипулятор берёт видеокарту
— Второй аккуратно вставляет её в слот PCIe
— Система корректирует положение, несмотря на вибрации
2. Почему не используются мощные GPU
Причины выбора доступных видеокарт:
— Тестовый характер эксперимента — нет необходимости в высокой производительности
— Габариты и вес — топовые модели сложнее для точного позиционирования
— Экономия ресурсов — дорогие GPU не оправданы для тренировки алгоритмов
—
Перспективы технологии
1. Скорость и эффективность
Исследователи выяснили:
— Группа из 8 роботов решает задачи быстрее, чем меньшее количество
— Параллельная работа снижает время обучения
2. Где применима разработка
Потенциальные сферы:
— Производство электроники — точная сборка компонентов
— Логистика — сортировка и упаковка мелких деталей
— Научные исследования — автономные эксперименты в лабораториях
Вывод: Nvidia делает ставку на масштабируемость ИИ-решений, где важнее адаптивность, чем мощность отдельных компонентов.
