fr.wedoany.com Rapport : Nvidia a présenté une technologie d’intelligence artificielle incarnée baptisée ENPIRE (Agentic Robot Policy Self-Improvement), qui permet aux robots d’apprendre et d’exécuter de manière autonome des tâches de haute précision, notamment l’installation de GPU sur des cartes mères.
Dans la vidéo de démonstration publiée, huit robots collaborent de manière autonome pour accomplir des tâches complexes sans intervention humaine. Un bras robotique saisit une carte graphique et la place dans le slot PCIe de la carte mère, tandis qu’un autre robot trie des broches métalliques dans un conteneur et coupe précisément des attaches de câble. Jim Fan, directeur de l’intelligence artificielle et des scientifiques éminents chez Nvidia, a déclaré que cette démonstration prouve que les chercheurs peuvent « activer l’AutoResearch pour la première fois dans le monde physique ».
Fan explique que le projet ENPIRE fournit à huit agents Codex un ensemble de robots, une allocation de GPU et un budget de jetons (token budget) important ; ces agents se voient confier la tâche de l’accomplir le plus rapidement possible sans commettre d’erreur. L’ensemble de la flotte de robots se met en marche, apprenant à trouver des indices visuels, à réinitialiser les scènes, à pratiquer de nouvelles compétences, à ajuster la pile de contrôle, à lire des articles en ligne, à débattre, à réfléchir et à réessayer directement sur le matériel. Il indique que la seule chose que l’équipe a faite a été de confier l’API Codex au monde atomique, le reste n’étant qu’émergence.
ENPIRE est un framework destiné aux agents de codage (coding agents) qui instancie une boucle de rétroaction physique via quatre modules centraux : le module Environnement (Environment module, EN) pour la réinitialisation et la vérification automatiques ; le module d’Amélioration des Politiques (Policy Improvement module, PI) pour lancer l’optimisation des politiques ; le module de Déploiement (Rollout module, R) pour évaluer les politiques à l’aide d’un ou de plusieurs robots fonctionnant en parallèle ; et le module d’Évolution (Evolution module, E), dans lequel les agents de codage analysent les journaux, consultent la littérature et améliorent l’infrastructure d’entraînement et le code des algorithmes afin de résoudre les modes de défaillance.
L’installation « entièrement autonome d’un GPU par un robot » est la partie la plus frappante de la démonstration. Dans cet enregistrement d’une tâche de bricolage PC, un bras robotique sélectionne et transmet une carte graphique à un autre bras devant une carte mère, puis le second bras aligne soigneusement le slot PCIe de la carte graphique avec celui de la carte mère, l’abaisse lentement et l’enfonce en place. Parmi les autres projets AutoResearch confiés aux robots figurent le tri de broches délicates ainsi que l’attache et la coupe de serre-câbles.
Dans l’article de recherche associé, intitulé « ENPIRE: Agentic Robot Policy Self-Improvement in the Real World », sont présentées les comparaisons des résultats obtenus avec différents agents de codage, notamment Codex with GPT-5.5, Claude Code with Opus 4.7 et Kimi Code with Kimi K2.6. Les chercheurs ont également testé la taille de la flotte de robots, concluant que « huit robots explorant en parallèle accomplissent les tâches nettement plus rapidement qu’une flotte plus petite ».
La capacité des robots à apprendre par eux-mêmes à exécuter des tâches physiques sans programmation explicite ouvre la voie à une automatisation plus avancée. Cette technologie permet aux robots non seulement de répéter des mouvements programmés, mais aussi d’expérimenter de manière autonome, d’apprendre de leurs erreurs et d’améliorer leurs performances. L’approche ENPIRE démontre que les agents d’IA peuvent manipuler du matériel réel avec une précision auparavant réservée aux humains. Cette recherche est également liée à l’évolution des puces pour ordinateurs portables, de plus en plus puissantes en 2026, car des GPU plus avancés permettent à des agents d’IA comme Codex de réaliser des simulations et des entraînements plus complexes, accélérant ainsi le processus d’apprentissage des robots dans le monde réel.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
