Künstliche Intelligenz: Nvidia-KI trainiert Roboter autonom im Labor
Roboterforscher des Nvidia Gear Labs haben in Zusammenarbeit mit der Carnegie Mellon University und der University of California, Berkeley, ein neues Agenten-Harness-Framework namens Enpire(öffnet im neuen Fenster) entwickelt. Wie Ars Technica berichtet(öffnet im neuen Fenster), bettet die Software KI-Modelle ein, um ihnen die Nutzung von Werkzeugen, Speichern, Kontexten und Feedbackschleifen zu ermöglichen. Damit trainieren KI-Codierungsagenten Roboter in einem Labor vollkommen autonom für verschiedene Aufgaben wie das Schneiden von Kabelbindern oder das Einsetzen von Grafikkarten in Motherboards.
Jim Fan, Direktor für KI bei Nvidia, gab via Linkedin(öffnet im neuen Fenster) bekannt, dass ein Teil des Labors nachts eigenständig arbeite und das Team morgens nur noch die Berichte lese. Um eine breite Anwendung zu ermöglichen, soll das gesamte System als Open Source zur Verfügung gestellt werden.
Das Enpire-Framework besteht aus vier Modulen. Diese ermöglichen automatische Resets sowie Verifizierungen von Aufgaben, verfeinern Richtlinien für das Roboterverhalten, evaluieren diese Richtlinien auf parallelen Robotern und analysieren Fehler über Protokolle sowie Forschungsarbeiten.
Effizienzsteigerung durch größere Agententeams
Die Forscher testeten das System mit drei KI-Codierungsagenten: OpenAIs Codex mit GPT-5.5, Anthropics Claude Code mit Opus 4.7 und Moonshot AIs Kimi Code mit Kimi K2.6. Diese Agenten entwickelten unabhängig voneinander Algorithmen für die Roboterschulung und behielten erfolgreiche Änderungen über wiederholte Testzyklen bei. Bei der Platzierung von T-Blöcken (Push-T-Task) erreichten die Strategien eine Erfolgsquote von 99 Prozent. Bei einer Aufgabe zur Organisation von Stiften in einer Box erzielten die KI-Agenten eine Erfolgsquote von fast 100 Prozent und waren damit schneller als eine moderne Human-in-the-Loop-Methode, die von denselben Forschern entwickelt worden war.
Zudem zeigte sich, dass größere Teams aus bis zu acht Agenten die Aufgaben schneller lösten. Ein Team aus acht Agenten benötigte für die Push-T-Aufgabe zwei Stunden Forschungszeit, während vier Agenten drei Stunden und ein einzelner Agent fast fünf Stunden brauchten.
Grenzen beim autonomen Robotertraining
Die Untersuchung deckte jedoch auch deutliche Einschränkungen auf. Während die Codierungsagenten Protokolle lasen, Code schrieben, Fehler suchten oder auf Antworten des Sprachmodells warteten, standen die Roboter oft ungenutzt still. Größere Teams verbrachten zudem mehr Zeit mit der Zusammenfassung gegenseitiger Ideen als mit der eigentlichen Roboternutzung. Auch die verfügbaren Rechenressourcen für parallele Trainingssitzungen wurden teilweise nicht vollständig ausgeschöpft. Zudem stieg mit der Anzahl der Agenten der Token-Verbrauch drastisch an.
Parallel dazu treibt Nvidia seine Robotik-Initiativen weiter voran. Ende Mai vereinbarte das Unternehmen eine Kooperation mit der chinesischen Robotikfirma Unitree für einen Humanoid-Referenzroboter. Anfang Juni folgten Gespräche zwischen Nvidia-CEO Jensen Huang und Hyundai-Chef Chung Euisun über die Skalierung der Massenproduktion von KI-Robotern. Hyundai besitzt das US-Unternehmen Boston Dynamics.
- Anzeige Hier geht es zu Künstliche Intelligenz: Wissensverarbeitung bei Amazon Wenn Sie auf diesen Link klicken und darüber einkaufen, erhält Golem eine kleine Provision. Dies ändert nichts am Preis der Artikel.