{"id":87059,"date":"2026-06-17T16:48:00","date_gmt":"2026-06-17T15:48:00","guid":{"rendered":"https:\/\/cms-articles.softonic.io\/it\/?p=87059"},"modified":"2026-06-17T16:52:48","modified_gmt":"2026-06-17T15:52:48","slug":"nvidia-presenta-enpire-i-robot-migliorano-quasi-da-soli","status":"publish","type":"post","link":"https:\/\/cms-articles.softonic.io\/it\/nvidia-presenta-enpire-i-robot-migliorano-quasi-da-soli\/","title":{"rendered":"Nvidia presenta ENPIRE: i robot migliorano quasi da soli"},"content":{"rendered":"

Per ora Nvidia ha presentato ENPIRE<\/strong>, un nuovo sistema sperimentale messo a punto con Carnegie Mellon University e University of California, Berkeley (UC Berkeley). L\u2019idea \u00e8 permettere agli agenti software<\/a> di migliorare quasi da soli nelle attivit\u00e0 di manipolazione, con il minimo possibile di intervento umano. Stando allo studio, ENPIRE ha portato una flotta di robot fino al 99% di successo in alcuni compiti complessi, e Nvidia ha gi\u00e0 detto di volerlo rilasciare come open source.<\/p>\n\n

Addestrare i robot nel mondo reale, oggi, resta un processo lento, costoso<\/strong> e pieno di lavoro manuale.<\/p>\n\n

ENPIRE punta in alto: provare a togliere di mezzo uno dei vincoli pi\u00f9 pesanti della robotica applicata, cio\u00e8 il bisogno continuo<\/strong> di persone che raccolgano dati, rimettano a posto gli oggetti dopo ogni errore e ritocchino gli algoritmi a mano a ogni iterazione.<\/p>\n\n

Nel paper si legge che la piattaforma ENPIRE ha portato una flotta di robot a toccare fino al 99%<\/strong> di successo in compiti complessi come Push-T, lo smistamento, l\u2019inserimento di perni e operazioni come il taglio o la chiusura di fascette.<\/p>\n\n

Sempre nello studio, sul caso specifico dell\u2019inserimento dei perni, ENPIRE avrebbe raggiunto il 100%<\/strong> di successo pi\u00f9 in fretta rispetto a un approccio simile basato su supervisione umana costante.<\/p>\n\n

Per adesso resta un progetto sperimentale, provato su hardware dedicato<\/strong>. Nvidia, per\u00f2, ha gi\u00e0 fatto sapere che vuole renderlo open source.<\/p>\n\n

Come funziona ENPIRE e perch\u00e9 conta<\/h3>\n\n

Il nome completo del progetto \u00e8 Embodied aNd Physical-world-aware agentIc Robot policy self-ImprovemEnt<\/em>. In concreto, l\u2019idea \u00e8 costruire un ciclo di addestramento autonomo direttamente sull\u2019hardware: il sistema rimette in ordine l\u2019area di lavoro, prova una strategia, controlla com\u2019\u00e8 andata e aggiorna la policy del robot per il tentativo successivo<\/strong>.<\/p>\n\n

Siamo lontani dai classici cicli di training che dipendono da una supervisione continua<\/strong>. Qui il punto \u00e8 un altro: migliorare le capacit\u00e0 di manipolazione trasformando l\u2019addestramento in una routine quasi continua.<\/p>\n\n

Per chi lavora in questo settore, \u00e8 un passaggio che pesa parecchio. Riduce uno dei costi pi\u00f9 alti della robotica nel mondo reale<\/strong>.<\/p>\n\n

Valutazioni automatiche e funzioni di ricompensa create dal sistema<\/h3>\n\n

Il progetto si divide in due fasi. Nella prima, l\u2019agente definisce i limiti di sicurezza, prepara i reset automatici e imposta i controlli necessari per capire se un compito \u00e8 stato portato a termine nel modo corretto.<\/p>\n\n

C\u2019\u00e8 anche un altro pezzo, e non \u00e8 secondario: l\u2019agente genera da solo la propria funzione di ricompensa<\/strong> partendo da pochi minuti di video con esempi di esiti positivi e negativi.<\/p>\n\n

Nel caso dell\u2019inserimento di un perno, per esempio, la verifica del successo pu\u00f2 basarsi sull\u2019allineamento visivo, sull\u2019altezza della pinza e sulla stima della forza applicata.<\/p>\n\n

Per le fascette, invece, la valutazione usa due angolazioni di ripresa e, secondo i ricercatori, reagisce in meno di 150 millisecondi<\/strong>.<\/p>\n\n

Colpisce anche questo meccanismo di generazione automatica della funzione di ricompensa, perch\u00e9 permette di costruire il criterio di valutazione senza doverlo riscrivere a mano<\/strong> ogni volta che cambia il compito.<\/p>\n\n

La seconda fase: legge i paper, formula ipotesi e modifica il codice<\/h3>\n\n

Nella fase successiva, sempre secondo lo studio, il sistema si muove in modo molto pi\u00f9 autonomo. ENPIRE legge articoli scientifici<\/strong>, formula ipotesi, modifica direttamente il codice di addestramento e decide di volta in volta quale metodo usare, per esempio clonazione comportamentale o apprendimento per rinforzo, in base ai segnali di successo che osserva nel mondo fisico.<\/p>\n\n

\u00c8 qui che ENPIRE si fa notare davvero. Non si ferma all\u2019esecuzione di istruzioni gi\u00e0 fissate: prova a capire come migliorare la strategia<\/strong>, poi la mette in pratica da solo.<\/p>\n\n

Se si guarda alla parte pi\u00f9 concreta, \u00e8 questo il passaggio che separa il progetto da un semplice sistema automatico di esecuzione<\/strong>.<\/p>\n\n

Otto stazioni robotiche che si passano i progressi via Git<\/a><\/h3>\n\n

Nvidia ha testato ENPIRE su una flotta di otto<\/strong> stazioni YAM a doppio braccio. Ogni stazione aveva il proprio computer e il proprio agente di programmazione.<\/p>\n\n

Le varie unit\u00e0 potevano provare idee diverse in parallelo e poi condividere, tramite Git<\/strong>, le procedure di addestramento che producevano i risultati migliori.<\/p>\n\n

Cos\u00ec un miglioramento trovato da una singola stazione pu\u00f2 essere esteso rapidamente all\u2019intera flotta, facendo accelerare il processo in modo sensibile<\/strong>.<\/p>\n\n

Se una configurazione funziona, non resta chiusa dentro un solo robot. Passa agli altri molto pi\u00f9 in fretta<\/strong>.<\/p>\n\n

Il contesto Nvidia e le domande ancora aperte<\/h3>\n\n

ENPIRE si inserisce nella strategia pi\u00f9 ampia di Nvidia nel campo della robotica, accanto a iniziative come Project GR00T, Jetson Thor e la piattaforma umanoide Isaac GR00T.<\/p>\n\n

Le somiglianze con il progetto Eureka<\/a> di Nvidia si vedono subito, ma ENPIRE sembra spingersi ancora pi\u00f9 in l\u00e0.<\/p>\n\n

Il progetto riprende infatti anche quel lavoro precedente, in cui un modello generativo produceva programmi di ricompensa per l\u2019addestramento dei robot, ottenendo risultati migliori di quelli scritti da esseri umani in oltre l\u201980%<\/strong> dei compiti testati e con miglioramenti superiori al 50%, almeno secondo quanto riportato da Nvidia.<\/p>\n\n

Nvidia ha anche annunciato l\u2019intenzione di rendere ENPIRE open source<\/strong>.<\/p>\n\n

Restano per\u00f2 diverse domande aperte, e vale la pena affrontarle sul serio: sicurezza, affidabilit\u00e0, impatto sul lavoro umano e implicazioni di sistemi capaci di scrivere ed eseguire codice da soli nel mondo fisico<\/strong>.<\/p>\n\n

Per ora il segnale pi\u00f9 netto \u00e8 questo: la corsa verso robot sempre pi\u00f9 autonomi sta accelerando.<\/p>","protected":false},"excerpt":{"rendered":"

Per ora Nvidia ha presentato ENPIRE, un nuovo sistema sperimentale messo a punto con Carnegie Mellon University e University of California, Berkeley (UC Berkeley). L\u2019idea \u00e8 permettere agli agenti software di migliorare quasi da soli nelle attivit\u00e0 di manipolazione, con il minimo possibile di intervento umano. Stando allo studio, ENPIRE ha portato una flotta di … Continue reading “Nvidia presenta ENPIRE: i robot migliorano quasi da soli”<\/span><\/a><\/p>\n","protected":false},"author":9332,"featured_media":87058,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":"","wpcf-pageviews":0},"categories":[2474],"tags":[],"usertag":[],"vertical":[],"content-category":[2675],"class_list":["post-87059","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-news","content-category-ia"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/posts\/87059","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/users\/9332"}],"replies":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/comments?post=87059"}],"version-history":[{"count":1,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/posts\/87059\/revisions"}],"predecessor-version":[{"id":87060,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/posts\/87059\/revisions\/87060"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/media\/87058"}],"wp:attachment":[{"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/media?parent=87059"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/categories?post=87059"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/tags?post=87059"},{"taxonomy":"usertag","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/usertag?post=87059"},{"taxonomy":"vertical","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/vertical?post=87059"},{"taxonomy":"content-category","embeddable":true,"href":"https:\/\/cms-articles.softonic.io\/it\/wp-json\/wp\/v2\/content-category?post=87059"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}