如果最近 AI 圈有一條新聞，能讓工程師一邊興奮、一邊心疼錢包，那一定就是這個。
英偉達又找到新的「燒 Token」方式了。
這次不是讓 AI 寫程式，也不是生成影片，而是——直接讓 AI 自己去做機器人研究。
沒錯，你沒看錯。
研究員下班回家，8 個 AI Agent 留在實驗室裡加班。
它們自己翻論文、自己改演算法、自己訓練模型、自己控制雙臂機器人做實驗，失敗了再自己分析原因、換一套方案重新開始。
等第二天研究員來公司，只需要打開報告，看昨晚 AI 又研究出了什麼。
這套系統，就是英偉達、CMU 與 Berkeley 最新推出的 ENPIRE。
一句話概括：
它不是讓 AI 控制機器人，而是讓 AI 當機器人研究員。
AI 開始替人熬夜做實驗了
很多人看到 ENPIRE，第一反應可能都是：
是不是又一個 AI 自動寫控制程式？
其實完全不是。
ENPIRE 的定位，更像是一個真正的博士生。
它需要先理解研究目標，再搜尋相關論文，提出新的研究假設，修改演算法，完成策略訓練，把模型部署到真實機器人，再分析結果，最後決定下一步該怎麼優化。
整個流程，就跟一位研究員每天在實驗室做的事情幾乎一樣。
最大的不同只有一個：
它不用睡覺。
真正難的，不是 AI，而是真實世界
很多 AI Agent 在程式世界裡表現很好。
程式寫錯？
重新跑一次。
模型崩了？
Ctrl+C、Ctrl+V 再來。
但現實世界不是這樣。
機器人做錯一次，桌上的東西可能全倒了。
積木歪了、GPU 插歪了、零件飛了、機械臂卡住了……
下一輪實驗之前，都得有人重新整理現場。
這也是為什麼，過去很多機器人研究根本沒辦法做到 24 小時連續運作。
ENPIRE 解決的，就是這個問題。
它打造了一套可以讓真實世界「自動 Reset」的系統。
換句話說，它替機器人世界做了一個現實版的：
env.reset()
聽起來只是四個字，但背後其實是一整套自動復位、自動評分、安全控制與實驗管理系統。
有了這套底層能力，AI Agent 才真正可以不斷重複做研究。
一晚上，把成功率從 0% 拉到 99%
最誇張的案例，是 Pin Insertion。
簡單說，就是讓機器人把一根細針，插進只有 4mm 的孔洞。
人做都不一定一次成功，更別說機器人。
結果 ENPIRE 從幾乎完全不會開始，只花了約 3 個小時，就把成功率一路拉到 99%。
而且整個過程，沒有研究員在旁邊提示。
AI 自己一路試錯。
先用 Behavior Cloning。
效果普通。
那就加入 Reinforcement Learning。
成功率開始提升。
接著增加正則化。
再調整 Batch Size。
最後補償控制器延遲。
一路優化下來，成功率幾乎貼近滿分。
如果把這段研究紀錄遮住作者名字，你甚至很難分辨，到底是一位博士生做的，還是一個 AI Agent 做的。
最有趣的是，它開始「自己換腦袋」
另一個讓不少研究員驚訝的案例，是 Zip-tie 任務。
原本 AI 想用端到端模型一次搞定。
結果怎麼試都不理想。
如果換成人，也許還會繼續死磕。
但 Agent 沒有。
它自己發現：
這個任務流程太長了。
找剪刀、拿剪刀、找到束帶、對準位置、完成剪切……
全部交給一個模型，效率太差。
於是它自己改變策略。
先交給 VLA 模型完成粗定位，再透過工具 API 完成精細操作。
等於 AI 自己完成了一次系統架構重構。
看到這裡，真的有種：
「它不是在跑流程，它是在思考。」
真正燒錢的，其實不是機器人
很多網友看到 Jim Fan 發文後，都忍不住留言：
高情商叫自主研究。
低情商就是徹夜燒 Token。
這句話其實沒說錯。
ENPIRE 最大的成本，不一定是機器人。
而是 Token。
因為每個 Agent 不只是做自己的研究。
還要閱讀其他 Agent 的程式碼。
理解別人的發現。
整理知識。
同步最佳方案。
最後再決定下一輪怎麼改。
也就是說，Agent 越多，不只是 GPU 用得更多。
Token 消耗還會呈現更快的增長。
英偉達甚至在論文裡新增兩個指標：
一個衡量機器人利用率。
另一個直接統計每分鐘燒掉多少 Token。
AI 公司看了很興奮。
財務部門看了可能直接沉默。
機器人，也開始走上大模型走過的路
其實，如果把時間拉長來看，ENPIRE 更像是拼上了最後一塊拼圖。
今年 Jim Fan 提出一個很有意思的概念：
The Great Parallel（大平行）。
他認為，大語言模型怎麼進化，未來的機器人，也會怎麼進化。
從預訓練、對齊、強化學習，到最後的自主研究。
前三步，英偉達幾乎都已經布局完成。
而 ENPIRE，補上的正是最後一步。
AI 不只是完成任務。
開始自己提出問題。
自己設計實驗。
自己累積經驗。
甚至把研究心得整理成「研究筆記」，直接遷移到下一個任務。
這跟人類研究室裡「學長帶學弟」幾乎沒有差別。
AI 真正開始進入物理世界
如果說 ChatGPT 改變的是資訊世界。
那 ENPIRE 更像是在告訴大家：
AI 正在開始改變物理世界。
以前，Autoresearch 只能存在程式裡。
現在，它第一次真正走進了機器人。
英偉達甚至表示，未來 ENPIRE 將全面開源。
理論上，每個人都能打造自己的 AI 機器人研究實驗室。
當然，有一個小前提。
你得先準備：
8 台雙臂機器人。
幾張英偉達 GPU。
以及……
一筆夠 AI 通宵「燒 Token」的預算。
看完之後，我最大的感受只有一句話：
以前大家都在討論 AI 會不會取代工程師。
現在看起來，更值得思考的是——
下一批熬夜寫論文的，可能已經不是人了。
FAQ
1、ENPIRE 和一般 AI Agent 最大的差別是什麼？
一般 AI Agent 多半只在數位世界工作，例如寫程式、分析資料或生成內容；ENPIRE 則首次把 AI Agent 帶進真實機器人實驗室，讓它能自主完成讀論文、設計實驗、部署策略、分析結果，再持續迭代，真正具備「自主研究」能力。
2、ENPIRE 為什麼被認為是具身智慧的重要突破？
因為它解決了真實世界無法像模擬器一樣快速重置的問題。透過自動復位、自動評分與安全控制機制，AI Agent 可以像在軟體環境一樣，不斷重複進行實驗，讓具身智慧首次擁有持續自我進化的能力。
3、ENPIRE 未來會帶來哪些影響？
隨著 AI Agent 能夠自主研究，未來機器人演算法的研發速度有望大幅提升。從工業製造、物流、自動化，到家庭服務機器人，都可能因此加速發展。不過，同時也意味著算力、GPU 與 Token 的需求將持續增加，未來「AI 研究 AI」或許會成為新的研發模式。