Nvidia, 카네기멜론대학교, UC버클리 연구팀이 공개한 ENPIRE는 AI 코딩 에이전트가 로봇 훈련의 전 과정을 자동화하는 시스템이다. 사람이 초기에 안전 경계와 리셋 루틴을 설정하는 수준의 개입만 있으면, 이후 에이전트가 스스로 보상 함수를 작성하고, 논문을 읽어 가설을 세우고, 행동 복제나 강화학습 중 더 적합한 방법을 선택해 훈련 코드를 직접 수정한다.
에이전트가 만드는 평가 도구의 완성도가 인상적이다. 케이블 타이 잠금 태스크에서는 두 카메라 각도를 결합해 오탐을 줄이고 반응 시간을 150밀리초 이하로 맞췄다. 핀 삽입에서는 시각 정렬, 그리퍼 높이, 추정 힘 세 가지를 조합한 성공 판정 로직을 구성했다. 이 도구들은 한 번 만들면 수정 없이 재사용된다. 사람이 매 시도마다 결과를 평가하는 구조에서 벗어나는 것이 이 시스템의 핵심이다.
플릿 운영 방식도 독특하다. 8대의 YAM 듀얼암 로봇이 각자 다른 가설을 병렬로 테스트하고, 에이전트끼리는 Git으로만 결과를 공유한다. 한 스테이션에서 효과적인 훈련 레시피가 발견되면 전체 플릿으로 퍼진다. 이 구조 덕분에 Push-T 태스크 기준 에이전트 1개로는 완전 성공까지 약 5시간이 걸렸던 것이, 8개에서는 2시간으로 줄었다. 테스트한 코딩 에이전트는 Codex(GPT-5.5), Claude Code(Opus 4.7), Kimi Code(Kimi K2) 세 가지였으며, 대부분 태스크에서 Codex가 가장 좋은 성과를 냈다.
연구팀은 한계도 명확히 제시한다. 시뮬레이션에서 세 에이전트 모두 Push-T를 풀었지만 실환경에서는 둘이 실패했다. 로봇 동역학, 마찰, 물체 움직임이라는 예측 불가한 조건이 여전히 벽이다. 플릿 규모가 커질수록 에이전트들이 서로 결과를 요약하는 데 더 많은 시간을 쓰면서 로봇당 활용률(MRU)이 낮아진다. 토큰 비용 역시 성능 향상 속도보다 빠르게 늘어난다. 그러나 핀 삽입 경험이 GPU-마더보드 조립으로 전이됐다는 결과는, 이 파이프라인이 단일 태스크 최적화가 아닌 기술 누적 구조로 발전할 가능성을 보여준다.