Nvidia heeft een nieuwe stap gezet in de ontwikkeling van zogenoemde fysieke AI. Het bedrijf toont robots die zichzelf leren hoe zij precieze handelingen in de echte wereld moeten uitvoeren. In een demonstratie is te zien hoe robotarmen onder meer een grafische kaart in een moederbord plaatsen, metalen pinnetjes sorteren en tie-wraps hanteren en doorknippen.
Volgens de website Tom’s Hardware gaat het om ENPIRE, een onderzoeksproject waarmee Nvidia laat zien hoe AI-agenten niet alleen digitale taken kunnen uitvoeren, maar ook kunnen leren in een fysieke omgeving. Dat maakt de demonstratie interessant voor iedereen die zich bezighoudt met robotica, industriële automatisering en de toekomst van assemblagewerk.
Het meest in het oog springende voorbeeld is de robot die een gpu in een moederbord installeert. Dat klinkt misschien als een kleine handeling, maar in de praktijk vraagt dit behoorlijk veel precisie. De robot moet de grafische kaart oppakken, de juiste positie van de PCIe-sleuf herkennen, de kaart goed uitlijnen en vervolgens met voldoende maar niet te veel kracht in het slot drukken. Voor mensen is dat een bekende handeling. Voor een robot is het een combinatie van visuele waarneming, motorische controle, ruimtelijk inzicht en foutcorrectie.
Het bijzondere aan de demonstratie is niet alleen dat de robot de taak uitvoert, maar vooral hoe het systeem leert. Nvidia gaf acht Codex-agenten toegang tot een vloot robots, gpu-rekenkracht en een ruim tokenbudget. Daarna kregen de agenten de opdracht om een taak zo snel mogelijk en zonder fouten op te lossen. De robots gingen vervolgens aan de slag door zelf te oefenen, visuele aanwijzingen te zoeken, de situatie opnieuw in te stellen, fouten te analyseren en hun aanpak te verbeteren.
Jim Fan, Director of AI en Distinguished Scientist bij Nvidia, omschrijft dit als een vorm van “AutoResearch” in de fysieke wereld. Daarmee bedoelt hij dat AI-systemen niet alleen code schrijven of simulaties draaien, maar ook rechtstreeks experimenteren met hardware. Ze proberen iets uit, meten of het werkt, passen hun strategie aan en proberen het opnieuw. In plaats van dat een mens elke stap programmeert, krijgt de AI als het ware een interface met de fysieke wereld.
ENPIRE bestaat uit vier onderdelen. Het Environment-deel zorgt voor het automatisch resetten en verifiëren van de omgeving. Policy Improvement helpt bij het verbeteren van de robotstrategie. Rollout evalueert die strategie met één of meerdere fysieke robots. Evolution laat de coding agents vervolgens logs analyseren, literatuur raadplegen en verbeteringen aanbrengen in de trainingsinfrastructuur en algoritmes. Samen vormt dit een feedbacklus waarin de robots stap voor stap beter worden.
Daarmee past ENPIRE in een bredere ontwikkeling: de verschuiving van vooraf geprogrammeerde robots naar systemen die meer zelfstandig kunnen leren. In klassieke industriële automatisering wordt een robot vaak heel precies geprogrammeerd voor één specifieke handeling in een sterk gecontroleerde omgeving. Denk aan een lasrobot, pick-and-place-installatie of assemblagerobot in een productielijn. Dat werkt uitstekend zolang de omstandigheden voorspelbaar zijn. Zodra de taak varieert of de omgeving minder strak is ingericht, wordt het lastiger.
Nvidia probeert met ENPIRE te laten zien dat robots meer flexibiliteit kunnen krijgen. Een robot die leert door te proberen, kan in theorie sneller omgaan met variaties in objecten, posities of werkomstandigheden. Dat is vooral interessant voor taken die te complex of te wisselend zijn om volledig handmatig te programmeren, maar wel vaak genoeg voorkomen om automatisering aantrekkelijk te maken.
Tegelijkertijd is enige nuance nodig. Een grafische kaart plaatsen op een open tafel is nog iets anders dan een complete pc bouwen in een compacte behuizing, met kabels, koeling, schroeven, verschillende form factors en onderdelen die elkaar in de weg kunnen zitten. Ook in industriële omgevingen blijft de stap van demonstratie naar robuuste productie groot. Een robot die een taak één keer of enkele keren uitvoert, is niet automatisch klaar voor duizenden herhalingen per dag onder alle mogelijke omstandigheden.
De waarde van het onderzoek zit daarom vooral in de leerarchitectuur. Nvidia laat zien hoe AI-agenten kunnen worden ingezet om robotgedrag systematisch te verbeteren. Daarbij is vooral het parallel laten werken van meerdere robots belangrijk. Volgens de onderzoekers lossen acht robots die tegelijk experimenteren een taak duidelijk sneller op dan een kleiner aantal robots. Dat ligt voor de hand: meer robots betekent meer pogingen, meer data en sneller inzicht in wat wel en niet werkt.
Voor de maakindustrie is dit relevant omdat robotica al jaren zoekt naar manieren om flexibeler te worden. Veel fabrieken zijn uitstekend in grootschalige, herhaalbare productie. Maar kleinere series, snelle productwissels en maatwerk blijven moeilijker te automatiseren. Als robots zichzelf sneller nieuwe vaardigheden kunnen aanleren, kan dat op termijn helpen om automatisering ook buiten strak ingerichte massaproductielijnen aantrekkelijker te maken.
Voor Nvidia is dit bovendien strategisch interessant. Het bedrijf levert niet alleen de gpu’s waarop veel AI-modellen draaien, maar bouwt ook aan een breder ecosysteem rond fysieke AI, robotica en simulatie. ENPIRE past in dat verhaal. De grens tussen digitale AI en fysieke automatisering wordt steeds minder scherp. AI-agenten kunnen code schrijven, simulaties draaien, robotgedrag aanpassen en vervolgens in de echte wereld testen of die aanpassing werkt.
Daarmee komt ook een nieuwe vraag op tafel: hoe organiseer je straks robotonderzoek en robotontwikkeling? Als AI-agenten zelf experimenten kunnen uitvoeren, fouten kunnen analyseren en verbeteringen kunnen voorstellen, verandert de rol van onderzoekers en engineers. Zij hoeven dan minder tijd te besteden aan het handmatig uitproberen van kleine variaties en kunnen zich meer richten op het definiëren van doelen, randvoorwaarden, veiligheid en bruikbare toepassingen.
Nvidia suggereert dat het ENPIRE-project open source beschikbaar komt, zodat ook anderen met vergelijkbare zelflerende robotlabs kunnen experimenteren. Dat kan de ontwikkeling versnellen, omdat onderzoekers en bedrijven dan niet telkens vanaf nul hoeven te beginnen. Tegelijkertijd zal de praktische toepasbaarheid sterk afhangen van de kwaliteit van de robotica, de sensoren, de veiligheidsmaatregelen en de mate waarin de leeromgeving betrouwbaar kan worden ingericht.
De demonstratie met de gpu in het moederbord is dus vooral een signaal. Niet omdat pc-bouwers morgen massaal door zelflerende robotarmen worden vervangen, maar omdat de onderliggende aanpak laat zien waar robotica naartoe beweegt. Robots worden minder afhankelijk van vooraf vastgelegde instructies en krijgen meer mogelijkheden om door ervaring beter te worden.
Voor industriële automatisering kan dat op termijn grote gevolgen hebben. Niet alleen voor assemblage, maar ook voor inspectie, onderhoud, logistiek en laboratoriumwerk. Overal waar fysieke handelingen precisie, herhaling en aanpassingsvermogen vragen, kan deze vorm van AI-gestuurde robotica relevant worden. De komende jaren zullen moeten uitwijzen hoe snel dit soort technologie de stap maakt van indrukwekkende demo naar betrouwbare praktijkoplossing.