Import AI 463：自我改进机器人；一个10k中国GPU集群；以及一篇关于人类时代的挽歌式文章

NVIDIA研究人员开发了ENPIRE框架，旨在让物理机器人像AI智能体一样进行自主实验与执行循环。该框架包含四个核心模块：环境模块（EN）负责自动重置与验证，策略改进模块（PI）启动策略细化，回滚模块（R）评估策略，进化模块（E）中编码智能体分析日志、查阅文献并改进训练基础设施与算法代码。

ENPIRE的闭环系统将真实世界机器人学习转化为可控的优化过程，最小化人工努力，同时允许在不同训练配方和智能体变体间进行公平消融。关键要素是自动评估系统（无需人工判断即可评分每次试验结果）和自动重置系统（将场景恢复到初始状态）。然而，更复杂的任务可能仍需要人工评估与重置，因此系统能处理的任务复杂度受限于自动评估与重置的能力。

每个ENPIRE工作站配备两个YAM机械臂（固定双臂配置）、一组摄像头和一台运行FastAPI服务器、策略推理及智能体的工作站，每个工作站使用NVIDIA RTX 5090。

在简单任务上，ENPIRE表现出色：前沿编码智能体能够自主开发策略，在真实世界的灵巧操作任务（如PushT、将别针整理到针盒、使用切割器切割扎带）中达到99%的成功率。此外，还测试了将GPU插入主板的任务。

不同AI系统性能存在差异：GPT-5.5（在Codex中）和Opus 4.7（在Claude Code中）交替领先，而Kimi-2.6则落后。多智能体设置显示出规模收益，例如8个智能体比更少智能体更快达到更高分数，有时多智能体设置能达到比单智能体更高的绝对分数，可能因为探索了更多解空间。

尽管ENPIRE在简单任务上表现良好，但存在基础设施挑战。编码智能体在读取日志、编写代码、调试或等待语言模型骨干时，并未充分利用机器人资源。随着机器人数量增加，MRU（机器人资源利用率）下降，而GPU活跃利用率上升，表明系统无法自然并行化。

这一挑战提示，将AI智能体的自我改进循环扩展到大规模物理机器人舰队仍需解决资源调度与并行化问题。

腾讯发布了ARGUS系统，这是一个用于大规模训练工作负载的低开销、细粒度、始终在线的追踪与实时分析系统。ARGUS由三层软件组成：Python层（调度与数据准备）、框架层（阶段编排）和GPU运行时层（内核执行）。

腾讯在超过10,000个GPU的生产集群上部署ARGUS超过六个月，并通过五个真实案例研究证明了其实用性，诊断了计算掉队者、通信链路退化、流水线气泡放大、JIT编译阻塞以及被通信症状掩盖的计算掉队者等问题。

腾讯提及的训练任务包括一个4,096-GPU视频语言模型训练（可能是HunyuanVideo）、一个512-GPU音频模型训练，以及一个12,960-GPU的MoE训练（可能是Hunyuan LLM）。ARGUS的存在标志着大规模基础设施的复杂性。

犹他大学法学院副院长Matthew Tokson在一篇SSRN短文中指出，人类预测技术构建和使用方式的能力很差。历史上，专家们常常低估新创新的可能性及其对人类的影响，或对新技术的社会效应过于乐观。

例如，爱因斯坦、玻尔、奥本海默等专家在核裂变实现前几年对其可能性持怀疑态度；诺贝尔经济学奖得主保罗·克鲁格曼曾称互联网的影响不会超过传真机；技术专家曾认为互联网将促进民主而非加强威权；许多科学家曾拒绝或低估人为气候变化。

Tokson总结道，历史不支持对AI未来影响的自满。对AI可能带来巨大经济变革持怀疑态度的人，或认为AI影响普遍良好的人，都可能犯错。