8体のAIエージェントでロボットタスク成功率99%達成、現実世界では3体中2体が失敗
NVIDIA、CMU、UC BerkeleyによるENPIREシステムは、各双腕ロボットステーションに専用のコーディングエージェントを組み合わせている。このエージェントは報酬関数を記述し、論文を読み、成功したトレーニングレシピをGit経由で共有する。これにより、Push-Tのトレーニング時間は5時間（エージェント1体）から2時間（エージェント8体）に、ピン挿入は90分から40分に短縮され、タスク成功率は最大99%に達した。しかし、根本的な限界は変わっていない。テストされた3体のエージェント（Codex/GPT-5.5、Claude Code/Opus 4.7、Kimi Code/Kimi K2.6）はすべてシミュレーション内でタスクを解決したものの、現実環境では3体中2体が失敗しており、sim-to-real転移が自律型ロボット学習における最大の障壁となっている。
出典： the-decoder.com ↗
Push-Tテストでは、3つのエージェントすべてがシミュレーションでタスクを解決したが、3つのうち2つは実環境では失敗した。
Nvidia/CMU/UC Berkeleyの研究者
なぜ重要か
- → ロボットはAIエージェントを介して、人間の常時介入なしに自己改善が可能になり、訓練時間を劇的に短縮する。
- → Sim-to-realギャップは未解決のままだ。3つのエージェントのうち2つは、シミュレーションでは成功したにもかかわらず、物理世界では失敗した。
- → Gitを介したフリート連携は、複数のロボット間での知識共有を可能にし、学習の成果を複利的に増大させる。
シミュレーションの究極の限界