何が起きたか
NvidiaのGEAR（Generalist Embodied Agent Research）ラボは、カーネギーメロン大学とカリフォルニア大学バークレー校との共同研究で、AIエージェント向けハーネス「ENPIRE」を発表しました。ロボットアーム群と潤沢な計算資源・トークン予算を与えられたAIコーディングエージェントが、自ら訓練手順を設計し、結束バンドのカットや薄いソケットへのGPU挿入といった精密作業を学習させたと報告されています。
ENPIREの構造
ENPIREは、AIモデルを取り囲む形で「ツール・記憶・文脈・制約・フィードバックループ」を提供する枠組みです。具体的には4つのモジュールで構成されます。
- タスクの自動リセットと結果検証
- ロボット制御ポリシーの改良
- 複数台の実機を並列で使った評価
- ログ解析・論文の読み込み・学習基盤やアルゴリズムコードそのものの改善による失敗対応
テストでは3種類のAIコーディングエージェントが互いに独立してアルゴリズムを考案し、現実の実験で検証し、成功率を上げた変更だけを保持する「自己駆動型サイクル」を反復しました。
なぜ重要か
これまでロボット学習は人間の研究者がボトルネックでした。Jim Fan氏が「朝に報告書を読むだけ」「全員が休暇でもJensen（Huang）は気づかない」と語ったように、ENPIREは研究プロセスそのものをエージェントに委ねる試みです。コード生成AIが「コードを書くAI」から「現実世界の実験を回すAI」へと役割を拡張しつつあることを示しています。
💼 事業会社視点：これは自社にどう効くか
役員視点での読み解き
日本の製造業・受託開発・SI企業にとって、ENPIREの含意は「現場作業の自動化コスト構造が崩れる可能性」です。GPU装着のような“熟練が必要だが定型化しづらい”組立工程は、これまで人手か高額な専用ロボティクスSIに依存してきました。AIエージェントが訓練設計まで担うなら、ロボットSIの価値は「装置を売る」から「ENPIRE型ハーネスを自社環境に適合させる」方向にシフトします。
受託SaaS・業務システムベンダーは、自社の検証・QA・運用パイプラインに同型の「自己改善ループ」を組み込めるかが分岐点です。経営者がいま判断すべきは、(1)社内に夜間自走可能な検証環境（実機・データ・予算枠）を用意するか、(2)Nvidiaのオープンソース公開を待って自社プロセスに移植する人員を確保するか、の2点。少なくとも「人間が朝レビューするだけで進む開発」を前提に、組織のレビュー体制と権限委譲を再設計する時期に入りました。
