Esplora i modelli e gli stili dietro storie come questa: account gratuito e galleria al volo.
Nvidia ha schierato team di agenti AI per la programmazione per dirigere autonomamente l'addestramento dei robot, insegnando alle macchine a eseguire operazioni su hardware fisico — tra cui l'installazione di GPU e il taglio di fascette — senza programmazione umana passo dopo passo.
Il sistema, riportato da Ars Technica, non è un singolo modello AI che impartisce comandi. È un team coordinato di agenti per la programmazione — ognuno responsabile di parti diverse del problema — che collettivamente scrivono e iterano sui programmi usati per addestrare i bracci robotici. Un agente potrebbe generare codice candidato per un movimento di presa; un altro valuta se il robot ha avuto successo; un terzo riscrive la routine sulla base dei dati di fallimento. Il ciclo continua finché il robot non supera una soglia di prestazione.
Quell'architettura è importante perché aggira uno dei problemi più difficili della robotica: la necessità di esperti umani che scrivano manualmente scenari di addestramento per ogni nuovo compito. Con gli agenti di programmazione che gestiscono l'iterazione, Nvidia può scalare il numero e la varietà dei compiti senza scalare proporzionalmente il proprio team di ingegneria umana.
La scelta dell'installazione di GPU come compito dimostrativo è stata deliberata. Inserire correttamente una scheda grafica richiede di applicare una pressione ferma e uniforme su un lungo connettore evitando danni ai componenti circostanti — un compito che richiede sia calibrazione della forza che precisione spaziale. Il taglio delle fascette aggiunge una sfida diversa: il robot deve individuare un bersaglio piccolo e flessibile e applicare la forza giusta per reciderlo senza scivolare. Nessuno dei due compiti è un'astrazione da laboratorio controllato. Entrambi si mappano direttamente sul lavoro reale di manutenzione dei data center, che è esattamente dove risiede l'interesse commerciale di Nvidia.
Per i creator che lavorano con la generazione di immagini e video tramite AI, l'implicazione a valle è infrastrutturale. Gli stessi data center che eseguono i modelli di generazione di Charmloop e ogni altro servizio AI dipendente da GPU sono le strutture che Nvidia sta prendendo di mira con questa automazione. I robot in grado di installare e mantenere hardware GPU in modo affidabile su larga scala potrebbero ridurre il collo di bottiglia della manodopera nell'espansione della capacità di calcolo — che è attualmente uno dei vincoli principali sulla velocità con cui i provider possono aggiungere throughput di generazione e ridurre i costi.
Il pattern più ampio qui vale la pena di essere seguito. Gli agenti AI per la programmazione — la stessa categoria di strumenti che ha ridisegnato i flussi di lavoro dello sviluppo software — vengono ora applicati un livello più in basso, ai sistemi fisici su cui gira l'AI. Nvidia sta essenzialmente usando l'AI per costruire una migliore infrastruttura AI.
Questo è un caso d'uso diverso dai modelli di programmazione open source con cui i creator di AI art hanno sperimentato per automatizzare le proprie pipeline di generazione di immagini. Ma la logica sottostante è la stessa: lasciare che gli agenti gestiscano il lavoro iterativo e ricco di codice che gli esseri umani trovano tedioso e soggetto a errori. Nel caso di Nvidia, l'«output» è un robot addestrato piuttosto che un workflow ComfyUI personalizzato — ma il ciclo di iterazione guidato dagli agenti è strutturalmente identico.
I creator che usano strumenti basati sullo stack di Nvidia — che comprende la maggior parte delle principali piattaforme di generazione di immagini — sono a valle di questa ricerca che lo vogliano o no. Se il sistema funziona su larga scala, alimenta cicli di distribuzione hardware più rapidi, che a loro volta influenzano la velocità con cui i provider possono lanciare modelli di nuova generazione ed espandere la capacità senza i soliti ritardi legati alla carenza di GPU.
Nvidia non ha annunciato una tempistica di rilascio commerciale per il sistema. Ciò che esiste pubblicamente è la dimostrazione di ricerca, ma la storia dell'azienda di muoversi rapidamente dalla ricerca alla produzione — in particolare in tutto ciò che tocca il proprio ecosistema hardware — suggerisce che si tratta più di una voce di roadmap che di un esperimento lontano. Le decisioni sull'infrastruttura di calcolo che plasmano la qualità della generazione AI nel 2027 si stanno prendendo adesso.
