该框架由8个AI代理协同控制双臂机器人集群，在物理环境中实现从文献检索到策略优化的全流程自动化，旨在解决现实世界实验难以重置与自动迭代的难题。
英伟达联合卡内基梅隆大学与伯克利分校共同推出了名为ENPIRE的具身智能自主研究框架。该系统核心在于利用8个AI编程代理（Coding Agent）分别操控一台双臂机器人，构建了一个能够独立执行科研任务的闭环系统。在这些代理的控制下，机器人集群能够在真实物理世界中自主完成阅读学术论文、修改算法模型、训练策略参数、部署实验操作、分析运行数据以及总结经验教训的全套流程。若实验结果未达预期，系统会自动调整思路并重新迭代，无需人类研究员实时干预或手动重置实验环境。
该框架在技术实现上突破了传统代码世界与物理世界的界限。ENPIRE并非直接生成控制脚本，而是产出可实际部署的机器人策略（Policy）。针对现实环境中物体位移、场景混乱导致实验中断的难题，系统设计了环境模块以自动复位场景，解决了物理实验缺乏类似代码中“重置”命令的核心痛点。在Pin Insertion（针插孔）任务测试中，系统从零开始，仅耗时3小时便将针头插入4毫米直径孔洞的成功率提升至99%。此外，在GPU插拔与扎带穿剪等涉及精密力控的任务中，系统实现了毫米级误差控制，并通过多摄像头视觉检测在150毫秒内完成任务成败判定。
系统架构包含环境模块、策略改进模块、部署测试模块及进化模块四大组件，支持行为克隆与强化学习等多种算法的混合试验，并利用Git机制实现多代理间的知识共享。在Ziptie Cutting（扎带剪切）任务中，系统能自主识别端到端训练的局限性并切换为“视觉定位+工具调用”的混合架构。实验数据显示，随着代理数量增加，研究效率显著提升：8个代理并行驱动8台机器人时，Pin Insertion任务达成目标成功率的时间从单机的1.5小时缩短至40分钟。同时，系统展现了经验迁移能力，可将前一任务的优化笔记直接应用于新任务提示词中，验证了物理世界“Scaling”的可行性。该项目由Jim Fan牵头，其表示实验室部分环节已实现夜间自主改进，研究人员仅需次日查看报告。