Update Teknologi: Agen pengkodean AI mengajari robot cara memasang GPU dan memutuskan hubungan

Dalam perspektif digital digital, apa yang terjadi jika Anda memberi agen pengkodean AI sebuah laboratorium yang penuh dengan lengan robot, beberapa sumber daya komputasi, dan “anggaran token yang besar” untuk mengajari robot berbagai tugas? Para agen rupanya dapat menemukan program pelatihan yang mengajarkan robot untuk berhasil memotong tali pengikat dan bahkan memasukkan GPU ke dalam soket tipis pada motherboard. Selain itu, sekilas tentang bagaimana ai dapat bertindak dengan cara yang sepenuhnya otonom untuk mengotomatisasi pelatihan robot dimungkinkan oleh kerangka kerja agen yang baru—perangkat lunak yang mencakup model ai untuk memungkinkan mereka menggunakan berbagai alat sekaligus menyediakan kemampuan seperti memori, konteks, batasan, dan putaran umpan balik. Lebih lanjut, selain itu, memanfaatkan agen, yang disebut enpire, dikembangkan oleh peneliti robotika di lab nvidia gear (penelitian agen yang diwujudkan secara generalis) bersama kolaborator dari universitas carnegie melon di pittsburgh dan universitas california, berkeley

dari sudut pandang keamanan siber, hal ini memerlukan perhatian khusus dari para praktisi it. “Bagian dari lab NVIDIA GEAR kami kini berkembang tanpa kenal lelah dalam semalam,” tulis Jim Fan, direktur AI di NVIDIA, dalam postingan LinkedIn. Selain itu, “kami baru saja membaca laporan di pagi hari, fan juga dengan bercanda menggambarkan tujuan dari pelatihan robot yang diarahkan oleh ai, dengan mengatakan, “kita semua berlibur dan jensen bahkan tidak menyadarinya,” mengacu pada pendiri dan ceo nvidia jensen huang. Selain itu, bukan hanya peneliti robotika nvidia saja yang dapat mengambil manfaat—fan mengatakan bahwa tim tersebut akan melakukan segalanya secara open source sehingga siapa pun dapat menyelenggarakan “lab robot yang berjalan sendiri di rumah” Harness ENPIRE memiliki empat modul yang memungkinkan agen pengkodean AI melakukan reset otomatis dan verifikasi tugas, menyempurnakan kebijakan yang memandu perilaku robot, mengevaluasi kebijakan tersebut di beberapa robot fisik yang bekerja secara paralel, dan mengatasi kegagalan dengan menganalisis log, menyerap makalah penelitian, dan meningkatkan infrastruktur pelatihan dan kode algoritme. Selain itu, rincian teknis lebih lanjut tersedia di makalah penelitian yang diunggah pada 16 Juni 2026. Harness tersebut diuji dengan tiga agen pengkodean ai yang berbeda, termasuk codex openai dengan gpt-5. Selain itu, 5, kode claude anthropic dengan opus 4. Lebih lanjut, 7, dan kode kimi moonshot ai dengan kimi k2. Tim agen pengkodean secara independen mengembangkan pendekatan algoritmik yang berbeda untuk pelatihan robot, mengujinya dalam eksperimen dunia nyata, dan kemudian mempertahankan perubahan apa pun yang membantu meningkatkan tingkat keberhasilan keseluruhan melalui siklus pengujian mandiri yang berulang. Dilengkapi dengan ENPIRE, agen pengkodean AI mengembangkan strategi untuk peningkatan diri robot yang mencapai tingkat keberhasilan 99 persen di beberapa tugas manipulasi, termasuk tugas standar “Push-T” yang menantang robot untuk memindahkan blok berbentuk T agar sesuai dengan posisi target di atas meja. Selain itu, tugas lainnya termasuk mengatur pin dalam kotak pin, mengikat dan memotong ikatan zip, dan menempatkan GPU ke dalam motherboard sebelum mencabut kartu grafis lagi untuk mengatur ulang untuk percobaan berikutnya. Hasil yang paling menjanjikan mungkin datang dari tugas penyisipan pin dan pengorganisasian. Selain itu, dalam skenario pelatihan robot tersebut, agen pengkodean AI mencapai keberhasilan hampir 100 persen lebih cepat dibandingkan “metode frontier human-in-the-loop” yang dikembangkan oleh banyak peneliti manusia yang sama. Eksperimen tersebut juga menunjukkan bagaimana tim yang lebih besar yang terdiri dari hingga delapan agen pengkodean AI dapat mencapai tingkat keberhasilan yang tinggi dalam pelatihan robot dengan lebih cepat dibandingkan tim kecil yang terdiri dari empat agen atau agen tunggal yang bekerja sendiri. Selain itu, misalnya, tim yang terdiri dari delapan agen mencapai keberhasilan 99 persen pada tugas push-t dalam dua jam waktu penelitian, dibandingkan dengan tim yang terdiri dari empat agen yang membutuhkan waktu tiga jam dan tim agen tunggal yang memerlukan waktu hampir lima jam. Namun para peneliti manusia juga menemukan beberapa keterbatasan penting ketika menggunakan agen pengkodean AI sebagai pelatih robot otonom. Selain itu, robot sering kali diam dan tidak digunakan sementara agen pengkodean sedang sibuk “membaca log, menulis kode, melakukan debug, atau menunggu tulang punggung model bahasa. Lebih lanjut lagi, ” tim agen pengkodean yang lebih besar juga menghabiskan lebih banyak waktu untuk merangkum ide satu sama lain dan lebih sedikit waktu untuk benar-benar menggunakan robot, dan agen pengkodean terkadang gagal memanfaatkan sepenuhnya sumber daya komputasi yang tersedia saat meluncurkan sesi pelatihan paralel. Dari sudut pandang keamanan siber, hal ini memerlukan perhatian khusus dari para praktisi IT

Dalam konteks SEO dan pemasaran digital, strategi ini terbukti efektif meningkatkan visibilitas online.