英伟达开源机器人框架 ASPIRE：换上 GPT 6 后，LIBERO Pro 成功率冲到 99%

英伟达把机器人智能体框架 ASPIRE 的 V1.0 版本开源了。它机器人得以自行编编写程序、执行任务、复盘失误、改写代码，并把验证有效的做法沉淀进技能库。英伟达机器人负责人 Jim Fan 把底层模型升级带来的变化，形容为机器人领域的一场“从 0 到 1 的海啸”。

ASPIRE 的英文英文名很长，拆开看是“智能体技能编程”加“迭代式机器人探索”，中文可理解为“通过迭代式机器人探索来编写技能”，名字很长，逻辑并不复杂：机器人被视作一个既能跑代码、也能查代码的智能体。机器人编程向来麻烦，摄像头要先认出目标，系统再算抓取点、挑机械臂、规划路径、绕开障碍，夹爪何时闭合、用多大力气都都会左右成败。任何一环出问题，结果都是同一个画面：机械臂伸过去，杯子掉了。

过去遇到这种情况，工程师得翻记录、调参数、改代码，再让机器重新跑。ASPIRE 把这套流程交给编程智能体。机器人执行任务时系统会记录一条完整的多模态轨迹，识别结果、候选抓点、运动路径与碰撞反馈都在其中。任务失败后，智能体沿轨迹倒着排查：目标有没有认对，抓取位置是不是偏了，机械臂够不够得着，运动规划器有没有给出可行路线。定位问题之后修改控制程序，再让机器人重新执行，改对了保留，失败了继续调。

系统也会并行尝试多条路子。以机械臂反复抓不起地面罐子为例，它系统会试着换一只手、调整机身与目标的距离、换成更复杂的规划器，或换个方向靠近。经过多轮执行与筛选，只有真正奏效的方案才能进入下一轮。

这一步恰恰是框架最值钱的地方。ASPIRE 会把验证成功的经验整理成技能，存入不断长大的技能库。再碰到类似场景，智能体可以直接检索已有技能，再参照当前任务写出控制程序。官网展示的技能库包含 90 多项技能，任务数量超过 150 个，分成 18 类，抓取、导航、找物、感知定位、双手协作和失败恢复都在其中。

技能库越厚，机器人遇到新任务时的发挥也会水涨船高。在 LIBERO Pro Long 的未见任务里，ASPIRE 凭借此前攒下的技能取得 31% 的零样本成功率，旧方法得在测试时不断推理、反复重试，成功率仅 4%。这意味着机器人积累的本领，正从“一个任务配一段程序”转向能在任务之间复用的操作知识。团队还把把模拟环境里找到的技能迁移到真机，即使更换机器人形态和接口，智能体完成首次成功调试所需的词元减少，最终程序在没见过的测试里成功率也更高。

模型升级带来的跃迁更直观。GPT 6 Astra 发布发布当天，团队就给 ASPIRE 换了掉底层模型，只过了一夜，多个基准就被刷到接近满分：LIBERO Pro 的 80 项任务里，成功率做到 99%；Robosuite 的七项代表性任务与 BEHAVIOR 1K 的 2 项代表性任务全部做到 100%。Jim Fan 给出的测试结果还显示，至于 Claude Opus 5.5，它在模拟基准上的表现已稍稍压过 Astra，Sonnet 5.5 则卡在成本与能力的平衡点上，单任务成本约 12 美元。项目早期，后端用的是 Claude Opus 4.6，Astra 发布后团队直接更换模型，任务成功率随即跳了一截，整套系统几乎没做大改。换上一颗更强的“大脑”后，原有的感知工具、控制接口以及执行反馈技能库还能接着用。这使 ASPIRE 愈发接近一套机器人版的智能体运行框架：上层观察环境、调用工具、执行代码并积累经验，底层的推理模型会跟着前沿能力一起往前换。

Jim Fan 把这种现象称为“物理世界的苦涩教训”。大模型在数字世界里练出的推理、写代码和调用工具的本事，正通过 ASPIRE 这类框架向物理世界迁移。工程师搭好感知和控制接口，智能体进入环境反复执行、修错、攒技能，底层模型每次换代，整套系统都可能再上一个台阶。代码、实验配置和技能已经以 Apache 2.0 许可证开源，机器人开发的门槛因此又低了一截。

文章与图片内容转载网络，如有侵权请联系平台删除