ASPIRE v1.0 wurde am 16. Oktober 2026 offiziell als Open Source veröffentlicht: Linxi „Jim“ Fan, Leiter von NVIDIAs GEAR Lab, gab an diesem Tag bekannt, dass der Code des Roboter-Agenten-Frameworks im NVlabs-Repository der NVIDIA Labs auf GitHub liegt, unter der Apache-2.0-Lizenz. ASPIRE geht einen anderen Weg als das übliche Roboterlernen — statt ein neues Policy-Netz zu trainieren, lässt es ein großes Sprachmodell den Steuerungscode des Roboters direkt schreiben, bei Fehlern die Protokolle lesen, den Code korrigieren und es erneut versuchen, bis die Aufgabe gelingt.
Fähigkeiten werden als Code gespeichert, nicht in Gewichte gebrannt
Klassische Robotersysteme haben eine alte Angewohnheit: Was sie sich während einer Aufgabe als Reparatur erarbeiten, wird am Ende weggeworfen, und die nächste Aufgabe beginnt bei null. ASPIRE behält die Reparatur. Es pflegt eine stetig wachsende Fähigkeitsbibliothek, die geprüfte Korrekturen — Lokalisierungstricks, Wahrnehmungs-Prompts, Debugging-Abläufe — als wiederverwendbare Einträge ablegt, die eine spätere Aufgabe direkt aufrufen kann.
Die Echtroboter-Demos auf der Projektseite zeigen, wie weit dieser Weg trägt: Ein von GPT-6 Astra angetriebener Roboterarm lernt online, einen Zauberwürfel zu lösen, und überarbeitet dabei wiederholt sein eigenes Steuerprogramm; in einer anderen Demo wandern in der Simulation gelernte Fähigkeiten auf einen physischen Roboter, der einen Tisch aufräumt. In diesem Oktober-Update berichtet das Projektteam, ASPIRE habe bei 80 Manipulationsaufgaben in LIBERO-Pro eine Erfolgsquote von 99 % erreicht. Der Hinweis gehört dazu: Das ist der Wert des Projekts auf seinem eigenen Benchmark, noch nicht unabhängig nachgemessen — gut, um die Richtung einzuschätzen, kein Branchenmaßstab.
Drei Bausteine: Ausführungs-Engine, Fähigkeitsbibliothek, evolutionäre Suche
Dass ASPIRE seinen Code selbst reparieren kann, liegt am Zusammenspiel dreier Teile. Erstens eine Ausführungs-Engine im geschlossenen Regelkreis: Jeder Wahrnehmungs-, Planungs-, Greif- und Steuerungsaufruf des Roboters hinterlässt eine multimodale Spur mit visuellem Beleg, sodass der Agent nachvollziehen kann, an welchem Schritt es genau scheiterte, statt nur ein „fehlgeschlagen“ zu erhalten. Zweitens die Fähigkeitsbibliothek, die geprüfte Korrekturen für spätere Aufgaben abrufbar speichert. Drittens eine evolutionäre Suche: Das System erzeugt mehrere Kandidatenprogramme parallel und gleicht ihre Fehlerprotokolle gegeneinander ab, statt sich in einer falschen Richtung zu verbeißen.
Die Kombination zeigte schon in den Tests der Paper-Version Wirkung: Das Projekt berichtet, in den Störungstests von LIBERO-Pro habe ASPIRE die stärkste Baseline um bis zu 77 Punkte übertroffen, mit deutlichen Vorteilen auch bei Robosuites beidhändiger Übergabeaufgabe und den langläufigen Haushaltsaufgaben von BEHAVIOR-1K. Fähigkeiten lassen sich zudem zwischen Körpern übertragen — in der Simulation gesammelte Erfahrung diente einem anderen physischen Roboter als Programmierhilfe und senkte die fürs Debugging nötigen Reasoning-Token erheblich. Das ist dieselbe Strömung, die Roboter-Grundmodelle zu gehosteten Diensten macht (siehe Pi API startet öffentliche Tests): Die Aufgabe des Modells verschiebt sich vom direkten Steuern der Maschine hin dazu, sie zu programmieren und Erfahrung für sie zu sammeln.
Auch die Grenzen stehen auf der Projektseite
Das ASPIRE-Team versteckt die Einschränkungen nicht; die Projektseite widmet ihnen einen eigenen Abschnitt. Erstens ist es noch kein vollständig autonomer Lerner in der realen Welt: Der echte Einsatz braucht weiterhin verlässliche Erfolgserkennung, sichere Resets, Sicherheitsüberwachung und Kalibrierung. Zweitens hängt es an einem eingefrorenen Frontier-Modell, und ob kleinere Modelle dieselbe Debugging-Schleife tragen können, ist nicht geprüft — ein großer Teil der Bilanz gehört also dem großen Modell dahinter. Drittens kann es sich nur innerhalb vordefinierter Wahrnehmungs- und Steuerungsprimitive bewegen; das ist sicher, begrenzt aber die ausdrückbaren Verhaltensweisen. Viertens ist die langfristige Verwaltung der Fähigkeitsbibliothek ungelöst: Mit mehr Einträgen werden manche veralten, doppelt vorliegen oder neue Aufgaben sogar in die Irre führen; und die wiederholte Fehlersuche samt evolutionärer Suche ist selbst sehr rechenhungrig.
Der Wert von ASPIRE v1.0 liegt also nicht darin, dass Roboter nun alles von allein lernen. Er liegt darin, dass ein vollständiges Engineering-Paradigma offengelegt wurde: Ein Agent schreibt den Code, der den Roboter steuert, und Erfahrung wird als Code gespeichert, der sich aufbewahren und weitergeben lässt. Für Roboterteams ist das mehr Zeit wert als jedes einzelne Demo-Video — ein Paradigma lässt sich wiederverwenden, ein Demo nicht.
