ASPIRE v1.0 a été officiellement publié en open source le 16 octobre 2026 : Linxi « Jim » Fan, qui dirige le laboratoire GEAR de NVIDIA, a annoncé ce jour-là que le code de ce cadre d'agents robotiques était disponible dans le dépôt NVlabs des laboratoires NVIDIA sur GitHub, sous licence Apache 2.0. ASPIRE prend un chemin très différent de l'apprentissage robotique classique : au lieu d'entraîner un nouveau réseau de politique, il fait écrire le code de contrôle du robot directement par un grand modèle de langage, puis lui fait lire les journaux, corriger le code et réessayer jusqu'à ce que la tâche réussisse.
Les compétences sont stockées sous forme de code, pas gravées dans des poids
Les systèmes robotiques classiques ont une vieille habitude : la correction trouvée pendant une tâche est jetée quand la tâche se termine, et la suivante repart de zéro. ASPIRE conserve la correction. Il entretient une bibliothèque de compétences qui grandit en continu et transforme les réparations validées — astuces de localisation, invites de perception, procédures de débogage — en entrées réutilisables qu'une tâche ultérieure peut invoquer directement.
Les démonstrations sur robot réel de la page du projet montrent le chemin parcouru : un bras robotique piloté par GPT-6 Astra apprend en ligne à résoudre un Rubik's Cube en révisant sans cesse son propre programme de contrôle ; dans une autre démo, des compétences apprises en simulation sont transférées à un robot physique qui range une table. Dans cette mise à jour d'octobre, l'équipe du projet rapporte qu'ASPIRE a atteint 99 % de réussite sur 80 tâches de manipulation de LIBERO-Pro. Précision nécessaire : c'est le score du projet sur son propre banc d'essai, pas encore reproduit de façon indépendante — utile pour juger la direction, pas comme étalon du secteur.
Trois pièces : un moteur d'exécution, une bibliothèque de compétences, une recherche évolutionnaire
ASPIRE peut réparer son propre code parce que trois composants travaillent ensemble. D'abord, un moteur d'exécution en boucle fermée : chaque appel de perception, de planification, de préhension et de contrôle du robot laisse une trace multimodale assortie de preuves visuelles, si bien que l'agent peut identifier exactement l'étape qui a échoué au lieu de recevoir un simple « échec ». Ensuite, la bibliothèque de compétences, qui stocke les corrections validées pour que les tâches suivantes les retrouvent. Enfin, une recherche évolutionnaire : le système génère plusieurs programmes candidats en parallèle et croise leurs journaux d'échec, au lieu de s'obstiner dans une mauvaise direction.
La combinaison avait déjà produit des gains dans les tests de la version article : le projet rapporte que, sur les tests de perturbation de LIBERO-Pro, il a dépassé la meilleure base de comparaison de jusqu'à 77 points, avec des avantages nets également sur la tâche de transfert à deux bras de Robosuite et les longues tâches domestiques de BEHAVIOR-1K. Les compétences se transfèrent aussi d'un corps à l'autre : l'expérience accumulée en simulation a servi de guide de programmation à un autre robot physique, réduisant fortement les jetons de raisonnement nécessaires au débogage. C'est le même courant qui transforme les modèles de fondation robotiques en services hébergés (voir Pi API en test public) : le rôle du modèle glisse du contrôle direct de la machine vers sa programmation et l'accumulation de son expérience.
Les limites figurent aussi sur la page du projet
L'équipe d'ASPIRE ne cache pas les réserves ; la page du projet leur consacre une section. Premièrement, ce n'est pas encore un apprenant du monde réel entièrement autonome : le déploiement réel exige toujours une détection fiable du succès, des réinitialisations sûres, une surveillance de sécurité et un étalonnage. Deuxièmement, il dépend d'un grand modèle de pointe figé, et rien ne prouve que des modèles plus petits puissent soutenir la même boucle de débogage — une grande part du bilan revient donc au grand modèle derrière. Troisièmement, il ne peut agir qu'à l'intérieur d'un ensemble prédéfini de primitives de perception et de contrôle : c'est sûr, mais cela limite les comportements exprimables. Quatrièmement, la gestion à long terme de la bibliothèque de compétences n'est pas résolue : à mesure que les entrées s'accumulent, certaines deviendront obsolètes, redondantes, voire trompeuses pour de nouvelles tâches ; et les cycles répétés de débogage et de recherche évolutionnaire sont eux-mêmes très gourmands en calcul.
La valeur d'ASPIRE v1.0 n'est donc pas que les robots apprennent désormais tout par eux-mêmes. Elle tient à ce qu'un paradigme d'ingénierie complet a été mis en open source : laisser un agent écrire le code qui commande le robot, et stocker l'expérience sous forme de code que l'on peut conserver et transmettre. Pour les équipes de robotique, cela vaut plus de temps qu'une quelconque vidéo de démonstration — un paradigme se réutilise, une démo non.
