ASPIRE v1.0 已在 2026 年 10 月 16 日正式开源：英伟达 GEAR 实验室负责人林希·范（Jim Fan）当天宣布，这套机器人智能体框架的代码已放进英伟达实验室在 GitHub 上的 NVlabs 仓库，按 Apache 2.0 许可证开放。ASPIRE 的做法和主流机器人学习很不一样——它不训练一个新策略网络，而是让大模型直接给机器人写控制代码，写错了就看日志、改代码、再试，直到修好为止。
技能不存进权重，存成一段段代码
传统机器人系统有个老毛病：一次任务里摸索出来的修复办法，任务结束就丢了，下次从零开始。ASPIRE 把修好的办法留了下来。它维护一个持续扩大的技能库，把经过验证的修复——定位技巧、感知提示、调试流程——都沉淀成可复用的条目，下一个任务可以直接调用。
项目页展示的真机演示能说明这条路线走到了哪一步：一台机械臂在 GPT-6 Astra 的驱动下在线学习拧魔方，边试边改自己的控制程序；另一段演示里，仿真中学到的技能被迁移到真机上完成桌面清理。十月这次更新中，项目方报告 ASPIRE 在 LIBERO-Pro 的 80 项操作任务上达到 99% 成功率。需要提醒的是，这是项目方在自家基准上的成绩，还没有经过独立复测，适合看方向，不适合当行业标尺。
三件套：执行引擎、技能库、进化搜索
ASPIRE 能自己改代码，靠的是三个部件配合。第一是闭环执行引擎：机器人每一次感知、规划、抓取和控制调用，都会留下带视觉证据的多模态轨迹，智能体可以顺着这些记录定位到底哪一步出了错，而不是只收到一句“失败了”。第二是技能库，负责把验证过的修复存下来、供后续任务检索。第三是进化搜索：系统会并行生成多套候选程序，拿各自的失败记录互相参照，避免在一个错误方向上反复打转。
这套组合在论文版的测试里已经显示出增益：项目论文报告，在 LIBERO-Pro 的扰动测试中，它比最强基线高出至多 77 个百分点；在 Robosuite 的双臂交接任务和 BEHAVIOR-1K 的长时家务任务上，优势同样明显。技能还能跨机型迁移——仿真里攒下的经验，被用来给另一台真机当编程参考，显著减少了调试所需的推理 token。这与机器人基础模型走向托管化是同一股潮流（见 Pi API 开放测试）：模型的角色，正在从“直接控制机器”变成“给机器编程和攒经验”。
短板也写在项目页上
ASPIRE 的团队没有回避局限，项目页专门列了一节。第一，它还不是完全自主的真机学习者：真实部署仍需要可靠的成功判定、安全复位、安全监控和标定。第二，它依赖被冻结的前沿大模型，小模型能不能撑起同样的调试循环，尚未验证——换句话说，成绩单里有很大一部分是背后那个大模型的功劳。第三，它只能在预先定义好的感知与控制原语之内活动，安全，但也限制了动作的表达范围。第四，技能库的长期管理还没解决，条目攒多了会出现过期、冗余甚至误导新任务的问题；反复调试和进化搜索本身也非常吃算力。
所以 ASPIRE v1.0 的价值，不在于“机器人已经能自己学一切”，而在于它把一种工程范式完整开源了出来：让智能体写代码控制机器人，把经验以代码的形式存下来、传下去。对机器人团队来说，这比单个演示视频更值得花时间——范式可以复用，演示不能。
