机器人领域最贵的资源从来不是算力，而是机器人站在原地的时间：每一次失败重试都在烧电、耗磨损、占用实验窗口。英伟达GEAR实验室10月16日开源的ASPIRE V1.0框架，瞄准的正是这笔隐形成本。它让编程智能体替机器人写控制程序、执行任务、复盘失败、修改代码，再把验证有效的修法存进技能库供下次直接调用。项目负责人Jim Fan透露，OpenAI发布GPT-6 Astra当天，团队把后端模型一换，多个机器人基准一夜之间刷到接近满分，他将这次跃迁形容为机器人领域的一场海啸。
ASPIRE的全称是Agentic Skill Programming through Iterative Robot Exploration，直译过来是通过迭代机器人探索进行智能体技能编程。名字虽长，逻辑却不复杂：把机器人当成一个会写代码、也会调试代码的智能体来对待。机器人编程向来是件麻烦活，摄像头要先认出目标，系统还要计算抓取点、选择机械臂、规划运动轨迹、避开障碍物，夹爪何时闭合、用多大力度，任何一环出错，结局都是机械臂伸过去杯子掉了。过去碰到这种情况，工程师得人工翻日志、调参数、改程序，再让机器人重跑一遍。ASPIRE把整条流程交给编程智能体：任务执行时系统留下完整的多模态轨迹，包括视觉识别结果、候选抓取点、运动路径和碰撞反馈；任务失败后，智能体顺着轨迹往回排查，物体认准了没有，抓取位置偏没偏，机械臂够不够得着，规划器给出的路线能不能走通。定位到问题后修改控制程序，重新执行验证，改对了就保留，再失败就继续调。框架还支持并行探索，一条路走不通就同时试几条，多轮筛选后把真正有效的方案沉淀下来。
这个框架最值钱的设计，是把学习从权重里搬到了文本里。传统机器人学习靠强化学习或模仿学习调整参数，需要GPU集群、仿真重放和奖励函数工程，门槛高、周期长。ASPIRE走了一条完全不同的路：把验证过的修复写成自然语言技能存进库中，下次遇到同类失败直接调用，官方对训练的定义是技能精炼而非梯度下降。文本技能的好处显而易见：可读、可审计、可回滚，出问题能定位到具体条目，也能随手删掉某条不靠谱的经验。数字同样有说服力：技能库已积累90多项技能，覆盖150多个任务；在LIBERO-Pro Long未见过的长程任务上，零样本成功率达到31%，而此前方法只有4%。更直观的是真机数据：双臂机器人玩魔方的三集任务里，第一集未解出，系统从失败中积累了技能，第二、三集成功解出，每完成一次面转动的耗时从约17分钟缩到约3分钟，跨集提升约5倍，每次转动的词元消耗从1130万降到200万，下降约82%。技能的迁移能力也得到验证：从仿真里借来的一条技能，让真机开抽屉的成功率从20次全失败提升到11次成功，且词元用量只有四分之一，举起易拉罐的成功率从13次提升到19次。
ASPIRE的能力上限取决于背后的大模型，英伟达公布的分模型成绩单相当于一份机器人选型指南。接入GPT-6 Astra后，LIBERO-Pro全部80项任务成功率达99%，Robosuite的7项代表性任务与BEHAVIOR-1K的2项代表性任务全部100%；Jim Fan的原话是，Astra到达当天，实验室换了后端模型，一夜之间把所有基准刷满到约99%。成本表更值得细看：Claude Opus 5.5的留出集成功率99.2%，每任务成本18.29美元，耗时51分钟；Claude Sonnet 5.5成功率98.8%，每任务12.11美元，被Jim Fan点名为成本与机器人能力的帕累托前沿；Astra以31分钟成为最快的智能体，但每任务35.37美元，接近Sonnet的三倍；GPT-6.1 Sol成功率88%，每任务9.52美元；开源权重的Kimi K3成功率78.4%，成本高达58.19美元且耗时139分钟；最便宜的GPT-6 Luna每任务只要0.83美元，成功率却只有14.8%。这组数据揭示的规律很清晰：智能体机器人时代，模型选择不再是追求数字最高的那个，而是在成功率、单价与耗时的三维空间里找平衡点，省钱的大脑可能把预算烧在重试上，最强的大脑也可能贵得不值得。
官方在项目页里主动列出了几条硬边界，态度难得坦诚。其一，ASPIRE还不是完全自主的现实世界学习者，它精炼的是文本技能而非模型权重，物理机器人仍需可靠的成功检测、安全复位与校准配合。其二，它依赖固定的前沿模型，团队尚未证明更小的模型能撑住这个调试循环。其三，能力被限定在预定义的原语集合内，魔方任务里转动的步序其实由符号求解器计算，智能体负责的是感知、抓取与执行的层面。其四，搜索循环会消耗大量模型调用，烧的不是电而是API账单。安全方面，项目说明里的警告尤其直白：ASPIRE会执行大模型生成的Python代码且拥有完整导入权限，其看门狗机制并不是安全沙箱，官方建议在无凭据的隔离机器上运行，绝不要给仿真智能体接入真实硬件。对照以视觉语言动作模型直出控制指令的路线，ASPIRE代表的是另一条路径：用语言模型的推理能力生成代码，借用感知与运动的工具箱执行。两条路线谁走得更远尚未有定论，但ASPIRE用开源给出了自己的答案：让每一次失败都变成可下载的经验，这门生意的想象力，才刚刚打开。