NVIDIA presenta ASPIRE, un framework robótico que aprende por sí solo y logra un 31% en zero-shot en tareas largas

NVIDIA AI presentó el 3 de julio de 2026 ASPIRE, un framework de control robótico que genera de forma autónoma programas de control para robots, corrige errores de manera iterativa y guarda las soluciones verificadas en una biblioteca de habilidades reutilizable. Según NVIDIA, en el benchmark LIBERO-Pro el sistema mejoró hasta 77 puntos y alcanzó un 31% de tareas completadas con éxito en tareas largas nuevas en modo zero-shot, sin entrenamiento adicional en esos escenarios.

Cómo funciona el ciclo de automejora de ASPIRE

El núcleo de ASPIRE es un ciclo iterativo de generación y autocorrección. El framework escribe el programa de control del robot en forma de código, lo ejecuta, registra los fallos y aplica correcciones hasta completar la tarea. La generación de código como herramienta de control robótico ya se usa en investigación, pero ASPIRE va un paso más allá: las reparaciones que funcionan se destilan (distillation) en una biblioteca estructurada de habilidades para reutilizarlas.

La biblioteca funciona como la memoria a largo plazo del sistema. Cuando ASPIRE se enfrenta a una tarea parecida a otra ya resuelta, recurre a bloques ya depurados en lugar de empezar de cero. Así reduce el número de intentos necesarios para completar la tarea y puede trasladar la experiencia acumulada a escenarios desconocidos. La biblioteca va creciendo: cada nueva tarea puede añadir patrones nuevos o refinar los existentes.

• Fecha de publicación de ASPIRE: 3 de julio de 2026
• Mejora en el benchmark LIBERO-Pro: hasta 77 puntos
• Precisión zero-shot en LIBERO-Pro Long Tasks: 31%
• Transferencia de habilidades a tareas que no formaban parte del conjunto de entrenamiento

¿Por qué LIBERO-Pro Long Tasks es un objetivo difícil?

LIBERO-Pro es un benchmark reconocido para evaluar sistemas robóticos en tareas con horizontes de planificación largos. A diferencia de las tareas simples de un solo paso, las tareas long-horizon exigen ejecutar en orden una cadena de varias etapas: localizar el objeto, llevarlo hasta el destino, abrir un contenedor, colocar el objeto dentro y cerrarlo. Un error en cualquier eslabón hace fracasar todo el episodio.

LIBERO-Pro Long Tasks es la parte más difícil del benchmark, con las secuencias más largas. La métrica zero-shot implica que el sistema ejecuta la tarea por primera vez: sin demostraciones y sin reentrenamiento en el escenario concreto. En estas tareas, los métodos de base a menudo obtienen resultados cercanos a cero. Un 31% de tareas completadas con éxito en modo zero-shot es una cifra nada trivial para este tipo de sistemas.

La mejora de hasta 77 puntos en LIBERO-Pro muestra la distancia entre ASPIRE y los métodos baseline de partida en las tareas estándar del mismo benchmark.

Dónde encaja ASPIRE en la IA robótica

El enfoque de ASPIRE refleja una tendencia más amplia: usar modelos de lenguaje para controlar sistemas físicos mediante generación de código. A diferencia del aprendizaje por refuerzo clásico, que requiere millones de simulaciones, ASPIRE se apoya en la generación iterativa de código, un enfoque que necesita pocas interacciones con el entorno.

Su principal innovación, una biblioteca de habilidades explícita, aborda un problema histórico de los sistemas robóticos: acumular experiencia sin perderla al pasar a nuevas tareas. A diferencia de los enfoques basados en redes neuronales, donde el conocimiento se almacena de forma implícita en los pesos del modelo, la biblioteca de ASPIRE está estructurada y se puede ampliar.

Qué significa esto

ASPIRE propone un modelo en el que un agente robótico acumula experiencia de forma gradual en forma de bloques de programa reutilizables, en lugar de resolver cada tarea desde cero. La publicación de NVIDIA AI se suma a la búsqueda de un camino que lleve de robots que solo funcionan dentro de su distribución de entrenamiento a sistemas capaces de generalizar su experiencia a escenarios nuevos. Si el enfoque resulta escalable en condiciones reales, los robots industriales podrán mejorar sus capacidades directamente durante su funcionamiento, sin necesidad de reentrenamiento manual constante.