NVIDIA apresenta ASPIRE — framework de robótica auto-aprendizável com 31% de sucesso zero-shot em tarefas complexas

NVIDIA AI em 3 de julho de 2026 apresentou ASPIRE — um framework para controle robótico que gera autonomamente programas de controle de robôs, corrige iterativamente erros e armazena soluções verificadas em uma biblioteca de habilidades reutilizável. De acordo com a NVIDIA, no benchmark LIBERO-Pro, o sistema ganhou até 77 pontos e alcançou 31% de sucesso em novas tarefas de longo horizonte em modo zero-shot — sem treinamento adicional nesses cenários.

Como funciona o ciclo de auto-melhoria em ASPIRE

O núcleo do ASPIRE é um ciclo iterativo de geração e auto-correção: o framework escreve um programa de controle de robô como código, o executa, detecta falhas e faz correções até a conclusão bem-sucedida da tarefa. A geração de código como ferramenta para controle robótico já é usada em pesquisas, mas ASPIRE dá um passo principiado adiante: reparos bem-sucedidos são "destilados" em uma biblioteca de habilidades estruturada para reutilização.

A biblioteca funciona como a memória de longo prazo do sistema. Quando ASPIRE encontra uma tarefa similar a uma já resolvida, acessa blocos já depurados — em vez de começar do zero. Isso reduz o número de tentativas até a conclusão bem-sucedida e permite ao sistema transferir experiência acumulada para cenários desconhecidos. A biblioteca acumulada cresce: cada nova tarefa potencialmente adiciona novos padrões a ela ou refina os existentes.

• Data de publicação do ASPIRE — 3 de julho de 2026
• Ganho no benchmark LIBERO-Pro — até 77 pontos
• Precisão zero-shot em LIBERO-Pro Long Tasks — 31%
• Transferência de habilidades para tarefas não incluídas no conjunto de treinamento

Por que LIBERO-Pro Long Tasks é um alvo complexo?

LIBERO-Pro é um benchmark reconhecido para avaliar sistemas robóticos em tarefas com horizontes de planejamento longos. Ao contrário de tarefas simples de um único passo, tarefas de longo horizonte requerem execução sequencial de uma cadeia multifásica: encontrar o objeto necessário, movê-lo para o alvo, abrir um recipiente, colocar o objeto e fechá-lo. Um erro em qualquer elo — falha do episódio inteiro.

LIBERO-Pro Long Tasks é a parte mais complexa do benchmark com as sequências mais longas. Métrica zero-shot significa que o sistema executa a tarefa pela primeira vez: sem demonstrações, sem treinamento adicional no cenário específico. Em tais tarefas, métodos básicos frequentemente produzem resultados próximos a zero. Taxa de sucesso de 31% em modo zero-shot é um indicador não trivial para esta classe de sistemas.

O ganho até 77 pontos em LIBERO-Pro demonstra a diferença entre ASPIRE e métodos baseline em tarefas padrão do mesmo benchmark.

Onde ASPIRE se encaixa na IA robótica

A abordagem ASPIRE reflete uma tendência mais ampla: o uso de modelos de linguagem para controlar sistemas físicos através de geração de código. Ao contrário do aprendizado por reforço clássico, que requer milhões de simulações, ASPIRE se baseia em geração de código iterativa — uma abordagem econômica em termos de interações com o ambiente.

A inovação chave — uma biblioteca de habilidades explícita — resolve um problema de longa data dos sistemas robóticos: acumular experiência sem perdê-la ao fazer a transição para novas tarefas. Ao contrário de abordagens de redes neurais, onde o conhecimento é armazenado implicitamente nos pesos do modelo, a biblioteca do ASPIRE é estruturada e acessível para expansão.

O que isto significa

ASPIRE oferece um modelo no qual um agente robótico acumula gradualmente experiência na forma de blocos de software reutilizáveis — em vez de resolver tarefas do zero cada vez. A publicação NVIDIA AI se encaixa na busca de um caminho de robôs trabalhando estritamente dentro da distribuição de treinamento para sistemas capazes de generalizar experiência para novos cenários. Se a abordagem se mostrar escalável em condições reais, robôs industriais poderão melhorar suas capacidades diretamente durante a operação — sem constante retreinamento manual.