NVIDIA apresenta ASPIRE, framework de robótica autodidata que atinge 31% em zero-shot em tarefas longas

Em 3 de julho de 2026, a NVIDIA AI apresentou o ASPIRE, um framework de controle robótico que gera por conta própria os programas de controle do robô, corrige erros de forma iterativa e armazena as soluções validadas em uma biblioteca de habilidades reutilizável. Segundo a NVIDIA, no benchmark LIBERO-Pro o sistema ganhou até 77 pontos e alcançou 31% de conclusões bem-sucedidas em novas tarefas longas no modo zero-shot, sem treinamento adicional nesses cenários.

Como funciona o ciclo de autoaprimoramento do ASPIRE

O núcleo do ASPIRE é um ciclo iterativo de geração e autocorreção. O framework escreve o programa de controle do robô em forma de código, executa esse código, registra as falhas e aplica correções até a tarefa ser concluída com sucesso. A geração de código como ferramenta de controle de robôs já é usada em pesquisas, mas o ASPIRE dá um passo além: os reparos bem-sucedidos passam por destilação (distillation) e viram uma biblioteca estruturada de habilidades para reutilização.

A biblioteca funciona como memória de longo prazo do sistema. Quando o ASPIRE encontra uma tarefa parecida com outra já resolvida, ele recorre a blocos prontos e já depurados, em vez de começar do zero. Isso reduz o número de tentativas até a conclusão e permite que o sistema leve a experiência acumulada para cenários desconhecidos. A biblioteca cresce com o uso: cada nova tarefa pode acrescentar novos padrões ou refinar os existentes.

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

Por que o LIBERO-Pro Long Tasks é um alvo difícil?

O LIBERO-Pro é um benchmark consolidado para avaliar sistemas robóticos em tarefas com horizontes de planejamento longos. Diferentemente de tarefas simples de uma única etapa, as tarefas long-horizon exigem a execução sequencial de uma cadeia com várias etapas: encontrar o objeto certo, levá-lo até o destino, abrir um recipiente, colocar o objeto dentro e fechá-lo. Um erro em qualquer elo derruba o episódio inteiro.

O LIBERO-Pro Long Tasks é a parte mais difícil do benchmark, com as sequências mais longas. A métrica zero-shot significa que o sistema executa a tarefa pela primeira vez: sem demonstrações e sem fine-tuning no cenário específico. Nesse tipo de tarefa, métodos de base costumam apresentar resultados próximos de zero. Uma taxa de 31% de conclusões bem-sucedidas em zero-shot é um resultado expressivo para essa classe de sistemas.

O ganho de até 77 pontos no LIBERO-Pro mostra a distância entre o ASPIRE e os métodos baseline originais nas tarefas padrão do mesmo benchmark.

Onde o ASPIRE se encaixa na IA robótica

A abordagem do ASPIRE reflete uma tendência mais ampla: o uso de modelos de linguagem para controlar sistemas físicos por meio de geração de código. Ao contrário do aprendizado por reforço clássico, que exige milhões de simulações, o ASPIRE se apoia na geração iterativa de código, uma abordagem econômica em número de interações com o ambiente.

A principal inovação, uma biblioteca explícita de habilidades, ataca um problema antigo dos sistemas robóticos: acumular experiência sem perdê-la na passagem para novas tarefas. Diferentemente das abordagens baseadas em redes neurais, em que o conhecimento fica armazenado de forma implícita nos pesos do modelo, a biblioteca do ASPIRE é estruturada e pode ser ampliada.

O que isso significa

O ASPIRE propõe um modelo em que o agente robótico acumula experiência aos poucos, na forma de blocos de programa reutilizáveis, em vez de resolver cada tarefa do zero. A publicação da NVIDIA AI se insere na busca por um caminho que leve de robôs que operam estritamente dentro da distribuição de treinamento a sistemas capazes de generalizar a experiência para novos cenários. Se a abordagem se mostrar escalável em condições reais, robôs industriais poderão aprimorar suas capacidades durante a própria operação, sem retreinamento manual constante.