NVIDIA представила ASPIRE — самообучающийся фреймворк роботики с 31% zero-shot на длинных задачах

NVIDIA AI 3 июля 2026 года представила ASPIRE — фреймворк для роботизированного управления, который самостоятельно генерирует программы управления роботом, итеративно исправляет ошибки и сохраняет проверенные решения в переиспользуемую библиотеку навыков. По данным NVIDIA, на бенчмарке LIBERO-Pro система прибавила до 77 пунктов и достигла 31% успешных завершений на новых длинных задачах в zero-shot-режиме — без дополнительного обучения на этих сценариях.

Как работает цикл самоулучшения в ASPIRE

Ядро ASPIRE — итеративный цикл генерации и самокоррекции: фреймворк пишет программу управления роботом в виде кода, запускает её, фиксирует сбои и вносит исправления до успешного выполнения задачи. Кодогенерация как инструмент управления роботами уже применяется в исследованиях, но ASPIRE делает принципиальный шаг дальше: успешные ремонты «перегоняются» (distillation) в структурированную библиотеку навыков для повторного использования.

Библиотека работает как долговременная память системы. Когда ASPIRE встречает задачу, похожую на уже решённую, он обращается к готовым отлаженным блокам — вместо того чтобы начинать с нуля. Это сокращает число попыток до успешного завершения и позволяет системе переносить накопленный опыт на незнакомые сценарии. Накопленная библиотека растёт: каждое новое задание потенциально добавляет в неё новые шаблоны или уточняет существующие.

• Дата публикации ASPIRE — 3 июля 2026 года
• Прирост на бенчмарке LIBERO-Pro — до 77 пунктов
• Zero-shot точность на LIBERO-Pro Long Tasks — 31%
• Перенос навыков на задачи, не входившие в обучающую выборку

Почему LIBERO-Pro Long Tasks — сложная мишень?

LIBERO-Pro — признанный бенчмарк для оценки роботизированных систем на задачах с длинными горизонтами планирования. В отличие от простых одношаговых заданий, long-horizon-задачи требуют последовательного выполнения многоэтапной цепочки: найти нужный объект, переместить его к цели, открыть контейнер, поместить объект и закрыть. Ошибка в любом звене — провал всего эпизода.

LIBERO-Pro Long Tasks — наиболее сложная часть бенчмарка с самыми длинными последовательностями. Метрика zero-shot означает, что система выполняет задание впервые: без демонстраций, без дообучения на конкретном сценарии. На таких задачах базовые методы нередко дают результат, близкий к нулю. 31% успешных завершений в zero-shot-режиме — нетривиальный показатель для данного класса систем.

Прирост до 77 пунктов на LIBERO-Pro демонстрирует разрыв между ASPIRE и исходными baseline-методами на стандартных задачах того же бенчмарка.

Где ASPIRE вписывается в роботизированный ИИ

Подход ASPIRE отражает более широкий тренд: использование языковых моделей для управления физическими системами через кодогенерацию. В отличие от классического обучения с подкреплением, требующего миллионов симуляций, ASPIRE опирается на итеративную кодогенерацию — подход, экономный по числу взаимодействий со средой.

Ключевая инновация — явная библиотека навыков — решает давнюю проблему роботических систем: накопление опыта без его потери при переходе к новым задачам. В отличие от нейросетевых подходов, где знания хранятся имплицитно в весах модели, библиотека ASPIRE структурирована и доступна для расширения.

Что это значит

ASPIRE предлагает модель, при которой роботизированный агент постепенно накапливает опыт в форме переиспользуемых программных блоков — вместо того чтобы каждый раз решать задачи с нуля. Публикация от NVIDIA AI вписывается в поиск пути от роботов, работающих строго в рамках обучающего распределения, к системам, способным обобщать опыт на новые сценарии. Если подход окажется масштабируемым в реальных условиях, промышленные роботы смогут улучшать свои возможности непосредственно в ходе эксплуатации — без постоянного ручного дообучения.