具身智能Skill时刻！英伟达开源机器人技能库，Jim Fan：范式变了

一句话看懂：英伟达开源了名为 ASPIRE 的机器人技能库系统，让机器人能像人类工程师一样，从失败中沉淀可复用的经验代码，而非每次从零开始训练；英伟达机器人主管 Jim Fan 称这代表一种全新的持续学习范式。

事件核心：发生了什么

2026年7月1日，英伟达宣布开源机器人持续学习系统 ASPIRE。该系统不再依赖传统梯度下降训练模型权重，而是让大模型（如 GPT / Claude）反复阅读机器人执行轨迹、诊断失败原因、修改控制程序，并将验证通过的修复经验存为“Skill”（技能）。这些技能本质上是可复用的代码修复上下文，例如“当规划器给出的目标点落在碰撞缓冲区时，尝试从 45°、90°、180° 不同角度重新接近”。实验数据显示，在 Robosuite 双臂物体交接任务中，ASPIRE 将成功率从 20% 提升至 92%；在从未见过的 LIBERO-Pro Long 长任务上，随着技能库积累，机器人成功率从接近零升至 31%。论文作者包括 Jim Fan、朱玉可、Guanzhi Wang、石冠亚等 GEAR 团队核心成员，以及正在实习的密歇根大学博士生 Runyu Lu、UIUC 的 Yuubo Wu 和伯克利本科生 Ethan Kou。

为什么重要

ASPIRE 改变了具身智能的训练核心：产物从“一堆浮点权重”变成“一个持续扩展的机器人技能库”。这解决了 Code as Policy 范式的两个关键痛点——失败原因难以细粒度定位、成功经验无法沉淀复用。当机器人完成第 100 个任务时，它拥有前 99 次积累的修复经验，不再是张白纸。这种思路将大模型的能力从“写代码”扩展到了“调试代码 + 总结模式”，为物理世界中的持续学习提供了可工程化的路径。英伟达选择开源此系统，可能加速机器人领域从“集中式仿真训练”向“分布式技能进化”的范式转型。

对开发者/机器人研究者的影响

对于机器人开发者或具身智能团队，ASPIRE 意味着：第一，不再需要为每个新任务重新收集数据、微调模型，可以直接复用已验证的技能库；第二，机器人调试过程从手动回放视频、查日志，变为自动化代码修改与验证循环；第三，技能库本身可被团队共享、版本化管理，类似代码仓库里的“最佳实践”文档。目前公开信息显示，ASPIRE 已发布在 GitHub，论文在三类机器人基准上验证通过。对使用现有 VLA 或端到端策略的团队来说，这是一种互补方案，而非替代。

值得关注的后续

第一，英伟达同期扩大了国内机器人团队招聘（北京、上海、深圳），覆盖具身智能、仿真、部署等方向，开源项目与商业落地之间的关联值得追踪。第二，ASPIRE 的“技能库”是否能被其他团队复现并扩展到真实物理环境（非仿真）还有待验证。第三，如果更多研究者将调试代码和修复日志贡献到开放技能库，可能形成类似 Hugging Face 的机器人模型生态。