英偉達開源機器人技能庫ASPIRE
Alina Collins
英偉達發佈並開源機械人技能庫ASPIRE，令機械人可以像程式設計師寫代碼般自行練技能、修bug、儲經驗——訓練方式從「餵數據」變成了「儲技能」。
ASPIRE到底讓機械人做了甚麼？
ASPIRE將機械人每次執行任務的全過程——感知、導航、抓取、碰撞、運動規劃——全部記錄下來。
然後調用大語言模型（GPT或Claude）充當「教練」，分析今次邊度出錯、應該點改代碼。
改好之後再跑一次，成功了就將經驗存成一個可複用的「技能」，下次遇到類似任務直接調用。
簡單來說＝機械人不再靠人逐次餵數據學習，而是自己寫代碼、自己試、自己改、自己儲經驗。
點解話呢個係全新訓練範式？
英偉達機械人主管吉姆·範（Jim Fan）將ASPIRE定位為持續學習範式。
佢指出三個根本轉變：訓練方式從梯度下降（傳統深度學習的核心步驟）轉為持續打磨技能；訓練產物不再係一堆浮點權重，而係一個不斷擴展的技能庫；分佈式訓練變成多個機械人各練各的、再將經驗匯總到同一個庫。
這意味著→機械人的「能力」不再鎖死在一次訓練結束時的模型參數裡，而是好似代碼倉庫咁可以持續增長。
呢套邏輯靠咩跑通？
ASPIRE的核心閉環係：寫代碼→執行→觀察軌跡→修復→沉澱技能。
呢個同代碼領域的Coding Agent（能自動寫代碼、調試的AI工具）邏輯一致——分別在於ASPIRE操控的唔係軟件，而係物理世界裡的機械人。
這反映出一個更大趨勢：AI的「自我迭代」能力正從純軟件領域延伸到物理操控領域。
距離真正落地仲差咩？
關鍵驗證節點得一個：複雜真實環境中的穩定泛化。
實驗室裡跑得通的閉環，去到光線變化、物體形狀不規則、地形複雜的真實場景，技能仲用唔用到，係最大問號。
這意味著→ASPIRE描繪的範式好有吸引力，但「儲技能」的質量上限取決於真實世界有幾混亂。
Content is for reference only, not financial advice.