具身智能Skill时刻！英伟达开源机器人技能库，Jim Fan：范式变了

背景

具身智能（Embodied AI）领域长期面临一个核心挑战：如何让机器人从经验中持续学习，而非每次都从零开始。传统机器人训练依赖大量真机数据采集或仿真到现实（Sim-to-Real）迁移，通过梯度下降优化模型权重。这种方法成本高昂，且模型在遇到新任务或新环境时往往表现不佳。

近年来，Code as Policy范式逐渐兴起。与VLA（Vision-Language-Action）等端到端策略模型不同，Code as Policy不让模型直接输出机器人动作，而是让大模型生成可执行的机器人控制程序。这些程序可以调用感知模块、规划API和控制原语（如识别物体、规划路径、移动机械臂、执行抓取），使机器人行为变得可解释、可调试。

然而，传统Code as Policy存在两个关键瓶颈：第一，机器人执行失败后，系统通常只知道"任务没完成"，却难以定位具体是感知错误、抓取不稳、路径碰撞还是恢复动作出了问题；第二，调试过程中发现的修复方案、恢复策略和prompt写法往往被丢弃，无法形成可复用的经验积累。

核心内容

ASPIRE：机器人版Coding Agent

英伟达GEAR团队开源的ASPIRE（Agentic Skill Programming through Iterative Robot Exploration）正是为了解决上述问题而生。其核心理念是将机器人的一次次失败和修复过程，沉淀为可复用的经验库——一个持续扩展的机器人技能库（Sensorimotor Skills）。

ASPIRE的工作机制类似于一位人类机器人工程师：当机器人执行任务失败时，系统会回放多模态执行轨迹，分析感知结果和运动轨迹，判断问题根源（如抓取错误、规划失败或恢复动作缺失），然后修复程序并将验证过的经验写入Skill Library。这些Skill本质上是喂给大模型的上下文，包含经过验证的代码修复经验（Code Repair Pattern），使机器人在遇到类似问题时能够直接调用已有解决方案。

例如，当机器人准备拿起一个收音机时，虽然已识别目标，但规划器（Planner）给出的目标点始终落在障碍物的碰撞缓冲区内。ASPIRE会分析出这一原因，并总结出一条新Skill：遇到此类规划失败时，尝试从45°、90°、180°等不同角度重新接近目标，直到找到无碰撞路径。该经验可复用于收音机、微波炉或其他家具场景。

三阶段Pipeline

ASPIRE的实现分为三个阶段：

1. Robot Execution Engine（机器人执行引擎） 传统机器人程序失败后，系统可能仅反馈"任务未完成"。ASPIRE则将失败拆解，记录每一次感知、规划、抓取、控制调用的输入、输出、视觉证据和错误日志，供coding agent分析。

2. Skill Library（技能库） Agent修复程序后，经验不会被丢弃，而是被提炼为可复用的知识。官网技能库中可见具体条目，如SAM3文本提示的编写方法、桌边物体的多角度接近策略、抽屉把手的假检测过滤、平面物体推动时的motion primitive选择等。这些Skill更像机器人程序员的"踩坑笔记"，而非传统模型权重。

3. Evolutionary Search（进化搜索） 系统会生成多条候选控制程序，