机器人编程长期困在“一次编写、静态执行”的窠臼里：开发者手工调参、反复重写，一旦环境稍有变化，代码便失效。NVIDIA 联合密歇根大学、UIUC、UC Berkeley 等提出的 ASPIRE（Adaptive Skill Programming with Iterative Refinement and Evolution） 框架，正试图打破这一僵局——它将机器人程序编写从单次尝试转变为持续学习系统，核心是让机器人在失败调试中积累可复用技能，而非每次都从零开始。

ASPIRE 的架构可拆解为四个核心模块：协调器-执行器 负责高层任务分配与底层动作解耦；闭环执行引擎 实时监控执行状态并触发重试或切换策略；技能库 存储已验证成功的原子技能（如“抓取”“放置”“旋转”），并附带上下文参数；进化搜索 则在技能组合空间中自动迭代，寻找最优动作序列。编程智能体基于 Claude Code（Claude Opus 4.6，1M token 上下文窗口），这意味着模型能一次性处理整个机器人轨迹日志与参数文件，而非仅查看几行报错信息。

在三大机器人基准上的表现验证了这一思路的有效性。在 LIBERO-Pro 上，ASPIRE 的最高成功率比最强基线（如 RVT2、ACT）高出 77 个百分点，此前多数方法在 长任务（10 步以上）上已陷入停滞。在 Robosuite 双手交接 任务中，成功率从基线方法的 20% 跃升至 92%，关键在于框架能通过闭环执行及时修正双手配合的位姿误差。更令人关注的是 BEHAVIOR-1K 收音机拾取 任务——从 56% 提升至 88%，其中“进化搜索”策略贡献了 13 个百分点的增益，而单纯靠更大的模型或更多数据难以实现如此幅度的跨越。

最具有启发性的是 零样本长任务泛化 结果。ASPIRE 利用在 LIBERO-90 上积累的技能库，直接在 LIBERO-Pro Long 任务上执行，成功率约 31%。而此前所有方法（包括 RVT2 等大模型基座）都在 4% 附近饱和——差异并非来自模型能力，而是缺乏系统化的技能复用机制。传统方法在遇到未见过步骤时只能报错退出，ASPIRE 则能从技能库中调用语义近似的原子动作并调整参数，实现“开箱适应”。

从行业视角看，ASPIRE 代表的趋势值得关注：机器人泛化不再仅依赖更大的训练数据集或更复杂的端到端模型，而是转向“以策略为核心、以执行反馈为燃料”的自我改进范式。技能库的设计让每一次任务执行都成为知识的沉淀，而非一次性的消耗。对于机器人开发者而言，这意味着：与其追求一个“万能大模型”，不如构建一套能从错误中学习、能自动检索并组合已有技能的开放系统。ASPIRE 目前仍依赖强语言模型作为编程智能体，推理成本较高，但其架构思路——闭环执行+历史技能复用——很可能成为下一代机器人操作系统的标准组件。毕竟，人类从不奢望一次学会所有动作，机器人也应该如此。