温馨提示 ： 点击下方图片，查看运营团队2025年6月最新原创报告（共235页） 说明： 欢迎约稿、刊例合作、行业人士交流 ， 行业交流记得先加入 "机器人头条"知识星球 ，后添加（ 微信号：lietou100w ） 微信； 若有侵权、改稿请联系编辑运营（微信：li_sir_2020）； 正文： 早期小编整理文章 【技术干货】"具身智能 "技术最全解析 ， 本篇文章重点解读现阶段大火的 视觉-语言-动作 (VLA)模型， 一种整合视觉（Vision）、语言（Language）和动作（Action）的多模态模型 。 2022年，Google和CMU相继推出"SayCan"、"Instruct2Act" 工作，Transformer模型既看图、又读指令、还能 生成生成动作轨迹成为可能；2023年，随着谷歌DeepMind推出RT-2模型，机器人可以端到端地从给定的语言指 令和视觉信号，直接生成特定的动作，具身智能领域也迎来了一个新名词： VLA（Vision-Language-Action Model，视觉-语言-动作模型）。 如果说过去十年，机器人领域的焦点先后经历了「看得见」的视觉感知、「听得懂」的语言理解， ...

温馨提示 ： 点击下方图片，查看运营团队2025年6月最新原创报告（共235页） 说明： 欢迎约稿、刊例合作、行业人士交流 ， 行业交流记得先加入 "机器人头条"知识星球 ，后添加（ 微信号：lietou100w ） 微信； 若有侵权、改稿请联系编辑运营（微信：li_sir_2020）； 正文： 早期小编整理文章 【技术干货】"具身智能 "技术最全解析 ， 本篇文章重点解读现阶段大火的 视觉-语言-动作 (VLA)模型， 一种整合视觉（Vision）、语言（Language）和动作（Action）的多模态模型 。 2022年，Google和CMU相继推出"SayCan"、"Instruct2Act" 工作，Transformer模型既看图、又读指令、还能 生成生成动作轨迹成为可能；2023年，随着谷歌DeepMind推出RT-2模型，机器人可以端到端地从给定的语言指 令和视觉信号，直接生成特定的动作，具身智能领域也迎来了一个新名词： VLA（Vision-Language-Action Model，视觉-语言-动作模型）。 VLA模型的整体框架可以被视为VLM与端到端模型的结合体，也被看作是端到端大模型2.0 ...

从上海到纽约，世界各地的餐厅里都能看到机器人在烹饪食物。它们会制作汉堡、印度薄饼、披萨和炒菜。它们的原理与过去50年机器人制造其他产品的 方式如出一辙：精准执行指令，一遍又一遍地重复相同的操作步骤。 但Ishika Singh想要的不是这种"流水线"式的机器人，而是真正能"做晚饭"的机器人。它应该能走进厨房，翻找冰箱和橱柜，拿出各种食材搭配组合，烹调 出美味的菜肴，然后摆好餐具。对孩子而言，这也许很简单，但没有任何机器人能做到这一点。这需要太多关于厨房的知识，更需要常识、灵活性和应变 能力，但这些能力都超出了传统机器人编程的范畴。 南加州大学计算机科学博士生Singh指出，问题的症结在于机器人学家使用的经典规划流程。"他们需要把每一个动作，以及它的前提条件和预期效果都定 义清楚，"她解释道，"这要求事先设定环境中所有可能发生的情况。"可即使经过无数次试错，编写数千行代码，这样的机器人仍无法应对程序之外的突 发状况。 一个晚餐服务机器人在制定"策略"（执行指令的行动计划）时，不仅要知道当地的饮食文化（当地所谓的"辛辣"究竟指什么），还要熟悉具体厨房环境 （电饭煲是否放在高层的架子上）、服务对象的特殊情况（Hec ...