视觉-语言-动作协同架构
教材《人工智能导论》5.5.1 / 内部第4点 · 已审核
通俗解释
与前述专注于文本或图像生成的架构不同，视觉-语言-动作（VLA）架构在设计上实现了从“数字信息处理”向“物理行为输出”的架构级跨越。 这种架构的核心创新在于将物理世界的控制信号“语言化”。
例子
机器人先识别桌上的杯子，理解“拿起杯子”的语言指令，再输出抓取动作。
容易混淆
理解语言和图像不等于能安全执行物理动作，还要验证控制闭环。
检查理解
用自己的话解释“视觉-语言-动作协同架构”在“模型架构设计”中的作用，并举出教材中的一个例子或适用场景。对照原文检查条件、公式和图表。
查看参考答案
要点：与前述专注于文本或图像生成的架构不同，视觉-语言-动作（VLA）架构在设计上实现了从“数字信息处理”向“物理行为输出”的架构级跨越。 这种架构的核心创新在于将物理世界的控制信号“语言化”。 示例：机器人先识别桌上的杯子，理解“拿起杯子”的语言指令，再输出抓取动作。