（+微:hywyysxs）
现代机器人系统的🧁🍮设计思🥵🤲路确实如🧹🌘此：研究者先㊙训练一个具备视👨⚕️💘觉理解和语言理🚭解能力的"通用大🛬脑"，也就是🍓👠视觉语言模🐺型（VLM🔷，可以理🏧解图片♍⛱内容并根据语言指🇫🇲🔐令做出回🍩应的AI模型），🚞再在此☀🧛♀️基础上叠加🇰🇭"动作🐻🗿生成"能力，让机🇸🇨🥅器人不只能✂看、能说8️⃣😥，还能动手操👄作，这👝类系统被称🆙🎒为视觉语言动📥😈作模型（🍡VLA🚒）🌮。
研究团队🌟把VLM的训练🐰数据和VL🌂🛥A的训练数据放👨👧👧⚛在同一个"坐标系🐁"里，用数学方🇲🇸🦓法衡量它✋们之间的距⚓离👨👨👧🥴。报道称，📡🧜♂️这件事🇫🇰↪情源自苹果公🎴司2024年♠🏎全球开发者🤐🐓大会的一项公开🧮声明🛹。第17页有♋个细节，自🐜🇿🇲动生成的🎄😜kern🦹♀️👮♀️el，跟手写🇦🇫CUDA逐位☀😯比对🤸♀️。
