（来源：上观新闻）
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🇷🇸（VL🇧🇫M，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，还能动👩👩👧🚯手操作，👨👦🍳这类系📉统被称🤽♀️👓为视觉语言动🍛作模型（VLA6️⃣✌）🦌。
论文把这个现🛢象总结🕰为一句话：驱动🎅👏 Age🍑nt 成本的，是👩👩👧👦🥘输入 Tok🍶en 的指👨🌾数级增长，而非输☁🦔信息流广告怎么投放出 To🤫ken⛄🥯。哪怕是当下，国🛠🗨内 C 🏒🎺端工具👩👦👦🥈产品的年均续费🧞♂️率，能做到 🆓🎄30%💍🕍 就已是行👩👦业顶级水🐧🇹🇩平，而海外同类产🍪品的续费率普遍🇴🇲🏹在 60% 🚘🦗以上⛵。
--- Q🐚👍&A Q1：E🥂mbodiedM🇧🇾✉idt☯rain和普⛴🐱通的机器人V🇦🇿🦙LM微调有什么区🎖🇩🇪别？ A：普🕯通微调通🦗常是直接在⛸机器人场景数据🌡上继续🇸🇹🇨🇳训练VL🧖♀️M，但实验🏅表明这种做法🌌在VL🥪M理解能力🇰🇪测试上可💁👈能有提♐👨🎤升，却未😕🖤必改善机👳器人实🇹🇳🇫🇲际操作🚴♀️表现💈🐙。
