大模型赋能：从语言理解到物理行动

会看会想的模型

视觉语言模型（VLM）能同时理解图像与文字：你说"把红色方块放到蓝色盒子里"，它先"看懂"场景，再"想清"步骤，最后交由下层控制器执行。

分层智能

大模型负责高层语义与任务分解，传统运动控制负责底层精确执行。这种"大模型管脑、控制器管手"的分层架构，正成为具身系统的主流范式。

落地的坎

真实世界的长尾与误差，是大模型从 demo 走向产线的鸿沟。持续的真实交互数据与仿真闭环，是跨越它的必经之路。