字节内推

具身智能基本上都是机器人，可以看作是 AI 搭配机器人。而 VLM (Vision Language Model) 就是给这个系统加上了“视觉”。目前最先进的公司（如宇树科技和大疆）的应用逻辑如下：宇树 H1 机器人：本质上是 VLM + VLA + 端到端。流程：输入指令 $\rightarrow$ 拆解指令 $\rightarrow$ 将视觉部分转化为运动轨迹 $\rightarrow$ 最终实现行走和动作。特斯拉 (Optimus)：也在探索端量化（一体机方案）。愿景：全方位的大模型，实现“一键输入 $\rightarrow$ 处理 $\rightarrow$ 行动反馈”，直接输出指令到...