谷歌 All in 多模态和世界模型应该就是为了这个了，谷歌的加入会让现在的具身智能行业更火一些
系列包含 Gemini Robotics 1.5 和 Gemini Robotics-ER 1.5 两个模型协同驱动机器人：
Gemini Robotics 1.5 ：视觉-语言-动作（VLA）模型，负责执行，将指令转化为机器人以通用方式移动和行动所需的精确运动指令。
在采取行动前会进行思考并展示其过程，帮助机器人更透明地评估并完成复杂任务。还能跨不同形态学习，加速技能习得。
Gemini Robotics-ER 1.5：视觉-语言模型（VLM），能够对物理世界进行推理，原生调用数字工具并制定详细的多步骤计划以完成任务。
作为高级大脑，与人交互、理解环境、协调工具，并制定执行任务的详细计划。
这两个模型的 API 现在已经在 AI Studio 上线
详情：deepmind.google/discover/blog/gemini-robotics-15-brings-ai-agents-into-the-physical-world/
