而多模態大模型為具身智能的技術瓶頸突破提供了重要驅動力。具身智能是人工智能、機器人等各技術分支融合發展的必然結果，因為計算機視覺為圖像的采集和處理打開了窗口，圖形學也為物理仿真提供了工具支撐，NLP 也為人類-機器交互提供了便捷性，也為機器從文本中學習知識提供了有效途徑，認知科學也為具身智能的行為認知原理提供了科學研究途徑。各類機器人構件也為智能體與物理環境交互提供了橋梁。因此，人工智能的技術分支以及機器人功能性的提升，為具身智能的進一步發展帶來了可能，而當前 AIGC 時代的大模型可以將之前的技術分支更優地集成和創新，已有不少研究者嘗試將多模態的大語言模型作為人類與機器人溝通的橋梁，即通過將圖像、文字、具身數據聯合訓練，并引入多模態輸入，增強模型對現實中對象的理解，從而更高效地幫助機器人處理具身推理任務，一定程度提升了具身智能的泛化水平。所以，GPT 等 AI 大模型為具身智能的自我感知和任務處理的優化升級提供了新的研究手段。