非具身大模型：可幫助機器人提升復雜任務理解、連續對話、零樣本推理等方面能力，但無法直接生成運動姿態。非具身大模型主要包括 LLM（大語言模型）和 VLM（視覺語言模型），以 ChatGPT、GPT-4V、Sora、GPT-4o 為代表，主要特點是輸入從單模態文本擴展到多模態的語音、圖像、視頻，其輸出也包括文本、音頻、圖像、視頻等。非具身大模型能夠對用戶指令進行推理分解，實現任務規劃決策，但無法直接生成運動姿態，目前應用較為成熟。例如，微軟利用 ChatGPT的自然語言理解能力，將人類語言指令轉化為機器人控制代碼，從而實現任務規劃和自主執行。