簡而言之，要實現機器人的動作互動，一是要通過 LLM 使機器人理解人類的自然語言，二是通過 VLM 使機器人實時理解周圍的環境以便后續的任務操作。因此，在未來，“LLM+VLM”將成為機器人作為一個智能體能夠推理環境、任務，并完全根據語言采取行動的核心框架。