计算机视觉（CV）和自然语言处理（NLP）早先是两个较为d立的研究L域。CV 重点关注如何用计算机代替人眼对目标完成识别、跟踪、测量等任务，对图像进行处理；NLP 则研究计算机如何处理、运用自然语言，包括语言生成、问答、对话等任务。近年来，以深度神经网络为代表的机器学习和模式识别技术被广泛应用于 CV 和 NLP L域，取得了目前先进的效果。
近年来，研究者们试图将动作控制也引入到「视觉-语言」任务的框架中。吴琦将此类任务命名为 V3A（Vision, Ask, Answer, Act），在给定视觉输入后，我们希望机器能够提出问题、回答问题、并通过和人以及机器之间的语言交流执行某些动作。
例如，「Vision+Ask」的任务包含视觉问题生成、根据问题生成查询、图像描述等；「Vision+Answer」的任务包含视觉问答、视觉对话等；「Vision+Act」的任务包含指称表达、视觉对齐（visual grounding）、语言引导的视觉导航、具身视觉问答、具身指称表达等。
| 资料获取 | |
| 服务机器人在展馆迎宾讲解 |
|
| 新闻资讯 | |
| == 资讯 == | |
| » 具身智能——决定 机器人泛化能力天花板的 | |
| » 服务机器人兼容方面检测：电磁兼容与协议兼 | |
| » 服务机器人可信方面检测：数据可信、算法可 | |
| » 服务机器人可靠方面检测:环境适应性,无故 | |
| » AI工具深度测评与选型指南V1-5大类别 | |
| » 2025基于DeepSeek的详细规划智 | |
| » 以DeepSeek为代表的AI在能源行业 | |
| » 人形机器人危险类型及典型示例：机械危险、 | |
| » 服务机器人安全方面检测：机械安全、电气安 | |
| » 北京市人工智能赋能新型工业化行动方案20 | |
| » 服务机器人智能方面检测：大小脑智能、 肢 | |
| » 中国人工智能视觉检测系统领域TOP10 | |
| » 2025年中国具身智能产业TOP100 | |
| » 人形机器人检测的六个核心专业维度：智能, | |
| » 人形机器人产业发展现状、市场前景及未来展 | |
| == 机器人推荐 == | |
服务机器人(迎宾、讲解、导诊...) |
|
智能消毒机器人 |
|
机器人底盘 |
 |
