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 == | |
| » 50+人形机器人场景应用落地图谱-50余 | |
| » 具身智能时代:上市公司机器人业务布局与战 | |
| » 2026年智能机器人行业深度分析报告-产 | |
| » 具身智能安全技术白皮书—机器人篇2026 | |
| » 人形机器人行业发展现状、应用场景市场空间 | |
| » 2026年人形机器人产业发展研究报告-整 | |
| » 《2026年机器人白皮书》重构场景认知， | |
| » 2026具身智能行业数据产业链与新基础设 | |
| » 具身智能训练场研究报告2026-政策制定 | |
| » 移动机器人导航技术-协同感知、自主编队、 | |
| » 面向移动机器人路径规划的强化学习改进蚁群 | |
| » 安徽省机器人和具身智能产业场景机会清单 | |
| » 人形机器人产业研究蓝皮书2026-市场四 | |
| » 2026中国科技机器人企业TOP50 | |
| » 2026世界人工智能大会暨人工智能全球治 | |
| == 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 |
 |
