VLA（Vision-Language-Action）モデル

VLAモデルは、視覚と言語と行動を一つにまとめてつないだ、ロボット向けのAIです。Vision（視覚）、Language（言語）、Action（行動）の頭文字をとっています。カメラで周囲を見て、言葉による指示を理解し、それに応じて体を動かすまでを、一続きのAIで処理します。たとえば「赤いコップを取って」と伝えると、映像から赤いコップを探し、腕を動かしてつかみます。ロボットを賢く動かすための基盤技術として注目されています。