Humanoide Roboter werden von sogenannten Vision-Language-Action-Modellen (VLA) gesteuert – einer KI, die Kamerabilder, Sprachbefehle und Bewegungssteuerung in einem Modell verbindet. Bekannte Beispiele sind Helix von Figure oder die KI-Systeme, die Boston Dynamics und Apptronik gemeinsam mit Google DeepMind entwickeln. So lassen sich Aufgaben in normaler Sprache erteilen.
Anders als ein reines Sprachmodell muss diese KI nicht nur Text erzeugen, sondern physisch handeln und in Echtzeit auf Sensordaten reagieren. Oft arbeiten zwei Ebenen zusammen: ein schnelles System für die Motorik und ein langsameres für Planung und Verständnis. Diese KI ist der eigentliche Fortschritt der letzten Jahre, nicht die Mechanik. Mehr zu verkörperter KI.
