Vision-Language-Action (VLA) ist ein multimodales intelligentes System, das visuelle Wahrnehmung, Sprachverständnis und Roboterbewegungssteuerung tiefgreifend integriert.

VLA (Visual Alignment) generiert ausführbare Aktionssequenzen oder Steuerungsstrategien für Roboter direkt aus visuellen Eingaben und natürlichsprachlichen Befehlen durch durchgängiges Lernen. Der Kernvorteil liegt in der leistungsstarken Szenenerkennung und Generalisierungsfähigkeit, die es Robotern ermöglicht, Aufgaben mit offenen Befehlen in komplexen und dynamischen realen Umgebungen wie Haushaltsdienstleistungen und industriellen Prozessen zu erledigen. Es ist einer der wichtigsten Wege zur Erreichung allgemeiner verkörperter Intelligenz.