Vision-Language-Action (VLA) は、視覚認識、言語理解、ロボットの動作制御を高度に統合したマルチモーダル インテリジェント システムです。

VLA（Visual Alignment）は、エンドツーエンドの学習を通じて、視覚入力と自然言語コマンドから直接、ロボットに実行可能な動作シーケンスまたは制御戦略を生成します。その主な利点は、強力なシーン理解と汎化能力にあり、ロボットはホームサービスや産業用オペレーションといった複雑で動的な現実世界環境において、オープンコマンドでタスクを完了することができます。これは、汎用的な身体性知能を実現するための重要な道筋の一つです。