【ITBEAR】在人工智能領域，莫拉維克悖論揭示了AI與人類認知能力之間的顯著差異：復雜邏輯對AI來說相對容易，而基本的感知運動技能卻需耗費巨大計算資源。這一悖論凸顯了當前AI技術的局限性。
人類作為多模態生物，通過多種感官模式感知世界，并據此進行決策和行動。隨著傳感器融合和AI技術的演進，現代機器人也逐步配備多模態傳感器，變得愈加智能。
Transformer模型和大語言模型（LLM）的出現，推動了多模態AI的集成化發展，使得單個模型能同時處理多種數據類型，大幅提高了AI系統的綜合感知能力。
2024年，多模態技術加速發展。OpenAI發布的Sora能根據文本描述生成視頻，而GPT-4o則顯著提升了人機交互性能，實現了音頻、視覺和文本之間的實時推理。
谷歌也不甘落后，發布了Gemini 1.5，大幅擴展了上下文長度，并探討了Project Astra的未來愿景，這是一款能處理多模態信息的通用AI助手。
多模態LLM有望改變機器人的分析、推理和學習能力，推動機器人從專用轉向通用，進而產生規模化的經濟效應，被更多領域采用。
在具身智能方面，盡管已取得一定進展，但仍需更輕便的設計、更長的運行時間以及更強大的邊緣計算平臺。人形機器人因形體與人類相似，有望在人類環境中駕輕就熟，執行所需操作。
Robotics Transformer（RT）正在快速發展，它可以將多模態輸入直接轉化為行動編碼，展現出強大的泛化能力。
Arm作為未來機器人技術的基石，提出機器人腦應為異構AI計算系統，以提供出色性能、實時響應和高能效。Arm處理器已廣泛應用于機器人領域，期待與生態系統合作，共同推動AI機器人發展。
