在智能驾驶行业，2025年被视为 “VLA 上车元年”，这标志着一种全新的技术范式正在崭露头角。VLA，即视觉语言动作模型（Vision-Language-Action Model），最初由 DeepMind 于2023年提出，旨在提升机器人对环境的理解和反应能力。近年来，这一技术在自动驾驶领域受到了极大的关注。与传统的视觉语言模型（VLM）相比，VLA 的优势在于其不仅可以解析图像和文本信息，还能通过 “类人” 思维进行决策。这使得智能驾驶系统能够更准确地推理复杂的路况，比如在施工现场或交通指挥中作出适当反应。

近日，银河通用科技公司联合北京智源人工智能研究院、北京大学和香港大学，隆重推出了名为 GraspVLA 的端到端具身抓取基础大模型。这一模型的问世标志着具身智能技术的一次重大突破，具备了感知、学习和环境交互的综合能力。GraspVLA 的训练过程包括预训练和后训练两个阶段。其中，预训练阶段基于十亿帧的数据进行，确保了模型在多种场景下的高泛化性与零样本测试的能力。这意味着，模型能够在未见过的环境和任务中，仍然展现出卓越的抓取性能。这种能力的提升，预示着未来智

新加坡南洋理工大学的研究团队近日公开了一项名为SOLAMI的AI技术，它能创造出活灵活现的3D虚拟角色，不仅能在VR世界里跟你实时互动，还能理解你的语音和动作，陪你聊天、跳舞甚至打拳击! 这简直是游戏、虚拟社交和单身狗的福音啊!SOLAMI是一个端到端的社会视觉-语言-动作（VLA）建模框架，它利用深度学习技术，将用户的语音和动作转换为虚拟角色可以理解的“语言”，并生成相应的语音和动作回应。说人话就是它能把你的语音和动作翻译成AI听得懂的语言，然后让虚拟角色做出相应的