全模态具身智能：从 VLM 到 MLLM

写在前面

人工智能的感知边界正在以前所未有的速度扩展。最初，我们惊叹于大型语言模型（LLM）对文本的深刻理解和流畅生成。很快，视觉语言模型（Vision-Language Models, VLM） 登场，让 AI 第一次真正“看见”了世界，能够理解图像内容并将其与语言关联，实现了“看图说话”、“图像问答”等功能。

然而，真实世界远比静态图像和文本描述要丰富得多。它充满了动态的视频、环境的声音、人类的语音，以及我们与之交互的物理实体。为了让 AI 更全面地感知、理解并最终融入这个复杂的世界，研究者们正致力于构建更强大的多模态大型语言模型（Multimodal Large Language Models, MLLMs），它们的目标是统一处理和理解文本、图像、视频、音频等多种模态的信息。

这自然引出了一个问题：MLLMs 与我们熟悉的 VLMs 之间究竟有何区别与关联？更进一步，当 AI 拥有了处理更