3月月份，Google Deepmind 发表论文，推出了拥有 5620 亿参数的多模态具象化视觉语言模型 (VLM)：PaLM-E。PaLM-E 是具备视觉能力、且不需要特殊训练就能引导机器人的 AI 模型，是有史以来规模最大的VLM，无需重新训练即可执行各种任务。谷歌的研究论文解释了 PaLM-E 是如何将指令转化为动作的：给出指令“我把饮料给弄洒了，你能给我拿点东西来清理一下吗？”后，机器人需要规划一个包含有“1. 找到海绵；2. 捡起海绵；3. 拿海绵给用户；4. 放下海绵”的动作序列。PaLM-E 也已经展示出了涌现能力，比如多模式思维链推理与多图像推理。
目前，大模型已被证明可以执行复杂任务，而大模型与机器人的结合，也将让人类距离 AGI 更进一步。在此基础之上，我们可以开发结合大模型的通用机器人助手，也可以开发如同手机做操作系统一的机器人的操作系统平台，并且可以可以在这个平台上做逐渐形成一个产业生态。在未来，这其中的想象空间非常大。