VLA (Vision-Language-Action)

Arquitectura de modelo de IA que fusiona la comprensión visual (imágenes, flujos de vídeo), la comprensión del lenguaje natural y la generación de acciones motoras en una única red neuronal fundamental. Un VLA recibe como entrada imágenes de cámaras e instrucciones verbales, y produce como salida comandos de movimiento para un robot. CLOiD de LG es un ejemplo: entrenado con decenas de miles de horas de datos de tareas domésticas, traduce la visión y el habla en gestos físicos.