谷歌在机器人领域取得重大进展，推出了RT-2模型，具备符号理解、推理和人类识别能力。AutoRT、SARA-RT和RT-Trajectory等研究成果能够提高机器人的决策速度、环境理解和任务完成能力。

视觉语言行动模型（VLA）将机器人动作表示为文本标记，与自然语言回答统一格式，实现单一端到端训练。以RT-2为例，该模型能泛化到新物体、理解未训练指令并进行初步语义推理，还可通过思维链完成多阶段推理。多项研究进一步探索大语言模型与视觉模型结合，用于机器人规划、长视程任务和终身学习。