VLMとは
VLM（Vision-Language Model）は、画像や動画などの視覚情報と、テキストや音声などの言語情報を同時に扱うモデルです。大量の画像とテキストのペアデータから、視覚的な概念と単語の意味を対応付けて学習します。
何が重要か
VLMは、ロボットに「見る」と「理解する」を結びつける能力を与えます。例えば、ロボットが物体を認識し、その名前や用途を言語で指示されたり、環境の説明を理解して行動したりすることが可能になります。
VLM（Vision-Language Model）
ぶいえるえむ
別名: Vision-Language Model
画像とテキストを統合的に処理し、視覚情報と言語の対応関係を学習するモデル。
関連用語
- VLA（Vision-Language-Action）
「画像を見る」「言葉で指示を理解する」「動作を出力する」を1つにまとめたロボット用AIモデル。
- フィジカルAI
現実世界で身体(ロボットなど)を使って行動するAI。見る・意味を理解する・体を動かすまでを担い、画面の中で完結しない。
フィジカルAIを、用語からニュースまで日本語で
週に1度、その週のフィジカルAIをまとめて送ります。重要ニュース5本・日本/中国・Research Picks・今週の公募。無料、いつでも解除できます。