据报道，日前谷歌正式推出大模型Gemini，其最大亮点之一就是设计时就原生支持多模态，可以泛化并无缝理解、操作和组合不同类型的信息，包括文本、代码、音频、图像和视频，远远优于现有（近似）多模态模型，并且它的能力在几乎每个领域都是最强的。谷歌研发负责人Hassabis透露，谷歌DeepMind已经在研究如何将Gemini与机器人技术结合起来，与世界进行物理交互。他表示，新的多模态模型将成为智能体、规划和推理、游戏甚至物理机器人快速创新的基础。

portant; padding: 0px !important;">多模态技术可以提高人机交互的效率和质量，使得用户可以更自然、更直观地与计算机进行交互。作为多模态应用重要场景的机器人领域方面，多模态技术可以帮助机器人实现更加精确、高效、协调的动作控制，从而提高机器人的工作效率和质量。此前，谷歌大模型PaLM-E驱动的机器人可以执行长跨度任务、执行规划任务、在给定图像的情况下讲述笑话等，Gemini望应用于完善机器人任务层的实践当中，推动人形机器人等细分产业加速商用，相关领域公司望迎来机遇。