点，也没有什么答案给你去抄。
只能够一点点的去摸索，一点点的去研究。
而这个过程……肯定是伴随着数之不尽的人力，物力的投入！
就现在的技术，别说是物理世界的多模态大模型了。
连多模态感知和动作的耦合训练数据，都是相当的稀少。
而且，获取数据的成本，可以说是相当的高！
想要搭建一个物理世界的多模态大模型。
成本可以说是要远远的超过像是ChGPT这样的纯文本大语言模型。
而且，难度也不能够同日而语。
毕竟，后者能够在短时间内，找到大量合适的数据喂进去，让纯文本大语言模型在极短的时间里面，就成长到一个相当不错的高度。
而前者呢？
先不说技术方面的问题，仅仅是想要获取足够的数据，就需要费不少的时间，投入不少的资源。
物理世界的多模态大模型，对准确率的要求，也要超过纯文本的大语言模型很多很多……
就目前的技术而言，想要实现这一点，跟人类要直接登陆火星，在火星上修建起一座可以适宜人类生存的城市差不了多少……
怎么说呢。
基本上……两者都是遥遥无期。
就好像是一个小目标，跟一百个小目标，对于大多数普通人来说，基本上没有什么区别。
因为……都拿不出来。