Umělá inteligence (AI) má schopnost vyhledávat recepty nebo generovat obrázky, ale má problémy s fyzickými úkoly, jako je zavěšování umění nebo vaření. Chelsea Finn, inženýrka a výzkumnice na Stanfordově univerzitě, se snaží to změnit, neboť věří, že AI by mohla přinést novou éru v robotice. Finn, která spoluzaložila společnost, jež prezentovala univerzální AI robota schopného skládat prádlo, zdůrazňuje potřebu softwaru, který umožní robotům inteligentně fungovat v různých scénářích. Ačkoliv pokroky, jako je nedávný robot na balení obědů powered by AI od Googlu, ilustrují potenciál, výzkumná komunita je rozdělena v názoru, zda generativní AI může revolučně změnit robotiku, jako tomu bylo u online úkolů. Kritici, jako Ken Goldberg z UC Berkeley, varují, že roboti nedosáhnou svého sci-fi potenciálu přes noc kvůli složitosti, kterou to obnáší. Historicky byla percepce robotiky často rychlejší než realita; roboti vynikají v ovládaných, opakovaných úkolech, ale bojují s nepředvídatelnými prostředími. Finnova laboratoř zkoumá řešení prostřednictvím projektu zvaného "OpenVLA", jehož cílem je vytvořit systém kombinující vidění, jazyk a akci, a to podobně jako fungování lidského mozku. Tento inovativní přístup umožňuje trénink robotů k vykonávání úkolů pomocí demonstrací místo podrobného programování. Moo Jin Kim ze Stanfordu ilustruje tento proces, kdy člověk “ovládá” robota pomocí joystiků, aby mu učil úkoly prostřednictvím opakované praxe.

Jak se robot učí z těchto demonstrací, začíná nezávisle replikovat dané činnosti. Physical Intelligence, společnost spoluzaložená Finn, usiluje o rozšíření tohoto modelu tréninku a představuje si roboty schopné přizpůsobit se různým jednoduchým úkolům, jako je příprava sendvičů. Finn tvrdí, že vývoj generalistických systémů by mohl být efektivnější než specializovaných, i když shromáždění potřebných tréninkových dat představuje výzvy. Skeptici jako Ken Goldberg věří, že vybudování komplexní databáze pro fyzické úkoly potrvá mnohem déle než pro chatboty kvůli složitosti reálných dat. Stejně tak Pulkit Agrawal z MIT preferuje simulace jako způsob, jak urychlit sběr dat tím, že umožní robotům opakovaně cvičit v virtuálních prostředích, ačkoliv takové simulace často nedokážou zachytit nepředvídatelnou povahu reálného světa. Taktéž existují hlubší problémy, jak upozorňuje Matthew Johnson-Roberson z Carnegie Mellon, který věří, že roboti musí čelit složitějším prostorovým a časovým výzvám než chatboty, což činí data nedostatečnými pro precizní provádění úkolů. Navzdory skepticismu mnozí uznávají, že AI transformuje robotiku. Goldbergova společnost, Ambi Robotics, vyvinula systém poháněný AI, který zefektivňuje třídění balíků a výrazně zlepšuje efektivitu, přičemž stále vyžaduje tradiční programování pro provádění. Ačkoli Finn souhlasí, že jsou potřeba pokroky, zůstává optimistická ohledně toho, že roboti pohánění AI mohou pomáhat v sektorech čelících nedostatku pracovních sil kvůli stárnoucí populaci, i když nepředpokládá, že by tito roboti zcela nahradili lidskou práci u složitých úkolů.