Les mouvements des premiers robots humanoïdes reposaient sur des modules le plus souvent divisés en sous-systèmes pour la locomotion, les bras, l’équilibre… limitant de fait les performances des appareils. Les modèles vision-langage-action (VLA), qui convertissent les données visuelles et instructions textuelles en actions directement exécutables par les robots, tendent au contraire à casser ce cloisonnement avec une approche de bout en bout.