計(jì)算機(jī)視覺(jué)（CV）和自然語(yǔ)言處理（NLP）早先是兩個(gè)較為獨(dú)立的研究L域。CV 重點(diǎn)關(guān)注如何用計(jì)算機(jī)代替人眼對(duì)目標(biāo)完成識(shí)別、跟蹤、測(cè)量等任務(wù)，對(duì)圖像進(jìn)行處理；NLP 則研究計(jì)算機(jī)如何處理、運(yùn)用自然語(yǔ)言，包括語(yǔ)言生成、問(wèn)答、對(duì)話等任務(wù)。近年來(lái)，以深度神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)和模式識(shí)別技術(shù)被廣泛應(yīng)用于 CV 和 NLP L域，取得了目前先進(jìn)的效果。

近年來(lái)，研究者們?cè)噲D將動(dòng)作控制也引入到「視覺(jué)-語(yǔ)言」任務(wù)的框架中。吳琦將此類任務(wù)命名為 V3A（Vision, Ask, Answer, Act），在給定視覺(jué)輸入后，我們希望機(jī)器能夠提出問(wèn)題、回答問(wèn)題、并通過(guò)和人以及機(jī)器之間的語(yǔ)言交流執(zhí)行某些動(dòng)作。

例如，「Vision+Ask」的任務(wù)包含視覺(jué)問(wèn)題生成、根據(jù)問(wèn)題生成查詢、圖像描述等；「Vision+Answer」的任務(wù)包含視覺(jué)問(wèn)答、視覺(jué)對(duì)話等；「Vision+Act」的任務(wù)包含指稱表達(dá)、視覺(jué)對(duì)齊（visual grounding）、語(yǔ)言引導(dǎo)的視覺(jué)導(dǎo)航、具身視覺(jué)問(wèn)答、具身指稱表達(dá)等。