以打翻饮料情况为例，未来机器人在接收「打翻饮料」关键字词之後，将会进一步联想所有与「打翻」、「饮料」等字词组合相关应对方式，最後加上场景识别等判断基础，即可得出需要进行「清理」、「擦拭」等工作，最终则会让机器人选择拿取海绵吸拭洒在桌上的饮料。
Google稍早宣布启用人工智慧模型PaLM-SayCan，将可让母公司Alphabet打造的协助型机器人更容易理解使用者所下达口语指令，进而正确执行工作。
由於机器人所能理解语意，通常与人脑所能理解内容有所差异，例如机器人所能识别指令必须完整、精确，同时现阶段所能理解内容也不能过於复杂、抽象，因此仅能执行「拿起一颗苹果」 (Pick up an apple)此类简洁描述指令，但可能无法理解「我刚运动完，可以帮我准备一些健康点心吗？」 (I just worked out, can you get me a healthy snack?)的指令实际需求。
即便目前已经可以透过诸如GPT-3大型语言模型理解人类语句涵义，但距离让机器人实际理解人类日常生活中的用语背後需求，实际上还有一大段落差，原因在於人脑对於语句背後的情境会有一定程度想像，比方当人打翻饮料时，向他人提出帮忙请求时，就会自然理解需要进行现场状况清理，因此会衍生拿抹布擦拭地面、拿扫把清理碎裂物品等，但机器人目前仍无法实现此类联想，可能仅能从现有资料库比对可行的做法，导致经常出现答非所问的回覆。
而藉由Google此次提出的PaLM-SayCan模型，则是可进一步协助机器人判断人类语句背後潜藏涵义，进而将相关语句转换成可让机器人正确执行的指令内容，并且透过增加任务对应性与技能可行性判断，藉此强化指令执行正确率。
以打翻饮料情况为例，机器人在接收「打翻饮料」关键字词之後，将会进一步联想所有与「打翻」、「饮料」等字词组合相关应对方式，最後加上场景识别等判断基础，即可得出需要进行「清理」、「擦拭」等工作，最终则会让机器人选择拿取海绵吸拭洒在桌上的饮料。
目前Google已经透过GitHub公开PaLM-SayCan模型相关内容，让有兴趣的开发者、设计团队取用测试。