Za pokročilými funkciami robotov sa vždy skrývajú modely umelej inteligencie založené na hlbokých neurónových sieťach. Základnou architektúrou sú v súčasnom období transformery, predovšetkým multimodálne architektúry typu encoder-decoder. Hoci majú pozoruhodné schopnosti, z princípu sa vyznačujú rizikami, ktoré znižujú ich atraktívnosť pre priemysel. Spomenieme cesty akými sa náš výskum snaží tieto nedostatky odstrániť.