大语言模型（LLM）将主要通过提升其处理自然语言、推理复杂场景以及适应动态环境的能力来增强自主系统。这些模型可以作为人机交互的接口，通过分析非结构化数据辅助决策，并使系统能够处理传统硬编码难以应对的边缘情况。它们的集成将与传统算法互补，在基于规则的方法力所不能及之处增加灵活性。
一个关键应用是实现自主系统与用户之间的自然语言通信。例如，一辆自动驾驶汽车可以使用 LLM 来解释“找一个附近有咖啡馆的最近的充电站”之类的语音指令，将导航逻辑与地点和设施的语义理解结合起来。同样，仓库机器人可以处理用普通英语编写的维护日志，以诊断硬件问题，减少对结构化错误代码的依赖。开发者可以通过将 LLM API 连接到系统的控制层来实现这一点，将文本或语音翻译成可执行的命令（例如，将“避开施工区域”转换为地理围栏路线更新）。
LLM 在处理模糊的现实世界数据方面也增加了价值。检查电力线的无人机可以使用 LLM 分析摄像头画面和历史检查报告，识别标准图像识别可能遗漏的潜在腐蚀风险。在医疗机器人领域，LLM 可以帮助解释非结构化的患者请求（“我需要治肩痛的东西”），以指导护理助手的行动。然而，开发者必须解决延迟等挑战——LLM 推理可能会增加 100-500 毫秒的延迟——并实施安全措施，防止幻觉影响关键操作。约束解码或混合系统（由传统代码验证 LLM 建议）等技术可以降低风险。
最后，LLM 使系统能够适应新情况而无需显式重新编程。经过作物数据训练的农业机器人可以使用 LLM 通过综合历史气候数据和植物学研究，为意外天气模式生成收割策略。对于开发者而言，这意味着构建将传感器数据和操作上下文输入 LLM 的管道，同时维护确定性回退系统。例如，遇到路障的配送机器人可能会使用 LLM 根据当地交通模式提出绕行方案，然后在采取行动之前对照实时地图 API 进行验证。这种生成灵活性与基于规则的验证之间的平衡将决定 LLM 在自主系统中的实际集成效果。