Naniniwala ang Ideal Auto na makakamit ng VLA ang layunin ng pagsasama-sama ng 3D at 2D vision.

Sa isip, makikita ng VLA ang pisikal na mundo sa kabuuan nito sa pamamagitan ng kumbinasyon ng 3D at 2D vision, hindi tulad ng VLM na maaari lamang bigyang kahulugan ang mga 2D na imahe. Kasabay nito, ang VLA ay may kumpletong sistema ng utak na may mga kakayahan sa pangangatwiran ng wika at CoT (chain of thought). Nakikita, naiintindihan at nagagawa nito ang mga aksyon, na naaayon sa paraan ng pagpapatakbo ng mga tao.