Large Action Models (LAM)

نماذج الإجراءات الكبيرة (LAM) هي فئة متقدمة من الذكاء الاصطناعي التوليدي صُممت لتتجاوز توليد النصوص من خلال تنفيذ المهام والتفاعل مع البيئات الرقمية بشكل مستقل. وعلى خلاف النماذج التقليدية التي تقتصر على معالجة النصوص وإنتاجها، تعمل نماذج LAM كمحرك إدراكي أساسي لـوكلاء الذكاء الاصطناعي، إذ تترجم نوايا البشر إلى إجراءات ملموسة متعددة الخطوات. ومن خلال سد الفجوة بين فهم اللغة الطبيعية والتنفيذ في العالم الحقيقي، تمثل هذه النماذج قفزة مهمة نحو الذكاء الاصطناعي العام (AGI) والأنظمة ذاتية التشغيل بدرجة عالية.

كيفية عمل نماذج الإجراءات الكبيرة#

تستند نماذج LAM إلى البنية الأساسية لـنماذج الأساس التقليدية، لكنها تُدرَّب خصيصًا للتفاعل مع البرمجيات وواجهات API وبيئات الويب. وباستخدام تقنيات مثل التعلّم المعزّز واستدعاء الدوال، يستطيع نموذج LAM تقسيم طلب معقد من المستخدم إلى خطوات منطقية، والتنقل في واجهات المستخدم الرسومية، وتنفيذ نقاط نهاية API. فعلى سبيل المثال، توضح التطورات الحديثة في استخدام الحاسوب في Claude 3.5 من Anthropic وعائلة xLAM من Salesforce كيف يمكن لهذه الأنظمة النقر على الأزرار وتعبئة النماذج وإدارة سير العمل بشكل مستقل، تمامًا كما يفعل المشغّل البشري.

عند إقران نماذج LAM بأنظمة الرؤية الحاسوبية، تصبح أكثر قوة. ويمكن معالجة المدخلات المرئية باستخدام نماذج عالية الكفاءة مثل Ultralytics YOLO26، مما يتيح لنموذج LAM «رؤية» بيئته وتفسير السياق المرئي وتشغيل إجراءات برمجية محددة استنادًا إلى ما يكتشفه.

التطبيقات الواقعية#

تُحوِّل نماذج LAM طريقة تعامل القطاعات مع أتمتة المهام، إذ تنتقل من المساعدة السلبية إلى التنفيذ الفعلي.

• الذكاء الاصطناعي في تجارة التجزئة ودعم العملاء: بدلًا من مجرد الإجابة عن أسئلة العملاء، يستطيع نموذج LAM معالجة إرجاع منتج بشكل مستقل. فإذا طلب مستخدم إلغاء طلب، يمكن للنموذج التنقل في برنامج الفوترة الخاص بالشركة، والتحقق من السياسة، وإصدار المبلغ المسترد، وتحديث قاعدة بيانات المخزون دون تدخل بشري.
• الذكاء الاصطناعي في إدارة الرعاية الصحية: في البيئات السريرية، تنسّق نماذج LAM عمليات سير العمل المعقدة. ويمكنها استخراج طلبات المرضى، ومطابقة توافر الأطباء، وتحديث السجلات الصحية الإلكترونية (EHR) تلقائيًا من خلال البرامج الطبية الداخلية، وإتمام جدولة المواعيد.

أتمتة عمليات سير عمل الرؤية باستخدام التعليمات البرمجية#

كثيرًا ما تُدمج نماذج LAM مع نماذج الرؤية لأتمتة عمليات الفحص المرئي. يوضح مثال Python التالي كيف يمكن لسير عمل افتراضي لنموذج LAM الاستفادة من ultralytics لفحص صورة وتشغيل إجراء آلي للمخزون استنادًا إلى نتائج اكتشاف الأجسام.

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model for an agentic vision task
model = YOLO("yolo26n.pt")

# The LAM commands the model to scan a warehouse shelf image
results = model.predict("inventory_shelf.jpg")

# The LAM extracts actionable data to autonomously trigger a supply reorder
for result in results:
    detected_items = len(result.boxes)
    if detected_items < 10:
        print(f"Low inventory ({detected_items} items). Action triggered: Reordering supplies via API.")

يمكن للمستخدمين نشر هذا النوع من عمليات سير العمل المرئية المتكاملة ومراقبتها بسلاسة باستخدام منصة Ultralytics، التي توفر بنية تحتية سحابية متينة لحلول الذكاء الاصطناعي الحديثة.

التمييز بين المفاهيم ذات الصلة#

لفهم مشهد الذكاء الاصطناعي الحديث فهمًا كاملًا، من المفيد التمييز بين نماذج LAM والمصطلحات الأخرى وثيقة الصلة بها:

• LAM مقابل نموذج اللغة الكبير (LLM): صُمم نموذج LLM خصيصًا لمعالجة اللغة وتلخيصها وتوليدها، على غرار متنبئ نصي متقدم للغاية. أما نموذج LAM فيستوعب هذا الفهم اللغوي، لكنه مصمم هندسيًا خصيصًا للتفاعل مع الأدوات الخارجية وإكمال الإجراءات الرقمية.
• LAM مقابل الذكاء الاصطناعي الوكيلي: يصف «الذكاء الاصطناعي الوكيلي» النظام الشامل أو الكيان البرمجي الذي يعمل بشكل مستقل. أما نموذج الإجراءات الكبير فهو الشبكة العصبية الأساسية—أي «العقل»—التي تمنح الوكيل القدرة على التخطيط لتنفيذ تلك الإجراءات وإتمامها.
• LAM مقابل الاسترجاع المعزّز بالتوليد الوكيلي (Agentic RAG): يركّز الاسترجاع المعزّز بالتوليد الوكيلي على استرجاع المعلومات الخارجية وتركيبها بشكل مستقل لتحسين دقة الإجابة المُولَّدة. بينما يركّز نموذج LAM على التعامل مع الأنظمة وتغيير حالاتها، مثل حجز رحلة أو نقل ملفات، بدلًا من مجرد استرجاع البيانات.