Large Action Models (LAM)

探索大型动作模型 (LAM) 以及它们如何驱动自主 AI 代理。学习集成 Ultralytics YOLO26 以实现视觉到动作的工作流和任务自动化。

大型动作模型 (LAM) 是一类先进的生成式人工智能，旨在超越文本生成的范畴，通过自主执行任务和与数字环境交互来工作。与严格处理和生成文本的传统模型不同，LAM 作为 AI 智能体的核心认知引擎，能够将人类意图转化为具体的、多步骤的动作。通过架起自然语言理解与现实世界执行之间的桥梁，这些模型代表了向通用人工智能 (AGI) 和高度自主系统迈出的重要一步。

Link to this section大型动作模型的工作原理#

LAM 构建在传统的基础模型架构之上，但它们经过专门训练，可以与软件、API 和 Web 环境进行接口对接。通过使用强化学习和函数调用等技术，LAM 可以将复杂的用户请求分解为逻辑步骤，导航图形用户界面，并执行 API 端点。例如，Anthropic 的 Claude 3.5 computer use 和 Salesforce 的 xLAM 系列的最新进展展示了这些系统如何像人类操作员一样自主点击按钮、填写表单并管理工作流。

当与计算机视觉系统配对时，LAM 会变得更加强大。视觉输入可以由像 Ultralytics YOLO26 这样高效的模型进行处理，使 LAM 能够“看到”其环境，解读视觉上下文，并根据其检测到的内容触发特定的程序化动作。

Link to this section实际应用#

LAM 正在改变各行业实现任务自动化的方式，从被动辅助转向主动执行。

零售业 AI 与客户支持： LAM 不仅仅是回答客户问题，还能自主处理产品退货。如果用户要求取消订单，模型可以导航到公司的计费软件、验证策略、开具退款并更新库存数据库，无需人工干预。
医疗保健 AI 管理： 在临床环境中，LAM 可以协调复杂的工作流。它们能够提取患者请求，交叉核对医生空闲时间，通过内部医疗软件自动更新电子健康记录 (EHR)，并完成预约调度。

Link to this section使用代码自动化视觉工作流#

LAM 经常与视觉模型集成以实现视觉检测自动化。以下 Python 示例演示了假设的 LAM 工作流如何利用 ultralytics 扫描图像，并根据目标检测结果触发自动库存动作。

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.")

用户可以使用 Ultralytics Platform 无缝部署和监控这些类型的集成式视觉动作工作流，该平台为现代 AI 解决方案提供了强大的云基础设施。

Link to this section区分相关概念#

为了全面了解现代 AI 格局，区分 LAM 与其他密切相关的术语非常有帮助：

LAM 与大型语言模型 (LLM)： LLM 严格设计用于处理、总结和生成语言，非常像一种高度先进的文本预测器。LAM 结合了这种语言理解能力，但专门设计用于与外部工具交互并完成数字动作。
LAM 与智能体 AI (Agentic AI)： “智能体 AI”描述了自主运行的整体系统或软件实体。大型动作模型是底层的神经网络——即赋予智能体规划和执行这些动作能力的“大脑”。
LAM 与智能体 RAG (Agentic RAG)： 智能体 RAG 专注于自主检索和综合外部信息，以提高生成答案的准确性。LAM 专注于操纵系统和改变状态（例如预订航班或移动文件），而不仅仅是检索数据。