大型动作模型（LAM）

大型动作模型（LAM）是一种先进的生成式人工智能类别，旨在突破文本生成的局限， 通过自主执行任务并与数字环境交互来实现更多功能。 与仅 严格处理和生成文本的传统模型不同，LAM作为AI代理的核心认知引擎， 将人类意图转化为具体的、 多步骤行动。通过弥合自然语言理解与现实世界执行之间的鸿沟，这些模型 标志着向 通用人工智能（AGI） 及高度自主系统迈出了重要一步。

大型动作模型的工作原理

LAM（语言辅助模型）基于传统 基础模型的架构构建，但它们经过专门训练， 能够与软件、API 和网络环境进行交互。通过使用 强化学习和函数调用等技术， LAM 能够将复杂的用户请求分解为逻辑步骤，操作图形用户界面，并调用 API 端点。 例如Anthropic Claude 3.5 计算机应用和 Salesforce 的 xLAM 系列等最新进展， 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结合使用时，LAMs 的功能将更加强大。视觉输入可通过高效模型（如 Ultralytics ）进行处理，从而使LAM能够“观察”其 所处的环境，解读视觉上下文，并根据检测结果触发特定的程序化操作。

实际应用

LAMs正在改变各行业处理任务自动化的方式，使其从被动辅助转向主动执行。

• 人工智能在零售与客户支持中的应用： LAM 不仅能回答客户的问题，还能自主处理产品退货。如果用户要求 取消订单，该模型可在无需人工干预的情况下，操作公司的计费软件、核验退换货政策、办理退款，并 更新库存数据库。
• 医疗管理中的人工智能： 在临床环境中，LAMs负责协调复杂的工作流程。它们能够提取患者需求，核对医生 的空闲时间，通过内部医疗软件自动更新电子健康记录（EHR），并最终确定 预约安排。

使用代码实现视觉工作流自动化

LAM 通常与视觉模型集成，以实现视觉检测的自动化。以下Python 演示了一个假设的 LAM 工作流如何利用 ultralytics 扫描一张图片，并根据 该图片触发一项 自动库存操作 物体检测 结果

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.")

用户可以借助 Ultralytics 无缝部署和监控此类集成化的可视化-行动工作流，该平台为 现代人工智能解决方案提供了强大的云基础设施。

区分相关概念

要全面了解现代人工智能的发展现状，有必要将大型语言模型（LAMs）与其他相关术语区分开来：

• LAM 与 大型语言模型（LLM）： 大型 语言模型（LLM）专为处理、摘要和生成语言而设计，类似于一种高度先进的文本 预测器。LAM 不仅具备这种语言理解能力，还专门设计用于与外部 工具交互并执行数字操作。
• LAM 与代理式人工智能（Agentic AI）的对比：“代理式人工智能”指代能够 自主运行的整体系统或软件实体。而大型动作模型（LAM）则是其底层的神经网络——即“大脑”——赋予 该代理规划和执行这些动作的能力。
• LAM 与Agentic RAG：Agentic RAG 侧重于自主检索和合成外部信息，以提高生成的 答案的准确性。LAM 则侧重于操作系统和改变状态（例如预订机票或移动文件）， 而非仅仅检索数据。