大型行动模型 LAM 是什么？不只会说，还能真正去做事的 AI

大型行动模型（Large Action Model，LAM）指能把用户意图转化为实际行动并执行的 AI 模型。微软和北京大学在 2024 年发表的论文《大型行动模型：从构想到实现》系统地阐述了这个概念，以及如何从零开始构建这样的模型。它的目标是超越传统的大语言模型：大语言模型擅长生成文字，回答“怎么做”；大型行动模型则要真正去“做”，在电脑、手机、软件或物理世界中完成任务。

和大语言模型的区别

问大语言模型“怎么把这份表格里销售额前十的产品做成图表”，它会给你一段操作步骤；而大型行动模型会直接打开表格软件，自己完成排序、筛选、插入图表这一系列操作。要做到这一点，模型需要具备一整套能力：理解用户的意图，把复杂的任务分解成步骤，规划执行顺序，在每一步做出决策并生成具体的动作（点击哪里、输入什么、调用哪个接口），观察执行结果，必要时调整计划。它还需要处理多模态的输入，比如看懂屏幕截图。

怎么构建

论文以 Windows 操作系统中的办公软件操作为例，介绍了构建大型行动模型的完整流程：数据收集，获取用户请求与对应操作轨迹的数据；模型训练，分阶段地从任务规划能力训练到动作执行能力，结合监督学习、模仿学习和强化学习；环境集成，把模型接入一个能真正执行动作的智能体系统中，让它能感知环境、调用工具；以及在真实环境中的评估。研究团队把训练出的模型集成到微软的 UFO 智能体中进行了测试。

意义和挑战

大型行动模型被视为从“对话式 AI”走向“行动式 AI”的关键一步，也是迈向通用人工智能的重要方向。如今的电脑操作智能体、浏览器智能体、手机智能体，都体现了这一思路。挑战同样明显：动作执行一旦出错，可能带来真实的后果，比如误删文件、误发消息；面对复杂多变的软件界面，模型需要很强的适应能力；安全和权限控制也至关重要，需要在敏感操作前加入人工确认等保护措施。