2025 AI 趋势前瞻：从对话到行动 (LAMs) —

如果说 2023-2024 年是 LLM (Large Language Model, 大语言模型) 的高光时刻，它们学会了写诗、写代码、通过图灵测试；那么 2025 年无疑是 LAM (Large Action Model, 大型行动模型) 的元年。

AI 终于不再满足于做一个只会在聊天框里打字的“键盘侠”，它开始长出了“手”，试图接管我们的鼠标和键盘，去点击 APP，去填写表单，去操作那些设计给人类使用的用户界面 (UI)。

什么是 LAM？为什么我们需要它？

LLM 的局限性

想象一下，你想订一张下周去东京的机票。

LLM 能够：给你列出航空公司对比，告诉你那个季节东京的天气，甚至帮你写好请假条。
LLM 不能：真正帮你打开携程或 Expedia，选好航班，输入你的护照号，点击“支付”按钮。

因为 LLM 输出的是 Text (文本)，而现实世界的许多任务需要 Action (行动)。

LAM 的定义

LAM 是一种经过特殊训练的模型，它理解的不仅仅是自然语言，还有 GUI (图形用户界面)。由于对屏幕截图、DOM 树、API 调用的理解，它可以将用户的意图转化为一系列具体的操作步骤。

Rabbit R1 的启示：虽然 2024 年 Rabbit R1 的硬件发布充满了争议，但它提出的 LAM 概念方向是正确的。它试图让 AI 学习如何像人一样操作 Spotify, Uber 等软件，而不是依赖这些软件是否开放了 API。

技术原理：AI 是如何“看见”并“点击”的？

实现 LAM 主要有两条技术路线，而在 2026 年，这两条路线正在融合。

1. 基于 API 的功能调用 (Function Calling)

这是目前的过渡方案。像 OpenAI 的 Assistant API，你给它定义一系列工具（如 get_weather, book_flight），模型会输出 JSON 格式的调用指令。

优点：准确、稳定。
缺点：受限于服务商是否开放 API。如果某个 App 没有 API，AI 就束手无策。

2. 基于视觉的 UI 操作 (Visual UI Action)

这是 LAM 的终极形态。AI 像人类一样“看”屏幕（通过 Computer Vision 技术）。

感知 (See)：模型分析当前屏幕截图，识别出哪里是按钮，哪里是输入框，哪里是下拉菜单。
规划 (Plan)：根据用户指令“帮我点一杯拿铁”，规划路径 -> 打开外卖App -> 点击搜索 -> 输入拿铁 -> 选购 -> 结算。
执行 (Act)：模拟鼠标移动和键盘输入。

Multi-Modal (多模态) 技术的发展让这一路线成为现实。GPT-4V 和 Gemini 1.5 Pro 已经展现了惊人的屏幕理解能力。

2025-2026 的应用场景爆发

1. 软件操作自动化 (RPA 2.0)

传统的 RPA (机器人流程自动化) 需要程序员死板地录制脚本，一旦 UI 只有一点变动（比如按钮位置挪了 5 像素），脚本就挂了。 LAM 驱动的 RPA 是语义级别的。它找的是“提交按钮”，而不是“坐标 (800, 600)”。即使界面大改版，只要逻辑没变，AI 依然能找到按钮。这将彻底重构企业内部的报销、审批、数据录入流程。

2. 超级个人助理

手机 OS 层面将内置系统级的 LAM。

Siri / Android Assistant 不再是废物。你可以说：“把你刚才发给我的那张照片修一下，发到朋友圈，配文说我即使加班也要热爱生活。”
AI 会自动打开相册 -> 调用修图功能 -> 打开微信 -> 编辑朋友圈 -> 发送。整个过程行云流水。

面临的挑战：安全与信任

赋予 AI “行动权”比赋予它“说话权”危险一万倍。

误操作风险：如果 AI 理解错了，把“转账 100 元”理解成了“转账 10000 元”，或者把邮件发给了错误的人，后果不堪设想。
人机验证 (Human-in-the-loop)：2026 年的设计规范中，所有涉及敏感操作（支付、删除、发送），必须有一个“人类确认”的环节。AI 只能负责填写，点击“确定”的手指必须是人类的。

结语

从 LLM 到 LAM，是 AI 从Info-Provider (信息提供者) 向 Service-Provider (服务提供者) 的跨越。我们即将迎来一个“动口不动手”的时代。在这个时代，最宝贵的技能不再是操作复杂的软件，而是清晰地表达你的意图。