是时候学装B了——大佬们都在说的LAM是个啥？

你让AI“帮我订下周二去上海的高铁票，靠窗”，它回你一串步骤：“1.打开12306；2.输入出发地；3.选择日期；4.勾选靠窗……”

你心里一万头草泥马奔过：我要的是你干，不是教我怎么干。

这个尴尬，在2026年大概率要被一个叫LAM的东西终结。

【出处】

LAM（Large Action Model，大操作模型）是2026年AI技术路线图中的核心热词。

Data Science Dojo等科技媒体将其定义为“超越LLM的下一个进化方向”。

Salesforce已推出xLAM系列模型，而OpenAI在2026年2月发布的“Operator”系统，被业界认为是LAM架构的典型实现——它可以通过“视觉-动作循环”直接操作浏览器和桌面应用。

【意思】

LAM和LLM的本质区别在于输出类型：LLM输出文本（建议、计划、步骤），LAM输出动作（点击、填写、调用、执行）。

一个会“说”，一个会“做”。

【技术点】

1. 核心技术架构：视觉-动作闭环

LAM的核心是“环境感知+动作生成”的闭环系统。

以OpenAI Operator为例，它采用“Vision-Action Loop”（视觉-动作循环）：

通过高频截取桌面或浏览器画面，进行像素级UI元素识别——按钮、下拉菜单、输入框——像人一样“看”屏幕，而不是依赖底层HTML代码。

也就是说，即使网站前端改版，只要按钮还在那个位置、长那个样子，LAM就能找到它、点它。数据显示，这种视觉导航的成功率可达87%。

2. 神经符号AI的复兴

LAM的技术底座是神经符号AI（Neuro-symbolic AI）。它结合了：

• 神经网络的模糊模式识别能力（理解“靠窗”这个意图）
• 符号系统的结构化逻辑推理（规划“订票→选座→支付”的步骤序列）

纯LLM是靠“猜下一个词”来生成文本；纯符号系统则太死板，应付不了真实世界的混乱。

神经符号AI让LAM既能处理模糊的自然语言，又能执行结构化的多步任务。

3. 动态规划与自适应

真实任务往往需要多步流程、分支逻辑、错误处理。LAM具备实时观察环境、调整计划的能力。

例如，在保险理赔场景中，LAM能：

• 解析客户意图（报价、变更、续保）
• 拆解为子目标（更新CRM字段X、计算保费Y、生成文档Z）
• 识别当前正在操作的界面
• 执行点击、填表、API调用
• 跟踪界面状态变化
• 如果表单字段和预期不符，实时调整路径

4. 训练数据的特殊性

LAM的训练需要动作数据，而不仅仅是文本数据。

这类数据记录的是“用户执行任务时的每一步操作”：每一次点击、每一次键盘输入、每一次界面状态变化、以及触发这些动作的意图。

这种数据比纯文本语料稀缺得多，获取和清洗成本也高得多。

5. 评估的极高门槛

LAM的评估需要“离线评估+环境测试+安全护栏”多重机制。业界普遍采用的方案大概包括：

• 分层思维链：遇到验证码或意外弹窗时，启动纠错推理流程
• 接管模式：失败时交还给人类操作特定步骤，再恢复自主执行
• 强制熔断开关：符合欧盟《AI法案》对高风险系统的监管要求

【圈内话】

LAM的普及意味着“坐席经济”的终结。

以前软件按“账号数”收费（seat-based subscription），因为一个人一个账号；现在一个LAM能干十个人的活儿，企业凭啥还付十份钱？

行业正在转向按“解决任务”收费（outcome-based pricing）。

也就是SaaS模式的根本性动摇。

微软CEO萨提亚·纳德拉说：“Agent是新App”。以后你手机里可能没有携程App，但有个“能帮你订票的AI”——它会在需要时调出携程界面，操作完就消失。当前千问貌似已经实现了全链路打通。

【附录：LAM vs LLM 对比】