隨著技術的進步，AI已不再局限于理解我們說的話，而是能夠獨立完成復雜的任務。2025年3月，中國AI公司Monica發布了名為Manus的通用智能體。這款號稱“全球首款通用AI代理”的產品，憑借其在“思考”與“行動”方面的能力，迅速引起了廣泛關注。

在一段4分47秒的演示視頻中，Manus展示了其較高的自主性：當用戶上傳一個包含15份簡歷的壓縮包時，它不僅能自動解壓，還能逐頁分析，提取關鍵信息，最終生成候選人的排名和評估表。當面對“紐約購房”這一需求時，它會把任務分解、編寫Python腳本來計算預算，整合社區的安全和教育資源數據，輸出一份堪比專業房產經紀的詳細報告。甚至在金融分析方面，它也能調取工具，分析股票趨勢，并用可視化圖表清晰地解釋因果關系。

Manus的名字源自拉丁語“Mens et Manus”（心智與手），它的設計哲學強調，知識不僅要存在大腦中，更應轉化為實際行動。Manus的定位遠超傳統的聊天機器人或任務助手，它的核心能力是從目標設定到成果交付的全方位自主執行。正如網友所言：“ChatGPT是‘紙上談兵’的軍師，Manus則是‘披甲上陣’的將軍。”

Manus的獨特之處，不僅在于它能夠理解語言、分析數據，更在于它能像人類一樣，實際操作、解決現實問題。這種能力突破了傳統大語言模型（Large Language Model,簡稱LLM）僅限于文字生成的桎梏，展示了“大行為模型”（Large Action Model，簡稱LAM）所蘊藏的潛力。此前，谷歌的Project Astra、微軟的Copilot Studio均已布局智能體生態。Manus和這些前沿產品一起，被認為是“AI智能體商業化”進程中的重要節點。

大語言模型 VS 大行為模型：從“思維鏈”到“行動鏈”的技術躍遷

要理解LAM的核心價值，我們可以先從LLM談起。像ChatGPT、Deepseek這樣的大模型，通過海量文本數據訓練，擁有強大的語言處理能力。它們能寫詩、解題、生成商業計劃書，甚至模擬心理咨詢。但當任務從“回答如何預訂機票”升級為“實際完成機票預訂”時，LLM便顯得力不從心。它更像一個“戰略顧問”，擅長提供建議，卻無法“擼起袖子”親自操作購票系統。LLM的局限性在于，它更多扮演的是一個“思維者”，而非“行動者”。

于是，大行為模型應運而生。LAM不僅僅停留在語言生成和知識提煉上，更具備了通過計算、協調和實時行動的能力。它能思考問題，但更重要的是，它能夠行動、調整方案并付諸實踐。以Manus展示的“我要在紐約買房”為例，LAM像一個高效的私人助理，幫你從規劃到執行，再到檢查優化，完成所有任務。

規劃階段，當你給出購房需求，LAM就會把這個大目標拆解成一系列小任務——預算計算、房源篩選等，并生成一張動態的流程圖，確保每個步驟有條不紊。執行階段，它開始動手，利用工具調取房產數據、編寫算法、生成報告等，確保每個環節都精準到位。驗證階段，通過強化學習，LAM會評估任務結果，核對房源的準確性和預算的匹配度，甚至自動調整并優化方案。通過這三步，LAM不僅能“想得明白”，還能夠“做得精確”。更重要的是，它會在執行過程中不斷自我優化，像一個無時無刻不在調整的精密機器，確保最終結果完美無缺。

大語言模型（LLM）與大行為模型（LAM）的本質差異，在于前者專注于語言的解析與生成，而后者則打破了語言與行動的界限，實現了從意圖理解到任務執行的完整閉環。這不僅僅是技術架構的不同，更是AI從“思考者”到“行動者”的范式躍遷。正如德勤報告所預測的，到2028年，15%的日常工作決策將由LAM驅動的智能體完成。如果說LLM讓我們獲取知識更加便捷，那么LAM則讓我們的行動更加高效、精準。未來的智能世界，不再是一個靜止的圖書館，而是一個不斷變動、不斷執行的行動場。

LAM的核心優勢：讓“行動”變得可控與智能

想象一下，你是一位公司CEO，面臨一系列復雜的戰略決策。你向傳統的AI咨詢系統提問，它會為你提供大量的數據分析、預測和建議。但最終，這些信息仍需要你親自篩選、分析、做出決策。整個過程充滿了“思考”的成分，但行動依舊掌握在你手中。

而LAM的工作方式不同。它是一個虛擬的“智能CEO”，不僅能為你提供決策依據，還能主動執行計劃中的每一項任務。例如，LAM能夠根據市場變化自動調整公司資源、安排員工任務，甚至在戰略執行過程中進行實時優化。這樣一來，你不僅獲得了決策支持，還通過LAM的能力將計劃轉換為具體行動。無論是招聘、財務調整還是營銷策略，它都能精準地為你執行。甚至在面對突發危機時，LAM能夠迅速調整應對策略、制定應急預案。

這種超強超前的執行能力，正是LAM與LLM最大的不同——LAM不再僅停留在知識表層，它進入了行動的深水區，具備了更多的“主動性”和“執行力”。通過增強行動智能，LAM打破了“語言的巨人，行動的矮子”的魔咒，將AI技術從單純的理解和表達，推向了更高的層次——實際操作和執行。

商業、生活、城市治理：LAM帶來的全方位變革

LAM的魅力，不僅在于它的技術原理，更在于它如何徹底改變我們的工作和生活方式。在隨著技術的不斷發展，LAM將會在越來越多的領域中發揮作用。讓我們來看幾個典型的應用場景：

從“輔助工具”到“數字員工”

LAM驅動的智能體將不再是簡單的輔助工具，而是能夠獨立承擔完整工作流的“數字員工”。例如，在市場營銷領域，LAM不僅能進行市場調研、數據分析、廣告投放，還能實時評估廣告效果，完成整個流程。而在財務部門，LAM可以自動處理發票、生成財務報告，甚至進行預算規劃和風險評估。在物流配送中，LAM能根據實時交通信息優化路徑，確保貨物按時送達。這種從“輔助”到“執行”的轉變，極大提升了工作效率，減少人為錯誤。

個人助理：從提醒到全面執行

想象有一天，你醒來時，身邊有一個虛擬助手，它不僅能提醒你今日日程、重要事項，還能根據天氣自動調整出行計劃、預訂符合健康需求的餐廳，甚至在你下班前啟動掃地機器人并預熱空調。LAM驅動的個人助理，已經遠超傳統語音助手的功能。它不僅主動分析需求、協調事務，甚至在你未曾察覺時優化你的時間安排。它的執行力，不再局限于“提醒”或“建議”，而是全面滲透到你日常的決策與行動中。

聚會籌備無憂：從菜單到送餐的無縫銜接

想象一場家庭聚會的籌備過程，LAM不僅能提前幫你規劃菜單和布置場地，還能根據來賓的飲食偏好和過敏信息自動調整食品安排。它會與送餐服務平臺對接，確保食物準時送達。在這個過程中，你只需要享受成果，LAM為你完成了從構想到執行的所有步驟。在這場聚會中，你從“決策者”變成了“驗收者”，享受著LAM帶來的高效與便捷。

我們可以想象LAM在更大范圍發揮的作用。例如在城市治理方面，LAM能夠集成交通、能源、環境等各類數據，實時優化決策。在極端天氣來臨時，LAM可以自動調度排水系統、調整交通信號燈配時，甚至為市民推送避險路線，確保城市在突發事件中的穩定運行。在環境保護與治理中，城市的空氣質量、垃圾處理等環保問題，通常需要跨部門的協調與實時監控。LAM能夠整合這些不同領域的數據，實時監控污染源，自動調整應對措施。例如，當空氣污染指數達到一定標準時，LAM會自動啟動應急預案，控制工業排放，并指導市民如何減少外出，及時發布防護提示。同時，LAM能夠優化垃圾清運路線，根據實際情況動態調整垃圾處理頻率，避免污染擴散。

LAM與LLM：互補共生，共同推動AI進化

盡管LAM與LLM分別在理解與行動領域各自占據獨立的技術陣地，但它們并非對立，而是互為補充，攜手推動AI的進化。LLM賦予AI強大的語言理解和生成能力，讓它能夠與人類進行流暢溝通；而LAM則賦予AI行動力，使其能夠將語言轉化為具體操作，實現真正的“行動”。

以醫療場景為例，LLM可以與患者進行詳細對話，準確理解癥狀并生成醫學報告；而LAM則將報告轉化為具體的治療方案，自動安排后續的治療、檢查以及藥物處方。兩者攜手配合，才真正實現了從“理解”到“執行”的無縫銜接，將復雜的醫療過程自動化且精準化。

這種“理解與行動”相輔相成的機制，正在推動AI從“腦袋型”智能走向“行動型”智能。正如一位優秀的指揮官不僅需要擅長指揮（理解），更需要帶領隊伍去執行（行動），LAM與LLM的結合，是推動AI走向全面智能的重要一步。

LAM技術的困境：智能決策與自主行動的平衡

盡管LAM展現了巨大的潛力，但它的應用背后依然存在許多挑戰和難題。

首先，LAM的決策和行動高度依賴于數據的準確性與全面性。可以說，數據是LAM的“眼睛”，如果眼睛看錯了，行動就會偏離軌道。例如，在企業管理中，若LAM依賴的市場數據有誤，它可能做出錯誤的戰略決策，反而加劇公司風險；在醫療場景中，錯誤的病歷數據可能導致誤診，甚至危及生命。因此，確保數據的精準與完整，建立“輸入數據質檢”和“執行結果復核”的雙重機制，成為了LAM系統不可忽視的基礎保障。

其次，LAM的過度依賴可能導致“依賴性文化”的出現。當過多的決策權交給AI時，人們可能逐漸失去自我判斷的能力，甚至盲目信任系統。例如，某電商公司會因完全依賴LAM定價系統，未能及時識別競爭對手“偽裝數據”的漏洞，導致季度虧損。人機協同的關鍵，正是劃定AI的權限邊界。在復雜的決策場景中，人類的判斷力與直覺依然至關重要，尤其是在面對非標準化、不可預測的情況時，AI的決定不應完全取代人類的洞察力和決策。

最后，如何確保LAM的行為符合道德和倫理標準，也是一個亟待解決的問題。假設LAM在執行醫療方案時出現錯誤，責任該由誰承擔？是醫生、系統運營方，還是患者本人？如何避免AI的行為失控，確保它始終為人類服務，而不是帶來傷害？這些問題涉及科技倫理的邊界，亟須通過行業規范和法律框架來約束。人工智能的“智慧”越高，其“責任”也越重，如何在提升AI自主性的同時，保持其可控性，是未來發展的關鍵課題。

通過解決這些挑戰，LAM才能真正發揮其潛力，既不失控，也不讓人類的判斷力被過度削弱。未來的AI，應當是智慧與責任并行的“伙伴”，而非無條件的“執行者”。

當AI不僅能回答“怎么做”，還能主動“做到”，人機協作將進入真正的共生時代。我們是否準備好將更多的“行動權”交給AI？在追求高效與便利的同時，我們又該如何平衡控制與信任的微妙關系？

或許，未來的某一天，當LAM技術更加普及與優化，它將成為我們每個人的得力助手、企業的核心引擎，甚至是社會運作的“中樞大腦”。人類需要重新思考自身的角色——是成為全局的監督者，還是細節的執行者？答案或許在于找到那個微妙的平衡點：讓AI挑起重復勞動的扁擔，讓人類牢牢掌控創新的韁繩。

（作者胡逸為數據工作者，著有《未來可期：與人工智能同行》一書）