随着技术的进步，AI已不再局限于理解我们说的话，而是能够独立完成复杂的任务。2025年3月，中国AI公司Monica发布了名为Manus的通用智能体。这款号称“全球首款通用AI代理”的产品，凭借其在“思考”与“行动”方面的能力，迅速引起了广泛关注。

在一段4分47秒的演示视频中，Manus展示了其较高的自主性：当用户上传一个包含15份简历的压缩包时，它不仅能自动解压，还能逐页分析，提取关键信息，最终生成候选人的排名和评估表。当面对“纽约购房”这一需求时，它会把任务分解、编写Python脚本来计算预算，整合社区的安全和教育资源数据，输出一份堪比专业房产经纪的详细报告。甚至在金融分析方面，它也能调取工具，分析股票趋势，并用可视化图表清晰地解释因果关系。

Manus的名字源自拉丁语“Mens et Manus”（心智与手），它的设计哲学强调，知识不仅要存在大脑中，更应转化为实际行动。Manus的定位远超传统的聊天机器人或任务助手，它的核心能力是从目标设定到成果交付的全方位自主执行。正如网友所言：“ChatGPT是‘纸上谈兵’的军师，Manus则是‘披甲上阵’的将军。”

Manus的独特之处，不仅在于它能够理解语言、分析数据，更在于它能像人类一样，实际操作、解决现实问题。这种能力突破了传统大语言模型（Large Language Model,简称LLM）仅限于文字生成的桎梏，展示了“大行为模型”（Large Action Model，简称LAM）所蕴藏的潜力。此前，谷歌的Project Astra、微软的Copilot Studio均已布局智能体生态。Manus和这些前沿产品一起，被认为是“AI智能体商业化”进程中的重要节点。

大语言模型 VS 大行为模型：从“思维链”到“行动链”的技术跃迁

要理解LAM的核心价值，我们可以先从LLM谈起。像ChatGPT、Deepseek这样的大模型，通过海量文本数据训练，拥有强大的语言处理能力。它们能写诗、解题、生成商业计划书，甚至模拟心理咨询。但当任务从“回答如何预订机票”升级为“实际完成机票预订”时，LLM便显得力不从心。它更像一个“战略顾问”，擅长提供建议，却无法“撸起袖子”亲自操作购票系统。LLM的局限性在于，它更多扮演的是一个“思维者”，而非“行动者”。

于是，大行为模型应运而生。LAM不仅仅停留在语言生成和知识提炼上，更具备了通过计算、协调和实时行动的能力。它能思考问题，但更重要的是，它能够行动、调整方案并付诸实践。以Manus展示的“我要在纽约买房”为例，LAM像一个高效的私人助理，帮你从规划到执行，再到检查优化，完成所有任务。

规划阶段，当你给出购房需求，LAM就会把这个大目标拆解成一系列小任务——预算计算、房源筛选等，并生成一张动态的流程图，确保每个步骤有条不紊。执行阶段，它开始动手，利用工具调取房产数据、编写算法、生成报告等，确保每个环节都精准到位。验证阶段，通过强化学习，LAM会评估任务结果，核对房源的准确性和预算的匹配度，甚至自动调整并优化方案。通过这三步，LAM不仅能“想得明白”，还能够“做得精确”。更重要的是，它会在执行过程中不断自我优化，像一个无时无刻不在调整的精密机器，确保最终结果完美无缺。

大语言模型（LLM）与大行为模型（LAM）的本质差异，在于前者专注于语言的解析与生成，而后者则打破了语言与行动的界限，实现了从意图理解到任务执行的完整闭环。这不仅仅是技术架构的不同，更是AI从“思考者”到“行动者”的范式跃迁。正如德勤报告所预测的，到2028年，15%的日常工作决策将由LAM驱动的智能体完成。如果说LLM让我们获取知识更加便捷，那么LAM则让我们的行动更加高效、精准。未来的智能世界，不再是一个静止的图书馆，而是一个不断变动、不断执行的行动场。

LAM的核心优势：让“行动”变得可控与智能

想象一下，你是一位公司CEO，面临一系列复杂的战略决策。你向传统的AI咨询系统提问，它会为你提供大量的数据分析、预测和建议。但最终，这些信息仍需要你亲自筛选、分析、做出决策。整个过程充满了“思考”的成分，但行动依旧掌握在你手中。

而LAM的工作方式不同。它是一个虚拟的“智能CEO”，不仅能为你提供决策依据，还能主动执行计划中的每一项任务。例如，LAM能够根据市场变化自动调整公司资源、安排员工任务，甚至在战略执行过程中进行实时优化。这样一来，你不仅获得了决策支持，还通过LAM的能力将计划转换为具体行动。无论是招聘、财务调整还是营销策略，它都能精准地为你执行。甚至在面对突发危机时，LAM能够迅速调整应对策略、制定应急预案。

这种超强超前的执行能力，正是LAM与LLM最大的不同——LAM不再仅停留在知识表层，它进入了行动的深水区，具备了更多的“主动性”和“执行力”。通过增强行动智能，LAM打破了“语言的巨人，行动的矮子”的魔咒，将AI技术从单纯的理解和表达，推向了更高的层次——实际操作和执行。

商业、生活、城市治理：LAM带来的全方位变革

LAM的魅力，不仅在于它的技术原理，更在于它如何彻底改变我们的工作和生活方式。在随着技术的不断发展，LAM将会在越来越多的领域中发挥作用。让我们来看几个典型的应用场景：

从“辅助工具”到“数字员工”

LAM驱动的智能体将不再是简单的辅助工具，而是能够独立承担完整工作流的“数字员工”。例如，在市场营销领域，LAM不仅能进行市场调研、数据分析、广告投放，还能实时评估广告效果，完成整个流程。而在财务部门，LAM可以自动处理发票、生成财务报告，甚至进行预算规划和风险评估。在物流配送中，LAM能根据实时交通信息优化路径，确保货物按时送达。这种从“辅助”到“执行”的转变，极大提升了工作效率，减少人为错误。

个人助理：从提醒到全面执行

想象有一天，你醒来时，身边有一个虚拟助手，它不仅能提醒你今日日程、重要事项，还能根据天气自动调整出行计划、预订符合健康需求的餐厅，甚至在你下班前启动扫地机器人并预热空调。LAM驱动的个人助理，已经远超传统语音助手的功能。它不仅主动分析需求、协调事务，甚至在你未曾察觉时优化你的时间安排。它的执行力，不再局限于“提醒”或“建议”，而是全面渗透到你日常的决策与行动中。

聚会筹备无忧：从菜单到送餐的无缝衔接

想象一场家庭聚会的筹备过程，LAM不仅能提前帮你规划菜单和布置场地，还能根据来宾的饮食偏好和过敏信息自动调整食品安排。它会与送餐服务平台对接，确保食物准时送达。在这个过程中，你只需要享受成果，LAM为你完成了从构想到执行的所有步骤。在这场聚会中，你从“决策者”变成了“验收者”，享受着LAM带来的高效与便捷。

我们可以想象LAM在更大范围发挥的作用。例如在城市治理方面，LAM能够集成交通、能源、环境等各类数据，实时优化决策。在极端天气来临时，LAM可以自动调度排水系统、调整交通信号灯配时，甚至为市民推送避险路线，确保城市在突发事件中的稳定运行。在环境保护与治理中，城市的空气质量、垃圾处理等环保问题，通常需要跨部门的协调与实时监控。LAM能够整合这些不同领域的数据，实时监控污染源，自动调整应对措施。例如，当空气污染指数达到一定标准时，LAM会自动启动应急预案，控制工业排放，并指导市民如何减少外出，及时发布防护提示。同时，LAM能够优化垃圾清运路线，根据实际情况动态调整垃圾处理频率，避免污染扩散。

LAM与LLM：互补共生，共同推动AI进化

尽管LAM与LLM分别在理解与行动领域各自占据独立的技术阵地，但它们并非对立，而是互为补充，携手推动AI的进化。LLM赋予AI强大的语言理解和生成能力，让它能够与人类进行流畅沟通；而LAM则赋予AI行动力，使其能够将语言转化为具体操作，实现真正的“行动”。

以医疗场景为例，LLM可以与患者进行详细对话，准确理解症状并生成医学报告；而LAM则将报告转化为具体的治疗方案，自动安排后续的治疗、检查以及药物处方。两者携手配合，才真正实现了从“理解”到“执行”的无缝衔接，将复杂的医疗过程自动化且精准化。

这种“理解与行动”相辅相成的机制，正在推动AI从“脑袋型”智能走向“行动型”智能。正如一位优秀的指挥官不仅需要擅长指挥（理解），更需要带领队伍去执行（行动），LAM与LLM的结合，是推动AI走向全面智能的重要一步。

LAM技术的困境：智能决策与自主行动的平衡

尽管LAM展现了巨大的潜力，但它的应用背后依然存在许多挑战和难题。

首先，LAM的决策和行动高度依赖于数据的准确性与全面性。可以说，数据是LAM的“眼睛”，如果眼睛看错了，行动就会偏离轨道。例如，在企业管理中，若LAM依赖的市场数据有误，它可能做出错误的战略决策，反而加剧公司风险；在医疗场景中，错误的病历数据可能导致误诊，甚至危及生命。因此，确保数据的精准与完整，建立“输入数据质检”和“执行结果复核”的双重机制，成为了LAM系统不可忽视的基础保障。

其次，LAM的过度依赖可能导致“依赖性文化”的出现。当过多的决策权交给AI时，人们可能逐渐失去自我判断的能力，甚至盲目信任系统。例如，某电商公司会因完全依赖LAM定价系统，未能及时识别竞争对手“伪装数据”的漏洞，导致季度亏损。人机协同的关键，正是划定AI的权限边界。在复杂的决策场景中，人类的判断力与直觉依然至关重要，尤其是在面对非标准化、不可预测的情况时，AI的决定不应完全取代人类的洞察力和决策。

最后，如何确保LAM的行为符合道德和伦理标准，也是一个亟待解决的问题。假设LAM在执行医疗方案时出现错误，责任该由谁承担？是医生、系统运营方，还是患者本人？如何避免AI的行为失控，确保它始终为人类服务，而不是带来伤害？这些问题涉及科技伦理的边界，亟须通过行业规范和法律框架来约束。人工智能的“智慧”越高，其“责任”也越重，如何在提升AI自主性的同时，保持其可控性，是未来发展的关键课题。

通过解决这些挑战，LAM才能真正发挥其潜力，既不失控，也不让人类的判断力被过度削弱。未来的AI，应当是智慧与责任并行的“伙伴”，而非无条件的“执行者”。

当AI不仅能回答“怎么做”，还能主动“做到”，人机协作将进入真正的共生时代。我们是否准备好将更多的“行动权”交给AI？在追求高效与便利的同时，我们又该如何平衡控制与信任的微妙关系？

或许，未来的某一天，当LAM技术更加普及与优化，它将成为我们每个人的得力助手、企业的核心引擎，甚至是社会运作的“中枢大脑”。人类需要重新思考自身的角色——是成为全局的监督者，还是细节的执行者？答案或许在于找到那个微妙的平衡点：让AI挑起重复劳动的扁担，让人类牢牢掌控创新的缰绳。

（作者胡逸为数据工作者，著有《未来可期：与人工智能同行》一书）