In der sich ständig weiterentwickelnden Technologiewelt taucht fast wöchentlich ein neuer Begriff im Bereich der künstlichen Intelligenz auf. Kürzlich hat ein frischer Terminus die Aufmerksamkeit auf sich gezogen und sorgt für Wellen in der Tech-Community: die „Large Action Models“ oder LAMs. Dieses Konzept wurde durch Rabbit Inc. ins Rampenlicht gerückt, nachdem sie auf der CES 2024 ihr persönliches KI-Assistenzgerät, das Rabbit R1, vorgestellt hatten.
Was genau sind Large Action Models (LAMs)?
Large Action Models, die an die bekannten Large Language Models (LLMs) erinnern, sind im Grunde eine weiterentwickelte Version der LLMs, die mit der Fähigkeit ausgestattet sind, Aktionen in der virtuellen Welt auszuführen. Obwohl der Einsatz von digitalen Agenten – spezialisierte Module, die Aufgaben für uns erledigen – nichts Neues ist, bringen LAMs einen innovativen Ansatz in dieses Konzept.
Der einzigartige Vorteil von LAMs gegenüber traditionellen Agenten
Traditionelle Agenten arbeiten innerhalb der Grenzen verfügbarer Systeme und Schnittstellen, wie APIs, die sie zur Ausführung von Aufgaben nutzen. Zum Beispiel könnte die Buchung eines Urlaubs einen Agenten erfordern, der sich mit der API einer Buchungswebsite für Reisen verbindet. LAMs jedoch weichen von diesem Weg ab, indem sie eine menschenähnlichere Methode zur Interaktion mit Software adoptieren. Sie lernen quasi durch „Hinschauen“, wie Menschen solche Aufgaben bewältigen – typischerweise durch die Bedienung von Benutzeroberflächen. Zusätzlich sollen sie dabei auch die persönlichen Präferenzen der Benutzer erlernen, eine Aufgabe, die Agenten derzeit nur durch entsprechende Konfigurationen meistern.
Konzeptionell faszinierend, aber was steckt wirklich hinter den LAMs?
Abgesehen vom Kontext des Rabbit R1 und dem noch unklar definierten Begriff der „neuro-symbolischen Technologie“, ist es schwierig, weitere Informationen zu finden. Das Konzept der LAMs verspricht eine spannende Entwicklung in der Welt der künstlichen Intelligenz, bleibt jedoch ein Bereich, über den noch viel zu lernen und zu entdecken ist.
