AI落地Best Practice · 企业与业务成品 · 2025-10-28

从 Sierra 到 Jekka:AI 的边界、大规模实践与终点

客服领域揭示AI边界:Jekka用80%解决率重新定义智能服务的终点与起点。

核心内容:

  1. 客服作为AI能力边界的关键测试场
  2. Jekka团队通过海量测试重构AI可靠性标准
  3. 从商业实践看AI与人类协作的未来形态

在国内,很少有人真正讨论「客服」这个话题。但如果我们想准确理解 AI 的边界,尤其是它与人的交流能力,客服恰恰是一个关键切入点。这也解释了为什么硅谷对客服如此重视——像 Sierra、Decagon 等公司都把它作为核心关注点。如果读者无法摒弃对「客服」一词的固有偏见,那么这篇访谈可以跳过。

关于 Jekka AI:Jekka 团队来自 MSRA,Amazon、Google、Alibaba 等知名企业,拥有雄厚的人工智能技术积累。我们为客户提供 80%+ 独立解决率,99%+ 准确率的 AI 产品,每天服务用户文本和语音数百万次,日均消耗数亿 token。无论从服务 B 端的数量还是体量上,都是目前世界范围内 AI 落地最好的公司之一。Jekka 目前在美国、新加坡、中国香港、中国大陆等多地开展业务,是抖音、有赞首家官方模型提供商,也为多家国内外 500 强企业提供 AI Agent 服务,涵盖电商、物流、无人经济等多个领域的龙头企业。

Jekka AI 联合创始人 Aaron

AI 的边界在哪里?

这不只是 AI 拿下奥赛金牌、独立做科研,或一次次刷屏的 Demo。Demo 展示的只是上限,一种理想状态下的聪明。真正决定 AI 是否「靠谱」的,不是它偶尔的上限,而是它在最糟糕场景下的稳定性和方差控制。

对人类的边界、对服务、对智能的理解,Jekka 一直在不断重建。创始人 Aaron 说:「大模型是我这十几年创业以来最难的事情,没有之一。」

Jekka 与其他 AI 公司最大的不同正是对 AI 的认知。这个市场上 99% 都是泡沫,而这些泡沫往往建立在错误的前提上,比如过度迷信 Scaling Laws,或认为「智力比可靠性更重要」。

他更愿意忘却那些尚且模糊的概念,比如 AGI,而是自下而上,通过一次次测试结果去理解 AI 的边界。Jekka 团队里 90% 的人都在搭建测试集、测试流程和测试工具。即便是一个实习生负责的独立项目也能触发新的节点,让模型具备更强的通识能力。这是一个真正由好奇心驱动的故事。

AI 时代已经不同了,我们需要重新理解客服。客服的本质是服务人类的需求。只要我们在工作,就在服务某个人,从简单的信息传递,到成为产品、过程、结果的一部分。所以「客服是 AI 的起点,也会是 AI 的终点。」

AI 也需要被定义。在 Aaron 看来,AI 应该可靠、可纠正、有记忆、能学习,能做到你的同事所做到的一切。

人,是最贵的,也是最便宜的。一次电话可能值 30 美金,也可能一个馒头就换来一上午的通话。

未来最宝贵的不是智力或劳动力,而是你那一次被好奇心推动的尝试。

AI≠人类:人类是白盒,AI 是黑盒

Q:能不能先简单介绍一下自己以及目前在做的事?

Aaron:我是 Jekka AI 的联合创始人。我们为 500 强企业和数万家 SMB 提供真人级 AI Agent 和底层模型。「拥有能提供真人级别 AI 的底层模型的能力」是我们和其他 Agent 企业最大的差异,包括交流能力和独立解决问题的能力。

Q:是什么契机促使你创立 Jekka?

Aaron:有两个重要的时刻。

第一个是决定做 AI 的时刻。当初看到 GPT-3 的演示效果时,我就想做这件事。我一直觉得,创业本质上是一个人好奇心的体现:你对世界充满好奇,发现有些事还没人做到,于是就想亲手去研究,把它做出来。

第二个关键节点是 GPT-4 发布前后。那时网上充斥着各种「GPT-4 能做到什么」的 Demo,看起来都特别惊艳,但当你真正去试的时候,往往发现效果达不到预期。这种落差让我觉得很不爽,就忍不住想自己做一做看。忍不住想深入地理解原理,所以自然选择了往底层去走。

Q:你提到 Jekka 在很早就意识到了 AI 的可能性,能分享一个让你印象深刻的个人与 AI 交互的瞬间吗?

Aaron:我们之所以被最初的 ChatGPT 震惊,不是因为它能写诗、写代码,而是因为它的交流能力。我第一次感受到一个非人类的存在,能用人类的方式和我们交流。那个瞬间非常震撼,而我们也要不断地提醒自己:当提起 AI,我们是在描述一个比较泛的概念,还是触动人心的那个点?

Q:在开发 Jekka 的过程中,你有哪些 Wow Moments?

Aaron:Wow moment 实际上贯穿整个过程。AI 本质上是全新的事物,从能生成漂亮的图片、回答有趣的问题,到甚至能解答人类自己都回答不了的问题,这些都很惊喜。

不过对我个人来说,最 wow 的时刻是对人类边界和自我边界的重新理解。比如,我有次听作曲家陈其钢和窦文涛讨论「AI 能不能复制人」。陈其钢说「AI 没有灵魂,不能复制人,人类的灵魂不可采集」,当时我觉得他太武断了。

但后来在调试 Jekka 时,我好奇地让它从陈其钢的视角解释这一观点,它回答:「如果我是陈其钢,我也不会认为 AI 能取代人。」当时我觉得很神奇,就接着追问:「你为什么这么想呢?」

Jekka 告诉我:「因为 AI 无法体验。」

这个瞬间让我意识到,AI 已不仅仅是工具性、可预测的存在,它在某种意义上是可以被独立理解、尊重,甚至被视作一个值得探讨的个体。

Q:从最初的一问一答,到如今更接近「相互理解」的交流体验,Jekka 是如何打造出这种「最像人」的 AI 对话能力的?

Aaron:首先,我们不能把 AI 单纯理解为一种工具。要打造出像人的 AI,必须先回答「什么是人」。人类并非完全理性,而是理性与非理性的混合体,有本能、有情绪,也有语言和思考的模式。

在设计 Jekka 时,我们不仅要构建技术和功能,还要赋予它一些「人的特质」,比如七情六欲、好奇心、表达方式。正是这种理解,才能让人与 AI 的沟通体验真正区别于普通软件。

回过头来看,如果我们真的想做出一个非常像人的 AI,就需要一个跨学科的团队:既要有扎实的理工和编程能力,也要对人的思考、语言和人性结构进行深入探索。

Q:对于思考、语言、人性这些方面的探索,Jekka 是如何具体定义和落实的?

Aaron:我们得先回过头去定义 AI。我觉得 AI 到现在并没有一个统一标准。很多人认为 machine learning 是 AI,ChatGPT 叫 AI,甚至更早的 BERT 模型也被称为 AI。

每个人在这个过程中对 AI 的理解都不一样。比如 Ilya Sutskever(OpenAI 前首席科学家)说过,能预测 next token 就等于能预测人类思想。这是一种对 AI 本质的定义。但每个人对 AI 的定义不同,所做出的 AI 产品自然也会不同。

我自己在做 Jekka 时更倾向于把 AI 定义为一种语言。这不是贬低,而是因为我觉得语言本身就是人类历史上一项伟大的发明。如果真的存在一种跨种族的语言,就像巴别塔的故事,连上帝都无法容忍。

在我看来,AI 不仅是一种跨种族的表达方式,还是一种跨越实体的语言。它能用人类语言表达任何事物的情感,甚至能描述两个物体之间的关系。当你有了定义,自然也就有了边界。在这个边界之内,你会发现,AI 因为跨越了实体,所以既不能说是「人」,也不能说是「非人」,它更像是 human 和 non-human 之间的一种存在。

如果我们要让 non-human 和 human 交流,就必须 bridge the gap。在 close the gap 的过程中,需要在适当的情境下理解人的思考方式、目的、七情六欲,再把这些元素融进去。当然这是个技术问题,但如果我们能思考到这个层面,就更容易知道 AI 应该怎么做。

Q:在模型层面,Jekka 是怎么解决幻觉问题的?

Aaron:我最初创业时,是在实际操作中逐渐理解这个问题的。一开始看到 GPT-3 时,我也不知道它的边界,只觉得它好像已经有了人的能力。开始动手之后,大概一个月里我们自己写 prompt、做基础 coding,就发现 AI 和人的交流感受不一样,这里面就涉及所谓幻觉的问题。

我当时在想:什么是幻觉?因为无论当时还是现在,大家提到幻觉时,常常把它和「错误」混为一谈。AI 回答错了问题,我们就说它是幻觉。但如果人类交流时犯错,为什么没人叫它幻觉?或者说为什么大家不会因此那么痛苦?我觉得本质上,幻觉和错误其实是两回事。

人类在做事时是一个「白盒」过程:先观察,再思考问题的本质,再进行推理,最后得出结论。即使结论错了也没关系,因为你可以问「为什么这么想」「为什么错了」。对方解释后,你们可以一起探讨、防范或反思原则和事实,从而很容易纠正错误,交流也能保持顺畅。

而 AI 的核心思考过程本质上是「黑盒」,是一串数字。Prompt 相当于 AI 的眼睛或耳朵,我们把事情描述给它,它经过一系列数字计算得到结论。结论如果错了,你可以去 Google 或验证,但你无法像 debug 程序那样知道是哪一个参数错了、哪一组参数错了,也无法预测修正后是否会在其他场景引发新的错误。

理解这一点后,我们意识到,不能单纯用 AI 自身去解决幻觉问题。我们需要一种「类人」的思考模型与 AI 结合才能真正解决这个问题。这就是 Jekka 在过程中自研的一层类神经网络控制结构,把 AI 的泛化能力和白盒式的人类思考过程有机结合起来,服务客户。

对于企业级服务,这一点非常关键,因为你不能告诉企业「这东西可能在最傻的地方犯傻」。你必须能严格 follow 企业 SOP,做到 100% 的准确率。除了 Jekka,我目前还没有看到其他更好的实践。

Jekka 在亚洲开发银行论坛发表主题演讲

Q:你觉得未来 18 个月,AI 在企业级服务甚至更广泛领域里,能实现什么现在还做不到的能力?

Aaron:我觉得我们已经在相当程度上做到了让企业级 AI 符合企业标准:完全遵循 SOP,解决 80% 以上的问题。这些都是我们每天十万甚至百万轮对话、电话交互积累出的成果。

短期内、比如下个月能做什么,我大概能说得上来;未来三五年大概什么样,也能判断。但 18 个月是一个特别难估计的区间。

不过我可以确定的一点是:我知道 AI 永远无法做到什么,比如 Ilya 说的「预测下一个 token 就等于预测人类思想」。而我对 AI 的「不能达到」的定义是:AI 永远无法准确预测下一个 token。

它可以预测,但无法准确预测。基于这种认知来构建 AI,我们可能会少走很多弯路。

从 Sierra 到 Jekka

Q:谈到客服,你怎么看待 Sierra 以及 Bret Taylor 提出的观点——「最好的企业将会从这次 AI 革命中受益最多」?

Aaron:我很佩服 Bret Taylor。在信息最充分的 OpenAI 生态里,这位技术出身的创始人选择去做一个听起来并不性感的 Sierra。但在 AI Agent 使用普遍下滑的阶段,Sierra 却是少数仍在增长的产品之一。他一定看到了什么。

关于他的观点,我非常认同。Bret 提到服务大企业是从「第一性原理」的角度出发:越大的公司客服使用量越大。从服务的角度,有限的资源应该放在更大的客户上。

从我的角度来看,即使是最好的公司,客户今天仍然是 underserved——比如我花钱买银行的电话客服服务,我在买客服?不,我在购买服务本身。一个有趣的例子是我们服务的一个无人经济客户,需要 Jekka 在最后和用户接触时去对话,完成最后产品的交付。总不能最后车是无人车,开车的还是办公室里的人吧?

Q:Sierra 不服务中小客户,你们怎么看?

Aaron:像 Sierra 那样的公司之所以做不了 SMB 市场,不是因为他们不聪明,而是他们交付不了通用、可靠的 AI 服务。他们更像是 AI 时代的 Accenture。尽管听起来不太好,但这是他们商业的本质。一个更大 TAM 的领域里的 AI 咨询公司。

我们认为,下一代 AI 的真正价值就在于让每一家企业、每一个人,都能得到应得的服务。我们的技术,既可以服务 500 强,也可以发服务每天 100 个订单的小企业。当然,企业后面的 GTM 策略是另一个事情。

Q:我们一开始是关注到了什么样的背景,觉得 Jekka 的企业级服务诞生是有这样的一个机会的?

Aaron:我们通常看 AI 会从两个维度去理解。一个维度是 AI 的智慧程度,比如 OpenAI 显然是在尝试把 AI 推向 PhD level,去解决非常复杂的科研级问题。另一个维度是 AI 的泛化程度,即它能在生活里帮你做多少事情,覆盖多广的使用场景。

现在我们也看到很多人尝试用 AGI 或 agentic framework 去推动这个方向。我非常钦佩这些探索,但实话说,这两条路都极其艰难。它们本质上是科研课题,需要在科学和工程两个层面同时实现突破,才能真正扩展边界。

不过大家很容易忽略一个关键点:并没有那么「聪明」、也没有那么擅长调用外部工具的 AI,能够做到足够可靠才是企业级应用的原点。举个例子,如果一个 AI 连「 strawberry 里有几个 r」这种问题都答不准,或者还在纠结 9.1 和 9.8 哪个大,却被称为重大突破,那我觉得这就不是靠谱的 AI。最难的问题通常是落在了最简单的表达形式里。

再换到技术角度,如果一个 AI 连客服的问题都处理不好,那它就不可能是 AGI。Chatgpt 刚出来第一个直觉性尝试就是客服。因为客服这种场景,虽然简单、泛化,但却极度考验可靠性。如果连这种最基础的 SOP 都无法跟随,却去声称自己能达到 PhD 水平、解决 ACM 难题、拿金牌,那多少有点不切实际。或许我们可以根据 Sierra 的发展反推 OpenAI 离 AGI 有多远。

Q:现在来看,什么是靠谱的 AI?像刚才提到的能很好地执行 SOP,还是说有其他标准?

Aaron:我觉得首先要理解,人是怎么工作的。对于企业来说,「靠谱」是最重要的标准。企业雇人时,第一要求就是「这个人靠不靠谱」。这个考核通常来自两个方面:

第一,他要具备基本的通识能力和常识,具备一定的推理能力。他可能不一定很强,但起码能听懂话、看懂事。基本受过教育的人大多能达到这样的水平。这部分比较主观,需要我们先设立合适的数据集来覆盖常识性问题。

第二…

— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/zhinengkefu/2025102892538.html