【核心提要】 尽管Meta和OpenAI等巨头推出的基座模型在网络搜索方面表现出色，但在处理电话沟通、预约服务等涉及复杂逻辑的实操任务时仍显乏力。 为弥补AI智能体（AI Agent）在常识判断和跨平台操作上的短板，Dazzle AI、Duckbill和Wajo AI等初创公司正通过引入“人机协作”模式来确保服务可靠性。 行业专家认为，目前处于技术转型期，将人类作为“最后一道防线”介入复杂任务，是提升用户体验并降低计算成本的有效策略。 【正文报道】 在未来的智能交互中，当你的AI助手试图拨打电话去协商宽带账单时，接听电话并进行博弈的可能不是一段复杂的算法代码，而是一位真实的人类客服人员。尽管Meta和OpenAI等公司开发的基座模型（Foundation Models）正处于技术前沿，但在处理涉及复杂现实交互——尤其是需要跨越网络障碍、拨打电话或预约特定服务的任务时，目前的AI智能体仍难以提供百分之百可靠的执行力。 Dazzle AI的创始人、前雅虎（Yahoo）首席执行官玛丽莎·梅耶（Marissa Mayer）指出，当前的顶尖模型在为用户筛选在线装修服务方面表现优异，但在涉及“预约屋顶升级”等需要多步骤协调的任务中往往会陷入困境。为了确保服务的可靠性，Dazzle AI采取了“人机协同”策略：利用AI提供建议和候选名单，而将复杂的实操环节交给专业的人类承包商去完成。 类似的挑战也出现在其他初创公司中。Duckbill公司的首席执行官梅根·乔伊斯（Meghan Joyce）表示，当任务涉及真实世界的判断、预约医生或预订清洁服务时，人类的优势依然明显。为此，Duckbill推出了专门的应用程序编程接口（API），旨在帮助构建个人智能体的公司将那些AI可能“搞砸”的任务分解成细小的单元，并交给专业的人类外包人员处理。这种模式类似于Uber的运作逻辑：将复杂任务拆解为原子化的片段，确保最终交付给用户的服务是稳定且可靠的。 这种协作模式在实际案例中展现了显著的效率优势。梅耶分享了一个Dazzle AI的用户案例：一名用户试图同时让AI处理屋顶更换、窗户维修和购买玻璃桌面等一系列任务。由于缺乏常识，AI智能体将“窗户玻璃”与“桌子玻璃”混淆，甚至在纠结如何让桌面塞进窗框里。在这种情况下，如果继续由AI运行，将会消耗大量的Token（计算单位）且难以得出正确结论；而一旦系统识别到任务异常并转交给人工处理，人类操作员仅用几秒钟便解决了问题。 此外，Wajo AI的首席执行官希瓦妮·波达尔（Shivani Poddar）也强调了“协作式AI”的重要性。她表示，为了确保用户体验，在AI无法通过验证码（CAPTCHA）或处理电话时，引入人类干预是必不可少的。 然而，这种“人机协同”模式也引发了关于隐私的讨论。此前，Meta内部员工曾对公司测试中利用人工外包来处理Muse智能体相关通话的行为提出担忧。尽管如此，许多初创公司强调其雇佣的人员经过严格筛选，具备高度的保密意识和专业判断力。 目前，行业正处于一个关键的“过渡期”。虽然基座模型在不断进化，但要达到能够像人类一样高效处理复杂网络任务和电话沟通的水平仍需时间。正如梅耶所言，这种并不刻意隐藏、而是作为核心策略的“人机协作”，正是当前技术环境下确保AI产品真正落地并服务于用户的关键手段。 【背景链接：】 Meta Muse AI 官方演示相关报道 Duckbill API 技术文档参考 关于“Human-in-the-loop”（人在回路）在人工智能领域的应用研究 【小编观点】 目前的AI热潮正从“对话式AI”转向“行动型智能体（Agentic AI）”。然而，现实世界的复杂性往往超出了纯算法的逻辑边界。将人类作为“补丁”或“最后一道防线”，并非技术失败的证明，而是产品走向商业化过程中极其务实的工程决策。在模型能力完全成熟之前，这种“人机共生”的过渡模式，可能是目前最稳健的路径。
【核心提要】
【正文报道】
在未来的智能交互中，当你的AI助手试图拨打电话去协商宽带账单时，接听电话并进行博弈的可能不是一段复杂的算法代码，而是一位真实的人类客服人员。尽管Meta和OpenAI等公司开发的基座模型（Foundation Models）正处于技术前沿，但在处理涉及复杂现实交互——尤其是需要跨越网络障碍、拨打电话或预约特定服务的任务时，目前的AI智能体仍难以提供百分之百可靠的执行力。
Dazzle AI的创始人、前雅虎（Yahoo）首席执行官玛丽莎·梅耶（Marissa Mayer）指出，当前的顶尖模型在为用户筛选在线装修服务方面表现优异，但在涉及“预约屋顶升级”等需要多步骤协调的任务中往往会陷入困境。为了确保服务的可靠性，Dazzle AI采取了“人机协同”策略：利用AI提供建议和候选名单，而将复杂的实操环节交给专业的人类承包商去完成。
类似的挑战也出现在其他初创公司中。Duckbill公司的首席执行官梅根·乔伊斯（Meghan Joyce）表示，当任务涉及真实世界的判断、预约医生或预订清洁服务时，人类的优势依然明显。为此，Duckbill推出了专门的应用程序编程接口（API），旨在帮助构建个人智能体的公司将那些AI可能“搞砸”的任务分解成细小的单元，并交给专业的人类外包人员处理。这种模式类似于Uber的运作逻辑：将复杂任务拆解为原子化的片段，确保最终交付给用户的服务是稳定且可靠的。
这种协作模式在实际案例中展现了显著的效率优势。梅耶分享了一个Dazzle AI的用户案例：一名用户试图同时让AI处理屋顶更换、窗户维修和购买玻璃桌面等一系列任务。由于缺乏常识，AI智能体将“窗户玻璃”与“桌子玻璃”混淆，甚至在纠结如何让桌面塞进窗框里。在这种情况下，如果继续由AI运行，将会消耗大量的Token（计算单位）且难以得出正确结论；而一旦系统识别到任务异常并转交给人工处理，人类操作员仅用几秒钟便解决了问题。
此外，Wajo AI的首席执行官希瓦妮·波达尔（Shivani Poddar）也强调了“协作式AI”的重要性。她表示，为了确保用户体验，在AI无法通过验证码（CAPTCHA）或处理电话时，引入人类干预是必不可少的。
然而，这种“人机协同”模式也引发了关于隐私的讨论。此前，Meta内部员工曾对公司测试中利用人工外包来处理Muse智能体相关通话的行为提出担忧。尽管如此，许多初创公司强调其雇佣的人员经过严格筛选，具备高度的保密意识和专业判断力。
目前，行业正处于一个关键的“过渡期”。虽然基座模型在不断进化，但要达到能够像人类一样高效处理复杂网络任务和电话沟通的水平仍需时间。正如梅耶所言，这种并不刻意隐藏、而是作为核心策略的“人机协作”，正是当前技术环境下确保AI产品真正落地并服务于用户的关键手段。
【背景链接：】
【小编观点】
目前的AI热潮正从“对话式AI”转向“行动型智能体（Agentic AI）”。然而，现实世界的复杂性往往超出了纯算法的逻辑边界。将人类作为“补丁”或“最后一道防线”，并非技术失败的证明，而是产品走向商业化过程中极其务实的工程决策。在模型能力完全成熟之前，这种“人机共生”的过渡模式，可能是目前最稳健的路径。