就在今天，整個硅谷都被Jev 刷屏了！

發布僅三天，它就被Vercel、Cloudflare和LangChain等主流平台迅速集成，有人說，我們即將迎來自動化智能的大爆發！

而這場狂歡的主角，竟然是一個不會說話的大模型。

9月16日，ChatGPT核心發明人之一、InstructGPT論文第四作者Diogo Almeida連發長推，直接向行業開炮，當年那條路，咱們走偏了！

他端出的解法，便是Jev。

它不寫文章也不陪聊，你扔一堆亂七八糟的數據進去，它只用70毫秒就甩回一個帶概率的判斷，輸出token永久免費。

然後，整個事態就徹底失控了。

不到36小時，就有多達14萬名開發者如餓狼般湧入內測。

現在，Jev的用例已經冒出來幾百個。

有人給Mac糊了個語音助手，打開備忘錄，新建一條……話還沒落音，App已經秒開。

還有人拿它審PR，一次7萬分之一美元，1000個PR才花7美分，同樣的活交給Opus 5得燒掉14.5美元。

就連老大哥谷歌都坐不住了。

Gemma官方賬號火速發了條DiffusionGemma as Jev，直接把自家的擴散模型塞進這個新範式，一步去噪、一次性並行給出所有選項的概率，甚至還順手把視覺能力也給補上了。

狂歡之下，壓着的是一個最致命的老問題，智能到底是什麼？

七十多年前圖靈定下考題，機器能不能思考，看它能不能在對話裏騙過人。整個行業從此朝着把話說漂亮狂奔，而ChatGPT幾乎把這條路走到了極限。

或許，這是AI史上最大的一次勝利，但也是最大的一次跑偏。

我們花了七十年、燒了千億美元，終於教會機器把話說得比人漂亮，然後發現自己造出來的東西，依然什麼都不敢讓它自己決定。

背後的原因在於，我們荒謬地把嘴當成了腦子。

地球上的智能演化了幾億年，絕大多數生死攸關的決策，在被說出來之前就已經做完了。至於語言，不過是最後幾十萬年才長出來的一層薄皮。

在Almeida眼裏，ChatGPT和Claude Code沒有任何代差，同屬一箇舊時代。

而Jev，就是他砸向新時代的第一份答卷，把嘴縫上，只留判斷。

聊天超人三年了

說好的真自動化在哪？

故事的主角，名叫Diogo Almeida。

他是OpenAI早期最核心的研發人員之一，是RLHF和InstructGPT的核心奠基人。

但在ChatGPT爆火之後，Diogo卻陷入了深深的懷疑。

他寫道：

在共同發明了ChatGPT之後，我一直在問自己：為什麼超人類的聊天模型沒有帶來AGI？

這麼聰明的AI，到今天還得靠人類盯着才能幹活。根本做不到真正的自動化，也就是讓軟件中無人值守時自己決策。

他發現了一個致命問題：RLHF讓模型學會了取悅人類，卻也讓它們在系統自動化場景裏變得極其不可靠。

當年讓ChatGPT一夜封神的RLHF，教給模型的是怎麼回答能討好人類。

而這套機制從第一天起，就是為輔助而生的。模型乾的每件事，最後都得有個人看一眼。

你現在指望它去跑無人值守的硬核業務？對不起，它從一開始就沒受過這種訓練。

更致命的，是他這兩年纔想明白的一件事：你優化什麼，就會得到什麼。而字符串，恰恰是世界上最難優化的東西。

為了讓長文本不跑偏，訓練時就得把模型調得過度自信，逼它主動丟掉那些低概率的選項，把輸出按在主幹道上。

這樣做的代價就是，當大模型信誓旦旦跟你說這事我有八成把握時，這八成全是水分，你根本不敢信。

換句話說，在文字輸出上追求絕對的可靠性，是在逆着生成式AI的底層原理幹活。

Diogo意識到，讓AI擁有好口才，反而成了AI融入萬物代碼的最大絆腳石。

既然文字這麼難管，那乾脆就別讓它說話了。

於是，他果斷從OpenAI辭職，創辦了TypeSafe AI，從底層訓練架構開始推倒重來。

現在，他帶着他的答案——Jev模型，殺回來了。

System One：一個啞巴AI的降維打擊

Diogo Almeida給Jev起了個新名字，叫System One模型。

出處是諾獎得主卡尼曼的《思考，快與慢》。系統一，就是那種不用過腦子、憑直覺瞬間給出的本能判斷。

Jev用法非常簡單。

你輸入一段極其混亂的狀態（比如一封炸毛的客訴郵件，或者程序卡殼時的代碼），它會輸出一個類型化的決策，並附帶精確概率。

在此期間，它不會生成任何一個字。

官方文檔也只給了三種交互姿勢：

1. Choice，從給定選項裏挑一個；

2. Score，給個具體分數；

3. Noul，甩出一個0到1之間的概率值。

每個答案都帶着所有選項的概率分佈，外加一個整體置信度。

直接的結果就是，零幻覺。

因為模型的工作只是給劃定好的幾個選項分配概率。選項之外的東西，它想編也編不出來，程序拿到手的永遠是一個合法的值。

至於快，也是同樣的邏輯。

大模型是一個token一個token往外擠，Jev把所有輸出並行採樣，一次性全給完。

做一次判斷，Jev端到端只要70到500毫秒，同樣的活交給前沿大模型，要3到329秒。

輸出token免費的底氣也源於此。

既然沒有逐字生成的過程，那就沒有值得計費的輸出。對此，博客原話非常囂張：便宜到根本不值得計費。

TypeSafe只對輸入收費，每百萬token僅收0.042美元。對比一下，Astra和Fable 5.1的輸出定價是每百萬token 50美元。

支撐這一切的，是一種叫RLCD（校準決策強化學習）的新訓練法。

RLHF獎勵的是人類看了很爽；RLCD獎勵的則是你給的概率，得和你的實際命中率咬合。模型說0.9，那就必須有九成的時候是正確的。

官方沒細說技術原理，但給出了一條結論：置信度越高，準確率越高。

在用法上，Jev把可組合性玩到了極致。一個複雜的決策，可以直接拆碎了並行去問。

比如審一份商業計劃書，把市場規模、技術可行性、差異化全拆開，分別拿一個精準概率，軟件最後再做拼圖。

Almeida的原話是，零樣本+通用=可編程。任何一個判斷都能用幾行代碼描述清楚，根本不需要微調。

這和他當年做InstructGPT時下的賭注一模一樣，只要底座足夠通用，顛覆性的用例會自己長出來。

TypeSafe放出了兩個很有說服力的演示。一個是讓Jev實時打《毀滅戰士》，每秒做10次決策，一小時算力成本僅需7美元左右。

另一個是維基百科的超鏈尋路，從幾千個鏈接裏精準鎖定目標，單次候選上限高達255個。

落到業務代碼，畫面是這樣的。

扔一段客訴給Jev問客戶是不是在暴怒，它可能回0.9，也可能回0.1。

如果你的軟件拿到的是0.9，那麼它就會直接拉響紅色警報；如果拿到0.1，可能就會扔進低優工單。整個過程，不需要任何人去讀那封郵件。

博客直言，Jev和現有大模型的關係不是替代，而是雙核搭檔。

大模型在前面負責吭哧吭哧幹活，Jev在旁邊花幾十毫秒，用概率給這活兒打個分，看合不合格。能過就放行，不能過直接打回重寫。

但這一切的代價是，Jev在面對需要一步步推導的數學推理時，頂多只有GPT-4的水平；並且，目前也不支持圖像輸入。

在一個絕大多數人還在圍繞文字生成找用例的時代，主動放棄文字輸出，無疑是一場巨大的冒險。

Jevons悖論：AI經濟的核裂變

Jev這個名字，取自經濟學中的傑文斯悖論：蒸汽機效率越高，燒掉的煤反而越多。

Almeida把模型命名為Jev，野心昭然若揭。

他在押注一個未來：當AI決策的成本趨近於零，速度快到令人髮指時，開發者對AI決策的需求不會減少，而是會像大爆炸一樣席捲所有代碼！

過去，大模型太貴太慢，我們只在最核心的地方使用AI。

但現在，如果每一次智能判斷只需要0.04美分，只需要幾十毫秒，那麼，你的代碼裏，將長出成千上萬個微小的、敏捷的神經網絡突觸。

據我所知，這是通往基於AI的經濟革命的最短路徑。

—— Diogo Almeida

這也是他給AGI為什麼還沒來的答案。

我們一直陷入這樣的誤區，以為AGI就是一個愛因斯坦式的超級大腦，越聰明越好，越會說越好。

而Almeida的解法是反過來的，先讓機器閉嘴，先讓它可靠，再讓它便宜到可以隨手用。

當百億個極速、廉價、可靠的「智能細胞」嵌進全球軟件的基礎設施，一張超越人類想象的自動化網絡，就已經形成了。

如果他賭對了，若干年後回頭看，從ChatGPT開始的這三年，會被寫成一段奇怪的彎路。

而拐彎的地方，就是今天。

參考資料：

https://x.com/testingcatalog/status/2099968075861008781