就在今天，整個矽谷都被Jev刷屏了！
發佈僅三天，它就被Vercel、Cloudflare和LangChain等主流平台迅速整合，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連髮長推，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資料進去，它只用70毫秒就甩回一個帶機率的判斷，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Google都坐不住了。
Gemma官方帳號火速發了條「DiffusionGemma as Jev」，直接把自家的擴散模型塞進這個新範式，一步去噪、一次性平行給出所有選項的機率，甚至還順手把視覺能力也給補上了。
狂歡之下，壓著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，看它能不能在對話裡騙過人。整個行業從此朝著「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眼裡，ChatGPT和Claude Code沒有任何代差，同屬一個舊時代。
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」在那？
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著才能幹活。根本做不到真正的自動化，也就是讓軟體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裡變得極其不可靠。
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。模型干的每件事，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，是他這兩年才想明白的一件事：你最佳化什麼，就會得到什麼。而「字串」，恰恰是世界上最難最佳化的東西。
為了讓長文字不跑偏，訓練時就得把模型調得過度自信，逼它主動丟掉那些低機率的選項，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，是在逆著生成式AI的底層原理幹活。
Diogo意識到，讓AI擁有「好口才」，反而成了AI融入萬物程式碼的最大絆腳石。
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，他帶著他的答案——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，或者程序卡殼時的程式碼），它會輸出一個類型化的決策，並附帶精確機率。
在此期間，它不會生成任何一個字。
官方文件也只給了三種互動姿勢：
1. Choice，從給定選項裡挑一個；
2. Score，給個具體分數；
3. Noul，甩出一個0到1之間的機率值。
每個答案都帶著所有選項的機率分佈，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機率。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把所有輸出平行採樣，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，部落格原話非常囂張：「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「你給的機率，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，精準率越高。
在用法上，Jev把「可組合性」玩到了極致。一個複雜的決策，可以直接拆碎了平行去問。
比如審一份商業計畫書，把市場規模、技術可行性、差異化全拆開，分別拿一個精準機率，軟體最後再做拼圖。
Almeida的原話是，零樣本+通用=可程式設計。任何一個判斷都能用幾行程式碼描述清楚，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即時打《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，從幾千個連結裡精準鎖定目標，單次候選上限高達255個。
落到業務程式碼，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。
如果你的軟體拿到的是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。
部落格直言，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，用機率給這活兒打個分，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，頂多隻有GPT-4的水平；並且，目前也不支援圖像輸入。
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程式碼！
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，你的程式碼裡，將長出成千上萬個微小的、敏捷的「神經網路突觸」。
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」嵌進全球軟體的基礎設施，一張超越人類想像的自動化網路，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。 (新智元)