AREX Viewpoint Article
AI能解难题却干不了活：TypeSafe创始人谈Jev
导读
一个连一句话都写不出来的 AI 模型，却成为本周开发者社区最热衷的话题。据 X 用户 seangarschi 观察，Jev 已成为 Vercel 平台上历史上被采用最快的模型；TechCrunch 也用“来自 ChatGPT 发明者的新型 AI 模型让开发者兴奋”来概括这一现象。这种反差解释了 Latent Space 为何在 Jev 发布数天后就请来 TypeSafe 创始人 Diogo Almeida：越是不像聊天机器人的 AI，越可能指向自动化经济的下一个入口。
TypeSafe AI 发布首款公开 System One 模型 Jev，融资约 4000 万美元。TypeSafe 官方博客称 Jev 在 System One 任务上达到与前沿模型相近的智能水平；TechCrunch 强调它不是 LLM，而是一种新的 AI 模型。X 用户 Emaasit 总结了开发者反复提及的数字：Jev 比其他同类调用快 20 到 200 倍、成本低 40 到 400 倍，输出 token 免费；AGTPinsights 则提到约 150 毫秒延迟。这些指标解释了 Vercel 上的快速采用：软件需要的不是长文，而是快速、便宜、可编程的判断。
但市场热度无法回答一个更根本的问题：不会聊天的模型凭什么被称作“通往经济革命的最短路径”？这正是本期访谈的价值。Diogo Almeida 亲自复盘离开 OpenAI 的原因：他参与创造了 ChatGPT 和 InstructGPT，却看到模型能解千禧年难题、却几乎没有自动化世界经济中任何有价值的基础工作。他认为根源在于现有大模型被优化为面向人类聊天，而不是面向代码调用；软件底层真正需要的是确定性、低延迟、强类型、带概率校准的机器决策。
视频把 Jev 背后的选择讲成可评估的工程判断。Diogo 不以公共基准分数作为信任依据，主张用“每美元智能”和真实工作流中的可靠性来评价模型；他反对把安全拒绝内建到基础模型，因为聊天中的拒绝到了后台 API 就变成随机故障。他提出 RLCD 与 RLHF 的分野：后者容易造成模式坍缩，让模型迎合人类偏好而非表达校准后的置信度；Jev 的目标则是让程序进入闭环，移除人类在回路中的依赖。
对开发者来说，视频提供了更具体的决策标准：把复杂 AI 工作流拆成大量小型可验证决策，而不是把所有指令塞进系统提示词；用结构化状态替代巨型提示词；把鲁棒性——相似输入产生相似输出——看得比绝对确定性更重要。这些方法使热点背后的“为什么”变成可复用的工程路径，也说明 TypeSafe 为何把自己定位为数据实验室而非模型实验室，并拒绝用真实用户数据过拟合“现在”。
因此，这段视频现在值得看，不是因为它宣布了另一个大模型，而是因为它把 Jev 的爆发式采用放回一个更大的判断：AI 要进入经济结构，必须从聊天前台消失，成为嵌入 SaaS 和后台流程、像数据库一样被默认信任的基础设施。Diogo 关于“逆 SaaS 末日”的判断——AI 会超级赋能现有软件而非摧毁它——为开发者评估要不要把 Jev 接入决策链路提供了可讨论的框架。
核心结论
- AI 经济革命的前提是让代码成为 AI 的消费者，而非让模型更聪明：Diogo 指出当前 AI 的根本矛盾在于能解决极难问题却无法自动化基础工作，原因在于模型被优化为面向人类聊天而非面向代码调用。只有通过可编程接口让 AI 嵌入软件，才能释放自动化潜力并体现在生产率统计中。
- RLHF 的模式坍缩和拒绝行为使 AI 无法成为可靠的软件基础设施：RLHF 让模型迎合人类偏好而非表达校准过的判断，而聊天产品中的安全拒绝一旦进入 API 就变成随机故障。Diogo 主张安全偏好不应内建在技术层，而应交给开发者和使用场景。
- 可靠性而非确定性才是 AI 自动化的真正北极星：Diogo 认为 AI 无法落地的根本原因是可靠性不足，而非不够聪明。他主张追求鲁棒性——相似输入产生相似输出——让 AI 达到像数据库查询一样无需反复测试即可信任的程度。
- 开发者应把 AI 工作流分解为大量小型可验证决策，而非依赖巨型提示词：Diogo 建议将复杂任务拆解为许多独立的小决策，每个决策都可以单独评估和设定阈值。这种方式比把所有指令塞进系统消息更可靠、更可维护，也更符合软件工程实践。
- AI 将消失进软件背景，SaaS 会被超级赋能而非被摧毁：Diogo 预测 AI 不会以聊天机器人或 AI 同事的形式长期存在，而是作为基础设施嵌入软件内部。他提出“逆 SaaS 末日”概念，认为现有 SaaS 公司最了解哪些工作值得自动化，将因此获得巨大收益。
观点拆解
1. AI 经济革命的关键不是更聪明，而是让代码成为 AI 的消费者
-
AI 的悖论：能解数学难题，却无法自动化基础工作：Diogo 反复指出当前 AI 存在一个根本性矛盾：它能够解决千禧年大奖难题级别的数学问题，却连最基础的重复性工作都无法自动化。这说明问题不在于模型不够聪明，而在于智能没有被接入到真正有价值的经济活动中。
“AI 怎么能聪明到这种程度？我们怎么能解决数学中的千禧年大奖难题，却仍然无法自动化哪怕是最基础的工作？”
“我们有了这个超级强大的自动化引擎，但它就是没有合适的插头和接口，去接入所有这些有经济价值的工作。”
-
System One 模型的核心转变：让代码成为 AI 的消费者：Diogo 提出需要一类全新的模型——System One 模型，其核心特征是「机器原生、大型、可编程」。与面向人类聊天的 RLHF 模型不同，这类模型的目标是让代码直接消费 AI 的输出，从而让 AI 真正嵌入软件系统，而不是停留在对话界面。
“我们描述这类模型为机器原生、System One、大型、可编程。我认为这类模型的目标就是让代码成为消费者。”
“我们真正、真正、真正想要的是让 AI 尽可能强大，我们认为实现这一点的途径就是把它与软件集成。”
-
经济革命的标准是生产力统计，而非模型能力本身：Diogo 认为真正的 AI 经济革命应该体现在全要素生产率（TFP）增长等经济统计指标中，而不是停留在模型演示或基准测试上。他批评当前所有模型在自动化世界经济有价值工作方面「大致都处于零」，并强调只有当 AI 真正融入软件并可靠地执行决策时，这场革命才会发生。
“他们应该回答这个问题：怎么能做到解决数学千禧年难题，却在世界经济有价值的工作上完成度为零，连舍入误差都算不上。我认为现在所有模型大致都处于零。”
“2019 年的软件、SaaS 什么的超级有价值，现在已经是 2026 年了，软件怎么基本上还是一模一样，尽管 AI 这么厉害，除了有时候旁边多了个聊天框？”
2. RLHF 的模式坍缩和拒绝行为是 AI 基础设施化的根本障碍
-
RLHF 的模式坍缩让模型迎合用户想听的话，而不是表达自身校准过的判断：Diogo 认为 RLHF 的核心代价是模式坍缩（mode dropping/collapse），模型被训练成输出人类最想听到的答案，而不是基于自身内部置信度做出校准过的判断。这直接削弱了模型作为可靠决策组件的能力，也是 TypeSafe 选择 RLCD 而非 RLHF 的根本原因。
“这就是你关于 RLHF 的整个论点：它们是在模式坍缩，朝着你最想听到的、或者最可能的方向坍缩，而不是朝着它们自身对某件事的内部置信度坍缩？”
“人们没有注意到的是 RLHF 的弊端，尤其是模式丢失。……模式丢失、坍缩，是一回事。”
-
拒绝行为在聊天产品里只是烦人，在 API 和后台依赖里就是随机故障：Diogo 区分了聊天产品与 API 基础设施的安全逻辑：在 ChatGPT 这类产品中，拒绝回答只是用户体验上的摩擦；但一旦模型作为后台依赖运行，拒绝就会变成不可预测的软件故障，开发者无法围绕它编程。这解释了为什么 TypeSafe 坚持不把拒绝机制放进技术层。
“拒绝显然就是一个类型错误。……如果你把它放在一个后台运行的依赖里，它拒绝了会怎样？如果别人也在用那个依赖呢？他们根本不知道那个系统是什么。你难道想让软件因为某个用户发了一条奇怪的消息就随机崩溃吗？这简直是彻头彻尾的疯狂。”
“能力对齐是关于做用户想做的事，这对软件工程师来说太棒了：他们想让自己的东西去做那件事，而且越可预测，他们需要测试和折腾的就越少。……但安全对齐是指令跟随的反面，是当你想去遵循别人的指令时。”
-
安全偏好不应内建在技术层，否则每一次过拟合都在割裂智能本身：Diogo 承认公司可以合理拒绝某些用途（如武器化），但他坚持这种偏好不应放在基础模型的技术层。他的理由是：每次让模型为特定安全偏好过拟合，都会进一步割裂其通用智能；智能应该像数据库一样保持中立，把使用边界交给开发者和下游场景。
“我会在技术层做这件事吗？绝对不会。因为那会割裂智能。每次你需要它去对某些奇怪的东西过拟合，你都在越来越多地割裂它的智能。”
“我认为智能会更像数据库而不是同事。我不认为数据库有责任去检查自己是否被用于不好的事情。……兄弟，我们是 API，你是开发者。这不关我的事。”
3. 可靠性比确定性更重要，AI 应该像数据库一样可依赖
-
AI 无法自动化的根本原因是可靠性不足，而非不够聪明：Diogo 指出，许多任务看起来模型已经足够聪明、也有经济激励去自动化，却仍然无法落地，根本原因在于可靠性不够。他把可靠性视为一个总括性概念，涵盖类型安全、确定性、输出一致性等多个维度，认为当前大推理模型虽然聪明，但仍缺乏像实习生一样稳定完成任务的能力。
“我认为那些大型推理模型在我看来非常聪明，但它们仍然缺乏可靠性。有很多用例看起来它们应该聪明到足以自动化工作，也有经济激励去自动化，但它们仍然不够可靠，连实习生都不如，因为它们优化的目标不同。”
“可靠性其实是一个总括性概念。每当 AI 无法自动化某件事，都是由于某种形式的可靠性问题——可能是类型安全，可能是确定性，也可能就是它本身很参差不齐。”
-
鲁棒性比确定性更接近正确的北极星：Diogo 认为，确定性——相同输入产生相同输出——对单元测试略有意义，但作为 AI 系统的北极星是错误的。真正重要的是鲁棒性：相似输入应产生相似输出。他用在提示中插入随机 nonce 的测试方法说明，语义相同的问题不应因为无关扰动而产生截然不同的结果，而这正是人们在用 AI 做决策时被灼伤的地方。
“确定性就是相同输入产生相同输出。我确实认为这对单元测试略有意义，但我认为那是错误的北极星。我相信鲁棒性才是更重要的属性。你想要的是给定相似输入得到相似输出。”
“语言模型有多不可靠，这真的有点疯狂。我们测试的一种方式是往提示里放一些随机 nonce，你希望所有这些都产生相似输出，因为它们在语义上确实是同一个问题。而鲁棒性正是人们用 AI 做决策时被灼伤的地方。”
-
可靠性的终极目标是像写数据库查询一样无需试错即可信任：Diogo 将可靠性的愿景与编程中的心流状态类比：开发者应该能够像写数据库查询一样调用 AI 智能，而不需要先反复测试模型是否可用。他承认这是一条漫长的路，但这个目标定义了 Jev 的设计方向——让 AI 成为软件中可以默认依赖的基础设施，而非需要时刻警惕的不稳定组件。
“我想把它做到好到人们甚至不需要试用模型就知道它能用。这就像编程中的心流状态，对吧？就像我只是在写查询，因为我需要在这里嵌入智能。对于非平凡的分支，我可以直接写一个类型安全的 System One 查询，然后拿到结果，它就能准确分支。那会非常非常好。这就是梦想，而且会是一条很长很长的路。”
“但那样会导致一个非常难以依赖的东西。而软件不需要在后台运行。如果我们的东西变成那样，我会心碎的。”
4. 开发者应把 AI 工作流分解为大量小型可验证决策，而非依赖巨型提示词
-
把复杂任务拆成大量独立小问题，而不是塞进一个巨型系统提示词：Diogo 认为，开发者应该把 AI 工作流分解为许多可以单独评估的小决策，而不是把所有指令一次性放进系统消息里。这样做让每个环节都能被验证和测量，也更符合软件工程中可维护、可调试的原则。
“我真心建议提出大量的问题，把它们拆开、变小，真正地分解它们，不管模型今天能不能做到。”
“如果你把问题分解成简单的决策，每一件事都极其可评估。”
-
系统消息像“令人作呕的全局变量”，结构化状态才是更可靠的替代方案：Diogo 批评了把所有状态和指令都塞进系统消息的做法，认为这就像在代码里滥用全局变量。他主张把状态、指令和标准都作为结构化 JSON 对象传入，让程序能在正确的位置插入它们，从而让代码更清晰、更少依赖实现细节。
“系统消息就像令人作呕的全局变量，你把所有东西都放进去，把所有指令一次性塞进去，然后你只能指望每一条指令都被准确执行，而不是并行地去问这些问题。”
“如果你还在用模板把它变成系统消息之类的东西，你就是在用旧的方式思考。我们应该让计算机更容易理解，因为那种结构是真实存在的。”
-
小决策让失败可以被定位、修复并永久固化，而不是靠提示词反复祈祷：Diogo 以“拒绝”场景为例说明：与其问模型“我该不该拒绝”，不如针对不同拒绝情境提出多个独立问题。当某个情境失败时，开发者可以像修 bug 一样添加问题、设定阈值、记录测试用例，从而让修复永久生效，而不是依赖提示词中容易被上下文侵蚀的模糊指令。
“如果你发现一个情况它没有拒绝，是因为我没有明确说明任务的这一部分，那太棒了。这就是软件工程的意义所在：你通过添加那个问题、添加阈值、把它记作测试用例来修复 bug，然后它就永远解决了。”
“你的软件不会像在提示词里那样因为上下文腐烂而忘记这件事。它就在那里，你可以永远持续测量它。”
5. AI 将消失进软件背景，SaaS 会被超级赋能而非被摧毁
-
AI 不应永远是前台角色，而应消失进软件背景：Diogo 明确表示他厌倦了 AI 总是作为“前台角色”出现，认为世界应该变得更令人愉悦，而 AI 的作用是帮助实现这一点。这一判断把 AI 的价值从“被看见”转向“被使用”，意味着真正成功的 AI 产品会像基础设施一样安静地嵌入软件内部，而不是以聊天机器人或 AI 同事的形式长期存在。
“我真的很厌倦 AI 总是成为事物的前台角色。我认为世界应该变得更令人愉悦，而 AI 应该只是帮助实现这一点。”
“就像消失进背景里。”
-
现有软件几乎没有因 AI 而改变，聊天框不是真正的自动化：Diogo 指出了一个反差：2019 年的 SaaS 软件非常有价值，但到了 2026 年，软件本身几乎没有变化，AI 的加入往往只是在侧边加了一个聊天框。这个聊天框无法承担公司真正关心的决策，因为它的可靠性不足以被信任。这说明 AI 若不能嵌入软件流程并做出可依赖的决策，就无法真正改变软件形态。
“我在演讲中说过：2019 年的软件、SaaS 之类的已经超级有价值了，现在已经是 2026 年，尽管 AI 如此厉害，软件为什么基本上和以前一模一样，除了有时在侧边加一个聊天框？”
“那个聊天框某种程度上能用，但它不能让你做出公司真正押注的决策，因为它们无法被信任去做决策，这太离谱了。”
-
“逆 SaaS 末日”：SaaS 将被超级赋能，而不是被摧毁：Diogo 提出“逆 SaaS 末日”的判断，认为 AI 不会消灭 SaaS，反而会让 SaaS 公司获得巨大收益。原因是 SaaS 公司最清楚哪些工作值得自动化，当 AI 变得足够可靠并嵌入软件后，这些公司最有能力把智能转化为实际经济价值。这一观点为 AI 商业影响提供了与“AI 取代软件”相反的传播叙事。
“我认为这会像一场“逆 SaaS 末日”。我认为 SaaS 会被这个超级赋能。他们是最清楚哪些事情值得自动化的人，这会是一个疯狂的时代。”
6. 公共基准测试是智力评估的陷阱，TypeSafe 拒绝为基准优化
-
公共基准测试极易被操纵，本质上是“换皮的刷榜”：Diogo 明确反对公共基准测试，认为它们不仅容易被作弊，而且即使实验室主观上不想作弊，也会在客观上走向针对测试集的过度拟合。他举例说，过去每个实验室都有团队专门收集类似 MMLU 的数据来让模型“看起来更好”，这本质上就是换了一种形式的刷榜。
“我极度反对公共基准测试。”
“公共基准测试极其极其容易被操纵。即使他们试图不去操纵，他们仍然会。你知道，在过去，每个实验室都有一个团队去收集看起来像 MMLU 的数据，让它看起来更好，这只是在刷榜，只是多了几个步骤的刷榜。”
-
真正的信任来自实际工作流中的可靠性，而不是可作弊的排行榜：Diogo 认为，长期来看，建立信任的方式是让用户把模型放进自己的工作流中，针对具体任务进行评估和测量，而不是依赖公共排行榜。TypeSafe 的核心职责是持续提升可靠性，而不是追求在公开测试上看起来更聪明。
“我认为从长远来看，它需要靠感觉和信任，直到你把它放进一个工作流中，针对那个工作流进行评估和测量，并且对它在那个真正重要的工作流上的表现有自己的判断。”
“我认为这是建立长期信任的方式，尽管它让我们吃了很多苦头。去年我们融资的时候，没人相信我们，他们只想要基准测试之类的东西，而我们说我们不会那样做。我们是有原则的，我们会坚持自己的立场，因为那是在奖励坏行为者。”
-
拒绝公共基准不等于拒绝测量，内部评估需要纪律来防止自我欺骗：Diogo 澄清，TypeSafe 并非反对测量本身，而是反对带有外部激励的公共基准。公司内部有自己的评估体系，但关键在于用纪律约束自己不去“刷”内部评估，否则就无法保证模型在单位美元智能上的真实表现。
“我们当然有自己的内部评估。但这需要大量的纪律来不去刷它们，而且这必须是一个最高优先级的任务。否则我们怎么能保证我们的模型在单位美元智能上处于领先地位？我们肯定在测量它们。我并不反对测量。但当你有任何替代激励时，这是极其危险的。”
7. 正确的任务和数据比单纯扩大算力更能推动 AI 进步
-
数据比算力更重要，而“正确的任务”才是最难的部分：Diogo 引用 Sutton 的“苦涩教训”，指出数据的重要性远超算力，但真正困难且关键的是定义一个正确的任务和北星。他认为 LLM 领域至今只发生过两次左右这样的任务转变：RLHF 把任务转向指令遵循，RLVR 做了小幅修正，而 TypeSafe 的 RLCD 则提出“程序在循环中”的新任务。
“Sutton 说过，算法大致上胜过算力。数据显然比算力重要得多，而做正确的任务、拥有一个北星，是最困难也最重要的事。”
“这在 LLM 领域至今只发生过两次，也许 2.2 次。RLHF 把任务转向了指令遵循，当时没人意识到那是可能的。RLVR 对方向做了一点点修改，而现在我们 RLCD 有了一个新任务，目标就是让程序进入循环。”
-
模型能力本质上就是数据能力，数据质量决定可靠性的“九”：Diogo 将模型能力直接等同于数据能力，强调数据极其复杂，而正是数据决定了模型能否达到高可靠性。这意味着 TypeSafe 的核心竞争力不在于架构或算力，而在于对数据的深度理解和精细处理。
“我们永远都会极其在意数据。对我来说，模型能力就意味着数据。数据复杂得令人难以置信，而正是数据能带来那些“九”。你无法想象数据能在多大程度上改变一切。”
-
拒绝用真实用户数据训练，是为了避免对“现在”过拟合：Diogo 解释 TypeSafe 刻意不用用户数据训练，即使他们可以这样做。原因是真实世界数据存在严重的偏差和幂律分布，会导致模型过拟合于当前的使用模式。他们的目标是构建面向未来的基础设施层，因此需要像艺术家一样研究认知核心，精准地修补模型的“锯齿状缺陷”，而不是被当下的数据分布束缚。
“真实世界的数据有太多偏差。存在一种幂律，人们总是问同样的事情，你最终会过拟合于它，并因此产生分裂。”
“即使我们拥有现在所有的数据，我们也只会过拟合于现在，然后它就无法工作了。我们需要的是——这几乎感觉像是艺术家——他们研究这个认知核心。我们的认知核心远没有其他人的那么锯齿状。然后他们找到那些锯齿状的地方，以外科手术般的方式精准地处理它们。”
-
RLCD 是继 RLHF 和 RLVR 之后的新北星：可编程 AI：Diogo 认为 RLHF 的真正意义不在于具体算法（如 PPO），而在于设定了一个有价值的北星——指令遵循。同样，RLCD 的核心是提出一个新任务：让程序进入循环，实现可编程 AI，从而移除人类在回路中的依赖，使自动化成为可能。
“RLHF 的任务是指令遵循。重要的不是 PPO，那部分无关紧要。重要的是设定一个北星，指明这是一个有价值的方向。这有点像“苦涩教训”的北星，而对我们来说，RLCD 就是这个新任务。”
“清楚地陈述这个北星，就是支持可编程 AI，移除人类在回路中的依赖，因为 RLHF 的调优就是为了让你能够自动化一切。”
8. 大多数新实验室在错误的方向上浪费资源，不应盲目追随 RLVR 和预训练
-
大多数新实验室缺乏真正的任务方向，只是在重复低概率的前沿探索：Diogo 直言大多数新实验室“很糟糕”，因为它们没有明确的方向，只是在从零开始重做别人已经做过的工作，真正推动前沿的概率很低。他认为这本质上是在摧毁价值而非创造价值，只有那些有明确方向的实验室才值得支持。
“我认为大多数新实验室都很糟糕。我不想把自己和它们归为一类。”
“从纯粹的实用角度看，我不认为创建新实验室是在创造价值。它似乎在摧毁价值，因为它们从零开始重做工作，真正推动前沿的概率很低。而且据我和大多数新实验室的交流，它们并没有真正的方向。”
-
研究资历被高估，正确的任务方向比纯研究背景更能创造价值：Diogo 认为行业过度看重纯研究资历，但研究资历本身通常不直接创造价值。真正重要的是研究者是否关注“正确的任务”——即那些能带来实际效用的北极星任务。他主张价值创造应该优先于研究声望。
“我们需要的不仅仅是研究者，还需要他们高度关注正确的任务，这才是重要的事。当人们看重纯研究资历时，这其实是本末倒置的，因为那通常不创造价值。”
-
研究者应被驱动去解决真实问题，而不是为了玩实验而融资：Diogo 建议研究者不要为了“玩研究”而创建实验室或寻求资金，而应该被真实问题驱动。他认为这对世界更有利，即使问题是探索性的也可以接受，但关键是要有自己坚持的原则和方向。
“如果你是一个想玩研究的研究者，大实验室可能是最适合的地方。但我个人建议不要那样做。我认为让世界变得更好的是人们被驱动去解决真实的问题。”
总结
AI 行业正陷入一个集体误区：把资源投向让模型更聪明，却忽视了让模型更可靠、更可编程这一根本命题。真正的经济革命不会来自聊天框里的惊艳回答，而会来自那些安静嵌入软件、像数据库一样被默认信任的 AI 决策组件。对开发者和企业而言，关键不是追逐最新的推理模型或基准分数，而是把工作流拆解为可验证的小决策，让代码成为 AI 的消费者。谁能先解决可靠性问题，谁就能在 AI 真正融入经济结构时占据基础设施层的位置。
信息源
视频来源
- Why We Made Jev — Diogo Almeida, TypeSafe Co-founder & CEO：
外部资料
- seangarschi：
- A new kind of AI model from a ChatGPT inventor is thrilling ...：
- Introducing System One Models & Jev - TypeSafe AI Blog：
- Emaasit：
- TypeSafe AI just launched Jev today. Here's what you need ...：
- Jev: System One models for Prod, not God — with Diogo ...：