9月15日，結束兩年隱身的舊金山新創TypeSafe AI，正式發表首款AI模型Jev並開放早期試用。沒想到，湧入的開發者瞬間塞爆系統，甚至讓官方API一度撐不住而斷線。
有趣的是，這款讓開發者搶到當機的AI，竟然「不會陪你聊天」。不同於ChatGPT、Claude等大型語言模型（LLM），Jev完全捨棄文字生成功能，當你輸入一段內容與問題，它只會給出三種明確答案：選哪一個、打幾分、是或不是，並附上每個決策的機率。
TypeSafe AI的來頭並不簡單，創辦人Diogo Almeida不僅是OpenAI前研究員，也是InstructGPT論文共同作者之一，參與開發後來催生ChatGPT的關鍵技術RLHF（人類回饋強化學習）。這不禁令人好奇，身為讓AI學會「說人話」的關鍵推手，Almeida為何不加入當今殺紅眼的大型語言模型戰局，反而回頭打造一款「不寫字」的AI？
Jev是什麼？TypeSafe AI打造「不生成文字」的System One模型
簡單來說，Jev不是拿來聊天或寫文章的生成式AI，而是一款專門替軟體「做判斷」的AI模型。TypeSafe AI將這類模型稱為「System One Model」，概念取自心理學家Daniel Kahneman提出的System 1：快速、直覺、不需要長時間推理的思考模式。
Jev的運作方式也因此和ChatGPT不同。使用者輸入一段資料後，不會得到一段文字回答，而是直接取得程式可以使用的結構化判斷。目前Jev主要提供三種回答方式：
Choice（選擇）： 從預先設定的選項中挑出最適合的一個。
Score（評分）： 按照指定標準替內容評分。
Noul（機率判斷）： 判斷一項敘述成立的機率。
例如收到一封客訴信，ChatGPT可能會分析問題並寫出一段建議；Jev則可以直接判斷「該交給哪個部門」、「退款需求有多強」、「事情有多緊急」，讓程式直接根據結果執行下一步。
Jev和ChatGPT有何不同？軟體要的是「數值」，不是一段話
Almeida的想法是，業界在人類語言上已經強了四年，自動化卻沒跟上，因為「電腦講的是另一種語言」。程式需要的是能直接拿來分支、排序、路由的值；LLM給的卻是一段還要再解析的文字，中間還可能夾著它自己編出來的東西。
因此Jev跳過寫字這一步。依TypeSafe開發文件，你送進去的是「狀態」加「問題」：狀態可以是客服信、程式碼、AI Agent操作紀錄等非結構化內容，再交由Jev進行選擇（Choice）、評分（Score）或機率判斷（Noul）。
而且一次可以交給Jev判斷多個問題，各自平行評估，多問幾題幾乎不增加等待時間。
AI開發者Sam Witteveen在實測影片中，將Jev貼切地比喻為「一個聽得懂人話的超強if判斷式」。他以自動化客服為例，輸入一句「我被重複扣款了，請退款」，要求Jev同時判斷該轉交哪個部門、是否需退款，以及事情急不急。
實測發現Jev對語氣極為敏銳：原本那句話的「緊急度」僅7%，但只要加重語氣改成「現在就退！」，緊急度立刻飆升至6、7成。更重要的是，一般語言模型（LLM）回答出的機率數字，本質上只是靠「文字接龍」拼湊出來的一串字；而Jev給出的數值，是模型在數學層面真實算出的機率，這讓軟體系統在進行自動化派單時，有了更穩定可靠的判斷依據。
Jev有多快？速度快40～200倍、輸出成本免費
Jev的核心賣點，可以具體濃縮為三個數字：
反應快（70～500毫秒）：根據TypeSafe官方數據，Jev的端到端反應時間僅需70到500毫秒，遠勝目前頂尖LLM的3到329秒。
效率高（快40～200 倍）：在處理「System One」（一眼就能判斷、不需複雜推理）的任務上，Jev比同等智力的模型快上40到200倍。
成本低（輸出免費）： 每百萬輸入Token僅收0.042美元（約新台幣1.3元），輸出更是完全免費。以Sam Witteveen的實測為例，連續執行20個分類任務，總成本只需0.05美分。
TypeSafe AI是誰創辦的？ChatGPT關鍵技術RLHF共同發明人創業
Almeida的履歷相當亮眼，曾先後效力於Google Brain與OpenAI，更是2022年InstructGPT論文的共同作者。正是這篇論文，成功將原本「只會接文字」的基礎模型，訓練成能聽懂指令做事的AI，成為後來ChatGPT誕生的基石。
諷刺的是，這位把AI教會「跟人對話」的關鍵推手，卻花了四年深陷「AI聊天很強，但到底怎麼用於自動化？」的困境。最終，他於2024年離開OpenAI，在舊金山創立了TypeSafe。
這家新創的陣容同樣堅強。技術長Erik Gafni是連續創業家，曾創辦DNA定序AI公司Ravel，也是兩家生技獨角獸的早期員工；營運長Sasha Sheng則是前Meta FAIR研究工程師，擁有深厚的AI產品與研究經驗。其餘團隊成員也多來自Stripe、Airbnb、Docker等頂尖企業。特別的是，在遠距工作盛行的矽谷，這支菁英團隊至今堅持「每週五天進辦公室」的硬派作風。
TypeSafe AI為何押注合成資料？Jev背後的技術路線
談到技術護城河，Almeida向《TechCrunch》透露，創業至今最關鍵的決策就是「很早就決定押注，所有訓練資料都由我們自己生成。」他自豪地表示，這是他人生中最棒的賭注，甚至認為這比發明RLHF還要重要。「我們公司有一半的編制是實驗室，基本上已經掌握了『統計上可理解的合成資料』這整個子領域。」
至於模型為何命名為「Jev」？這源自19世紀經濟學家提出的「傑文斯悖論（Jevons Paradox）」——當商品變便宜，用量反而會暴增。Almeida賭的是，當AI的成本大幅下降，未來的世界不會是由單一「超級 App」壟斷，而是像早期網際網路一樣，到處都散布著聰明、高效的微型軟體。
當被問及 TypeSafe 是否自視為「前沿實驗室（Frontier Lab）」時，Almeida 犀利地回應：「前沿實驗室產出的主要商品是『恐懼』與『炒作』，但我希望我們的主要產品是『智慧』。」而這份務實的野心，在公司的簡短宣言中表露無遺：「我們打造的是生產系統，而不是神。」
Jev可以做什麼？3大應用：AI分類、Agent監控、模型路由
目前開發者們目前將Jev投入實際運用的場景，主要可歸納為三大類：
取代LLM分類器：Vercel工程師Pranit Sharma原本用OpenAI的GPT-5.6 Luna審查指令安全性，改用Jev後速度暴增5到18倍，且更為精準；Bryo AI技術長Nikhil Mudholkar將Jev與Gemini進行商業郵件分類對比，發現Gemini雖準確度微幅領先，但成本卻貴了10到20倍。他強調：「Jev是唯一能回傳真實機率的模型，這讓它極度適合用於自動化工作流程。」
監控其他AI代理（Agent）：創辦人Almeida認為，若用Agent來監督另一個Agent，成本很快就會失控。但換成用Jev來追蹤LLM Agent的操作軌跡並攔截「越獄（Jailbreak）」嘗試，能將防護成本控制在合理範圍。
模型路由（Model Routing）與即時分流：開發者Ronacher提出，系統在處理任務前，可先透過 Jev判斷是否需要動用昂貴的旗艦模型。Jev的速度與極低價格，讓這種「即時分流」具備了高度的經濟效益，取代了過去用LLM做初步判斷的不划算做法。
Jev怎麼用？3步驟串接Claude Code、Codex
要先說的是，Jev沒有聊天介面，一般人無法直接「跟它對話」。最順手的用法，是把Claude或Codex這些「AI程式助理」當成中間人，讓助理替你向Jev派發任務，其實只要三步驟就能開始用：
第一步：開帳號、領免費額度
到TypeSafe官網註冊免費帳號，不需綁定信用卡，就會直接送你5美元（約新台幣159元）的測試額度。要注意的是，Jev是依照你「輸入的字數（Token）」來計費，題目越長、扣款就越多。
第二步：讓AI助理幫你裝好「TypeSafe外掛」
不用被程式碼嚇到，你只需要在你的AI助理（例如Claude Code或Codex）輸入對應的安裝指令。
如果是用通用的AI助理，直接貼上這段讓它跑：
npx skills add typesafe-ai/skills --skill typesafe-ai
裝好之後，只要在對話框對著助理說：「使用TypeSafe skill」，就能喚醒這個功能。接著，按照官方指示到TypeSafe後台申請一組API金鑰（就像通行密碼），存入系統後，助理就能順利連線了。
第三步：用大白話交代任務，讓助理幫你寫程式
你完全不需要懂複雜的 API 串接，只要用白話文把「你要分類什麼」以及「分類標準」跟 AI 助理講清楚即可。你可以直接複製以下這段話當作指令模板：
「請用 TypeSafe skill 幫我設計 Jev 的任務。我要整理 [貼上你的資料，例如聯絡人名單]，請把每一筆資料分成 [類別A／類別B／類別C／不確定]。
規則：Jev 只負責判斷『語意』；如果有算數、日期或字串比對，請（AI 助理）你自己先算好再傳給 Jev。
另外，請設定一個『信心門檻（Confidence）』，只要Jev信心低於0.6的，一律歸類為『待人工檢查』。動工前先給我看完整清單，我確認後再跑。」
這裡提到的信心指數（Confidence），指的是Jev對自己的判斷「有多篤定」，而不是「答對的機率」。如果選項很明確，信心值就會接近1。官方建議，這個門檻可以先設定保守一點，用自己的資料測試後再微調。
Jev適合哪些任務？3個自動化應用範例
具體來說，可以完成的自動化任務如下範例：
- 將LinkedIn人脈自動分成不同優先等級。
- 將Gmail聯絡人，自動分成「保留、待審、刪除」三種。
- 幫多篇艱澀的學術論文，篩選出「對一般人有沒有用」。
Jev使用前注意什麼？問題拆小、設定Confidence門檻
最後，新手實作前有兩個小提醒：
-
問題要拆小：不要直接問Jev「這份創業簡報好不好？」它會不知所措；你要拆成「市場大不大？」、「技術可不可行？」分開問它，最後再請AI助理幫你綜合評分。
-
AI仍不懂通靈/魔法：上述三個成功案例，其實都是靠著AI助理在背後幫你寫出一個迷你的網頁應用程式或Python腳本來執行。雖然你不用親自寫Code，但仍需要一些引導AI寫程式的基礎耐心。 此外，如果給 Jev的題目太短，它的信心指數會下降，同一題重跑幾次可能會有微小的答案浮動。
資料來源：TypeSafe官方部落格、TypeSafe開發文件、TypeSafe技術入門文件、TypeSafe Confidence文件、TypeSafe安裝文件、TypeSafe團隊頁、TypeSafe宣言、TypeSafe融資新聞稿、《TechCrunch》、Sam Witteveen YouTube實測、Ruben Hassid電子報、OpenAI GPT-5.6 Luna模型文件、InstructGPT論文
本文初稿為AI編撰，整理．編輯/ 李先泰
