文 | Tech 商业
Jev 背后的开发公司 TypeSafe AI 近日完成 8.7 亿美元融资，估值达到 75 亿美元。本轮融资由 Andreessen Horowitz 领投，Sequoia 和现有投资者 DCVC 也参与了投资。此时，距离其新型人工智能模型 Jev 发布，仅过去几周。
在聊天机器人席卷全球的当下，这个 " 不会聊天 " 的模型反而成了资本和企业共同追逐的对象。TypeSafe 声称，财富 500 强企业中已有三分之一在使用 Jev，企业采用速度之快令人瞩目。更关键的是，Jev 并非大语言模型，它不输出文本，而是生成概率——用 TypeSafe 的话说，是 " 校准决策 "。
发布即爆红：一个 " 哑巴模型 " 的意外出圈
9 月 15 日，Jev 上线后几乎瞬间走红。开发者社区迅速涌现出大量使用场景：有人用它过滤垃圾信息，有人拿它辅助交易决策，还有人把它接入 Agent 系统充当 " 裁判 "。发布视频在社交平台获得数千万次播放，付费团队采用数在云开发平台上刷新纪录。
资本市场的反应同样迅猛。TypeSafe AI 刚走出隐身状态时，完成的是由 DCVC 领投的 4000 万美元种子轮融资，估值约 2 亿美元。但 Jev 的爆发式增长，让融资节奏骤然加快。据《The Information》报道，公司一度在洽谈至少 10 亿美元的新融资，部分投资人给出的估值报价已超过 100 亿美元。最终，a16z 领投的 8.7 亿美元融资落地，估值定格在 75 亿美元。
TypeSafe AI 由前 Meta 研究工程师 Sasha Sheng 和工程师、企业家 Erik Gafni 于 2024 年共同创立，Almeida 此前曾是 OpenAI 的研究员。团队规模不大，却已在短时间内站上 75 亿美元估值。关于创始团队的细节，外界所知仍有限，但资本显然更关心 Jev 本身能做什么。
不生成文本，生成 " 决策 " Jev 基于 Transformer 架构，但它并非大型语言模型。它不输出文本，而是生成概率，或者说是 " 校准决策 "。Jev 之所以令用户和大型企业兴奋，是因为 TypeSafe 声称它的运行速度比 LLM 快得多，而且使用的标记也少得多。公司将其方法定位为特别适合自动化任务，而不是生成文本或代码。
" 四年来，我们在人类语言方面做得非常出色，但这对于自动化来说毫无用处，因为计算机说的是另一种语言。"TypeSafe 联合创始人 Diogo Almeida 上个月告诉 TechCrunch。
这句话点出了 Jev 的核心逻辑。传统大语言模型输出的是自然语言，应用程序如果要使用这些结果，往往需要额外编写代码来解析文本，提取出真正需要的值——比如一个分类标签、一个是 / 否判断、一个评分。这个解析步骤不仅增加开发复杂度，也引入了不确定性。
Jev 的做法截然不同。它将输入信息归入预设的输出集合，直接返回 " 是或否 " 的判断、数值评分或既定选项结果。它返回的是应用程序可以直接使用的类型化值，无需中间解析步骤。换句话说，Jev 不是为了让人类读得懂，而是为了让代码直接调用。
这套技术思路被 TypeSafe 称为 " 面向校准决策的强化学习 "。Almeida 此前在 OpenAI 参与过指令遵循模型的构建，也是 RLHF 技术的共同发明人之一。但正是对 RLHF 的质疑，促使他离开 OpenAI。他在播客访谈中揭示了一个关键洞察：RLHF 训练虽然让模型更擅长对话，却也悄悄摧毁了模型的校准能力，导致 " 模式丢弃 "。换句话说，让模型学会说漂亮话的代价，是让它失去了做出可靠判断的能力。
Jev 的定位因此格外清晰：它不是为了和人聊天，而是为了让代码调用。它的输出响应时间在 700 毫秒以内，速度比前沿大语言模型快约 100 倍，成本仅为后者的 1/100 到 1/500。官方数据显示，处理同一批评论标注任务，Jev 耗时 203.2 秒，成本 0.84 美元，而对比模型耗时 823.5 秒，成本 1.50 美元。目前 Jev 的定价为每百万输入 token 仅 0.042 美元，输出免费。a16z 在投资公告中甚至用一个细节说明了 Jev 输出的精简程度：" 输出如此之小，以至于他们甚至不收输出费用。"
为什么企业愿意买单？
自动化场景长期存在一个痛点：大模型虽然聪明，但不够稳定。Almeida 曾用一个比喻形容这种困境：如果模型 "95% 的时间像爱因斯坦一样聪明，但剩下 5% 却表现得像憨豆先生 "，那么它在自动化生产环境中毫无用处。
Jev 试图解决的正是这个问题。它不追求生成流畅文本，而是追求在有限选项内做出可靠判断。这种能力在分类筛选、流程审批、路径选择、智能体动作判定等高频场景中，恰好是刚需。企业不需要一个会写诗的 AI，而需要一个能在 700 毫秒内告诉系统 " 通过 " 还是 " 拒绝 " 的 AI。
行业分工的趋势正在形成——生成式大模型负责复杂推理，决策模型负责高确定性的自动化判断。Almeida 将这一方向称为 "System One 模型 "，它们被设计为与代码深度集成，而非与人对话。
a16z 在投资公告中阐述了这一理念的深远意义：" ‘ AI 吃掉软件’这句话讽刺地意味着它正在更快地写更多传统软件，但未必让软件变得更智能。真正的经济解锁应该是，所有软件都能以符合传统软件经济学的性能和成本，自然地内嵌最新模型的智能。"
巨头跟进，新赛道成形
Jev 的爆红，迅速引发了硅谷巨头的连锁反应。
OpenAI 上线了名为 Decisions API 的工具，依托其 Luna 模型，用来回答限定在预设结果内的问题。数据平台 Databricks 发布了 ai_decide 功能。Cloudflare 推出了开源模型 Clef 系列。亚马逊此前已有 Strands Decider 2B 落地。
这些产品指向同一个方向：不再采用逐 Token 自回归生成的模式，而是直接对候选答案打分，面向分类筛选、流程审批、路径选择、智能体动作判定等高频有限选项场景。Jev 并非唯一玩家，但它是第一个把这条路线推到聚光灯下的模型。
Almeida 表示，他早就预料到会出现跟风竞品，但他仍然相信 Jev 拥有更强的能力与智能化水平。"Jev 代表着一类新型人工智能的开端，" 他说，" 人工智能领域仍存在大量待挖掘的技术方向，Jev 迈出的只是新赛道的第一步。"
资本为何疯狂？
从 2 亿美元到 75 亿美元，TypeSafe AI 用了不到一个月。这种估值飙升速度，在 AI 融资史上也属罕见。
a16z 在官方投资公告中毫不掩饰兴奋："Jev 的发布是我们今年见过的最大叙事颠覆。" 这家曾投资 OpenAI 和 xAI 的顶级风投写道，" 我们从未见过增长如此之快的模型——上线 3 天即达到 1 万亿 token 的生成量。"
估值逻辑并不复杂。Jev 不试图替代 ChatGPT，而是嵌入软件自动化流程，符合传统软件经济学的性能和成本要求。如果企业能够以极低成本、极高速度让软件内嵌智能决策能力，那么其市场空间将不仅限于 AI 对话，而是整个软件自动化市场。
当然，挑战同样存在。跟风竞品正在涌现，大模型厂商也可能将类似能力内化到自身产品中。企业采用速度惊人，但长期留存和可靠性仍需验证。校准决策在安全、责任和边界条件上的表现，也将接受更严格审视。
但至少目前，市场用真金白银给出了判断：在自动化场景中，可靠比聪明更重要，可执行比可读更有价值。当整个行业都在追求更像人的 AI 时，Jev 选择了一条 " 更像计算机 " 的路。而这条路的商业价值，正在被迅速重估。
本文来自微信公众号 "Tech 商业 "，作者：Tech 商业，经授权发布。
