一个造ChatGPT的人，出来做了一个不会写一句话的AI。
这事听起来像个冷笑话，但它是真的。
上周，OpenAI前研究员保罗·阿尔梅达（Paulo Almeida）带着他的新模型Jev回归。这个人当年在OpenAI一手打造了ChatGPT，还顺手发明了RLHF——就是现在所有大模型都在用的"人类反馈强化学习"。
结果他离开OpenAI两年后，做出的产品不是更大、更能聊的AI，而是一个彻底不聊天的AI。
Jev不输出文字，只输出概率。它告诉你的是"这件事有87%的概率是A，13%是B"，而不是给你写一段漂亮的回答。听起来很反直觉对吧？但Vercel和Bryo AI用它替换了ChatGPT和Gemini，跑得更快、花钱更少、结果还更准。
Vercel的工程师普拉尼特·夏尔马实测，把原本跑在ChatGPT Luna上的安全审查分类器换成Jev，速度直接快了5到18倍。Bryo AI的CTO尼基尔·穆德霍尔卡测了一个邮件分类场景，Gemini准确率稍高一丢丢，但价格贵了10到20倍。
最让他兴奋的还不是价格，是Jev会老老实实告诉你"我有80%的把握"。穆德霍尔卡原话："它是唯一一个会真的给你返回概率的模型，做自动化工作流简直绝了。"
换句话说，ChatGPT花50块钱干的事，Jev花1块钱干得差不多，告诉你"嗯，我觉得是这样"。
为什么要做一个"哑巴"AI？
阿尔梅达给TechCrunch的原话很扎心："我们把闪电装进了瓶子里，结果发现它根本没用。我花了几年才想明白，问题在于我们一直在优化人类语言——人类语言对计算机来说是外语。"
这是一个造了ChatGPT的人，反过来否定ChatGPT的底层逻辑。
他把Jev叫做"系统一模型"——心理学里那个不用思考、凭直觉判断的脑区。系统一不写小作文，不解释前因后果，只做一件事：这个是A还是B。
具体怎么做到的，阿尔梅达没说。但外界普遍猜测它是在某个开源大模型基础上改造的，训练方法被他叫做"基于校准决策的强化学习"。他训练Jev只用了合成数据，没有任何真实抓来的内容。这一点他很自豪："我们公司一半人就是一个专门搞合成数据的实验室。这是我这辈子最成功的赌注之一，比RLHF还成功。"
Jev这个名字也很有意思。它来自19世纪经济学家威廉·斯坦利·杰文斯（William Stanley Jevons），杰文斯悖论讲的是：煤炭用得越省，反而消耗得越多，因为省下来的成本让更多地方用上了煤。
阿尔梅达想表达的逻辑一样：当AI的决策成本暴跌，会被部署到所有需要判断的地方，而不是只用在最贵的那几个场景里。
开发者为啥挤爆了门
Jev刚上线那天，TypeSafe的API被涌进来的请求挤崩了，临时挂了。原因很简单：
(1) 输出免费，输入按十亿token计量，不是百万
(2) 因为用户提前定义了输出选项，它永远不会胡说八道
(3) 同样的分类任务，速度比ChatGPT快5到18倍
这三个特点加在一起，做企业自动化的人眼睛都亮了。
开发者社区还发现了一个隐藏用法：Jev可以当LLM的"监工"。大模型之间互相监督成本太高，用Jev做这个角色就便宜到可以常驻后台。阿尔梅达说，已经有客户用Jev盯着大模型代理的调用记录，防止越狱。
开源模型工具Pi的CTO阿尔明·罗纳彻还提了一个方向：模型路由。让Jev先看一眼任务，决定这个活儿该派给便宜的小模型还是贵的大模型。他说："以前大模型补贴得太狠，大家懒得动脑子想这事。"
潜台词是：等Jev这种便宜决策模型普及，AI应用的成本结构会被彻底改写。
AI圈的下一个爆点
Jev不是第一个跳出"语言模型"框架的产品，但它是第一个把这事做对的产品。
过去几年，AI公司都在比谁的模型更大、谁的话更多、谁更像人。结果呢？90%的企业付费场景根本不需要AI陪聊，需要的是快速、便宜、可靠的判断。这部分市场一直没人正经做。
TypeSafe的赌注是：未来不会是一个超级AI统治所有人，而是无数个便宜、专一的小决策模型，像早年的互联网一样，长在每个角落。
阿尔梅达说："前沿实验室卖的是恐惧和炒作。我们的产品想卖的是智能本身。"
这话从一个亲手打造了ChatGPT的人嘴里说出来，分量不一样。
他赌的是，AI的下半场不在聊天里，而在判断里。
而判断这件事，人类语言天生就干不好——计算机用的是概率和数字，不是句子的逻辑。
那个靠堆参数、堆数据、堆显卡就能赢的时代，可能真的要结束了。