TypeSafe AI 募得 8.7 億美元，其非文字模型 Jev 估值達 75 億美元

目錄

• 你可能想了解
• 主題
• 重點摘要表
• 後續展望……

你可能想了解

• 非文字 AI 模型如何在推出幾週後，就獲得 75 億美元的估值？
• 一個輸出機率而非語言的系統，為何可能有助於企業自動化？

主題

Jev 背後的公司 TypeSafe AI 募得 8.7 億美元，估值達 75 億美元。本輪融資由 Andreessen Horowitz 領投，Sequoia 和既有投資者 DCVC 也參與其中。這筆融資正值 Jev 迅速受到關注之際；Jev 是一種新型人工智慧模型，推出後不久便廣受歡迎。

融資的時機反映了外界對這項產品興趣升溫的速度。Jev 於 Sept. 15 推出，據消息來源指出，幾乎立刻就在網路上爆紅。TypeSafe 表示，已有三分之一的 Fortune 500 公司在使用這個模型。這項採用情況之所以引人注目，是因為產品推出至今才幾週，公司在短時間內便吸引了大型企業用戶。

Jev 採用 Transformer 架構，與許多知名 AI 系統屬於同一大類架構。不過，TypeSafe 強調它並非大型語言模型（LLM）。Jev 不會產生句子、段落或程式碼，而是輸出機率。公司將這些輸出稱為「經校準的決策」，意指這套系統旨在提供以決策為導向的結果，而非對話或生成式文字。

這項差異是 TypeSafe 為該模型提出的核心論點。許多熱門 AI 產品都是為理解和生成自然語言而打造；相較之下，Jev 被定位為自動化任務的工具。TypeSafe 表示，其設計的運作速度顯著更快，使用的 token 也遠少於 LLM。這些都是公司的說法，消息來源並未提供具體的效能數據或比較結果。儘管如此，這項差異暗示，有些自動化問題未必需要模型在每個步驟都產生流暢文字。

許多任務所需的，是評估可能的結果並提供有用的選擇或可能性，而不是撰寫說明。理論上，以機率為基礎的輸出可適用於某些工作流程，例如軟體必須分類資訊、安排行動優先順序，或支援營運決策。在這些情境中，模型的價值可能較少取決於它寫得多自然，而更取決於能否有效地將輸出整合至流程中。消息來源未說明 Jev 目前處理哪些任務，因此其確切應用仍不清楚。

Jev 的核心理念是，自動化或許能受益於專為決策而非單純語言所設計的 AI 輸出。這與人們熟悉的 AI 用途有所不同；後者常被當作寫作、摘要或程式編寫助手。這也重新界定了企業評估 AI 時提出的問題：除了詢問模型能否生成令人信服的文字，也可能會進一步詢問它能否以自動化系統所需的格式，提供可靠的結果。

TypeSafe 共同創辦人 Diogo Almeida 上個月接受 TechCrunch 訪問時，說明了公司的觀點：「四年來，我們在處理人類語言方面做得非常出色，但這對自動化沒有用，因為電腦使用的是另一種語言。」他的說法反映出一項更廣泛的差異：有些系統是為了與人溝通而設計，有些則是為了直接與軟體流程互動。人類語言靈活且富有表達力，但自動化通常仰賴機器能一致處理的結構化輸入與輸出。

這種差異不一定代表語言模型在自動化中毫無用處。語言模型可以解讀指令、說明結果，並協助人們與軟體互動。TypeSafe 所提出的主張是，自動化工作流程中的某些環節，可能更適合由能直接產生機率或決策的系統來處理。如果這種做法證明有效，它可能會與文字生成模型互補，而不是單純取而代之。

這輪融資的規模讓 TypeSafe 得以運用更多資源開發技術，並因應日益升高的關注。對一家模型僅在幾週前推出的公司而言，募得 8.7 億美元、估值達 75 億美元的融資相當可觀。本輪投資者包括新舊支持者：Andreessen Horowitz 領投，Sequoia 加入，既有投資者 DCVC 也參與其中。消息來源未說明資金用途，也未提供其他投資條款。

TypeSafe 由 Almeida、前 Meta 研究工程師 Sasha Sheng，以及工程師兼創業家 Erik Gafni 於 2024 年共同創立。Almeida 曾在 OpenAI 擔任研究員。創辦團隊在 AI 研究與工程方面的經驗，為公司的發展方向提供了背景脈絡，不過現有資訊並未詳述各位創辦人的具體職責，也未交代 Jev 開發過程的技術沿革。

隨著公司成長，企業採用方面的說法將值得持續關注。TypeSafe 表示，三分之一的 Fortune 500 公司正在使用 Jev，這顯示早期關注度廣泛；但消息來源未說明各家公司所謂的「使用」具體指什麼。這可能是測試、試行計畫，或更廣泛的部署。釐清這些差異很重要，才能評估初期關注是否能轉化為持續使用、可衡量的效益，以及融入日常營運。

同樣地，關於速度和 token 使用效率的說法也需要審慎評估。效能可能取決於任務、涉及的資料、周邊軟體，以及比較基準。在某種情境下更快或耗用較少 token 的模型，換到另一種情境時未必仍有同樣優勢。若有獨立證據與清楚說明的使用案例，將有助企業了解 Jev 在哪些方面能帶來實際效益，以及何時其他方法可能更合適。

儘管如此，Jev 的早期反應仍凸顯了 AI 發展的一個重要領域：依據特定輸出形式與工作類型來設計模型的可能性。語言模型的成功，使文字生成成為評估 AI 能力的主流方式。TypeSafe 則提出不同觀點：專注於結構化、以決策為導向結果的系統，可能特別適合自動化。這種做法能否廣泛普及，將取決於技術效能、可靠性、整合便利性，以及為使用者帶來的價值。

重點摘要表

後續展望……

Jev 的推出引發了超越單一公司或模型的問題。如果 AI 系統能在不生成文字的情況下，提供有用的機率或結構化決策，開發者或許會探索如何讓不同的模型設計對應工作流程中的不同階段。未來的研究可以探討何時必須生成語言、何時以決策為導向的輸出更有效率，以及系統如何結合這兩種方法。

後續探索也應著重於可靠性與評估。考慮採用自動化決策的企業，需要明確的方法來評估準確度、校準度、一致性，以及條件改變時的效能。當模型輸出會影響重大營運時，這些問題尤其重要。透明的測試、明確界定的基準，以及審慎的人為監督，有助組織判斷某個系統是否適合特定任務。

另一個值得研究的領域是整合。以決策為導向的模型可能需要與資料庫、商業軟體和現有自動化工具溝通。研究人員與開發者可以探討如何讓這些連結安全、易於理解且易於維護，同時確保人們能在適當情況下檢視或質疑結果。實際採用與否，不只取決於模型能力，也取決於周邊系統與防護措施。

最後，隨著更多資訊公開，關於速度、token 使用量和企業採用情況的說法都應以明確證據加以檢驗。模型的實際價值取決於它在使用情境中帶來的可衡量成果。更廣泛的機會，在於依據特定任務的需求打造 AI，並以系統協助完成工作的品質、效率與可靠性來評估這些系統。