今年最贵A轮

本文来自微信公众号： 投中网 ，作者：张雪，题图来自：AI生成 “我的选择困难症有救了”，这是我接触Jev模型后最直接的一个想法。在现实生活中，像我这样害怕做单选题的人并不是少数。 打车还是坐地铁，消息现在回还是晚点回，购物车里的东西买还是不买。一天里，这样的二选一很难数清，虽然这些决定大多谈不上沉重，但数量累积起来却相当惊人，流传最广的数字是成年人平均每天要做约3.5万个决定。 这数是有点扯，但意思大差不差。所以，有人投硬币，也有人夸张到专门写一个程序替自己拿主意。心理学把这叫决策疲劳，即便选项已经少到不能再少，也未必能迅速拿定主意。 9月15日，一个只回答选择题的模型上线了。它叫Jev，不会聊天，不写代码，不给解释，但是如果你给它一段状态加几个固定选项，它会回你一串概率。 让人意外的是，这款模型发布后很快走红，接连刷新行业纪录。融资紧随其后，仅仅24天，Jev背后的公司TypeSafe AI就官宣完成了8.7亿美元 （约58亿人民币） A轮融资，估值75亿美元 （约502亿人民币） ，成为了今年的最贵A轮。 本轮融资由a16z领投，红杉资本与老股东DCVC等参与。回看今年这十个月，几乎所有AI都在想怎么把话说得更好听，可这一次，顶级VC的钱却投给了一个哑巴模型。 隐身两年 尽管Jev模型在C端率先火爆，但其实它被设计的初衷并不是为人服务的。 TypeSafe AI成立于2024年，总部在旧金山。公司名“TypeSafe”本身是个程序员的梗。类型安全，说的是变量再怎么折腾，也出不了类型划定的范围，程序就不会崩溃。当前这家公司大约有20个人，公司内部的口号是“Build Prod, Not God”，意思是“造生产工具，别忙着造神”。 在Jev之前，这家公司几乎没有对外发声过。就连创始人Diogo Almeida社交账号的互动量也是长期停留在个位数。 作为公司的创始人和CEO，Almeida先后在Google Brain和OpenAI任职，是InstructGPT论文的核心作者之一，也参与过ChatGPT和GPT-4的相关工作，RLHF是他长期的研究方向。所以今天大模型能对话这件事也有他的功劳。 另外两位创始人是Erik Gafni和Sasha Sheng。 按照Almeida在LinkedIn上的回忆，他于2021年在一次聚会上认识Gafni，两人经常交流模型开发，Gafni也很早就理解了TypeSafe的设想，后来成为了最先加入的人。Sheng是Almeida的老朋友，也是一位华人，创业后Almeida找她讨论，原本是想听听自己的判断有没有问题，没想到她听完后很快就决定加入。 从经验来看，Gafni曾在Invitae和Freenome工作，也经历过多次创业，熟悉生产环境中的AI系统。Sheng则先后在Meta/FAIR担任研究工程师，参与信息流及AI研究相关工作，可见三人的履历里，既有模型研究，也有把系统交给实际用户使用的经验。 早在创业初期，Almeida对模型的期待就已经有了一个非常具体落点，而且是与“聊天”完全不相关的。在他看来，模型聊天能力不断提高，可企业却仍然不放心把工作交给软件自动完成，这两者之间的差距，让他看到了机会。 具体地，跟人一样，软件每天处理的判断题也很多。比如邮件要不要拦截，投诉要不要转人工，搜索结果值不值得保留，全是这种小事。可如果把这些问题，放进一套有大量用户的系统，调用次数就会成倍增加。 以每天100万条请求的系统为例，假设每条请求需要10次判断，一天便有1000万次决策。每次多花一点钱或多等一会儿，累积起来都是企业需要计算的成本。在Jev诞生之前，行业通常的做法是把它们统统喂给市面上最聪明的模型，让模型生成一段解释，再由程序员写解析逻辑，把真正的值从解释里抠出来。 渐渐地这种做法的弊端开始出现，又慢又贵。于是，TypeSafe成立后的两年，没有去做更大更全的模型，而是去搭了三样东西，一套新的模型架构，一个并行采样器，还有一种他们称为 RLCD的训练方法，全称是“面向校准决策的强化学习”。 这三样东西之中，校准尤为重要。Almeida用过一个很形象的比喻，如果一个模型在95%的时间里表现得像爱因斯坦，而剩下的5%则像憨豆先生，那它在自动化场景里就是不可用的。聊天时答错，人可以追问，也可以纠正。而在无人值守的软件流程里，一次错判会沿着调用链一路放大。 于是，当这些准备工作都顺利完成，9月，TypeSafe走出隐身，同时宣布了4000万美元种子轮，由DCVC领投，估值约2亿美元。9月15日，第一个System One模型Jev开放早期访问。 这两个名字也暗藏玄机，System One来自卡尼曼的《思考，快与慢》，指人身上那套快速而近乎直觉的判断机制。Jev则取自19世纪经济学家威廉·杰文斯，成本越低用量越大那条悖论，就是他提出的。 一夜爆火 模型领域其实并不缺新故事，但Jev的推出还是迅速赢得了市场积极的反馈。 在产品形态上，Jev简单得有点不像AI。它只接受三类问题： Choice，从你给的一份列表里选一个，返回每个选项的概率； Score，按你给的评分标准打分； Noul，对一个命题给出 0 到 1 的真假概率。 Choice和Score会额外返回置信度。三类问题可以在同一次API调用里，并发地对同一份状态求值。 账面数据上，Jev又快又省。端到端响应70到500毫秒，定价每百万输入token0.042美元，输出免费。a16z在投资公告里为此加了一句注解，输出量太小，小到他们干脆不收这笔钱。 官网给出两个数字，快193.6倍，便宜444.6倍。有意思的是，公司自己主动给这两个数字打了折，它们来自TypeSafe团队自己搭建的工作流评测，处在真实收益区间的高位，可能存在偏差。 另一个卖点在于Jev的接口相当克制。开发者可以让它在候选项中选择，也可以要求它按标准评分，或者判断某个命题成立的概率。几个问题能够在同一次调用中并行处理，程序拿到结果后继续执行。遇到需要综合权衡的复杂任务，官方文档建议先拆成更明确的问题，再用代码组合结果。 例如，一封客服邮件可以被分别判断是否紧急，以及应由哪个部门处理。企业能在代码里决定低置信度的请求交给人工，高置信度的请求自动分流。模型处理其中需要理解语义的部分，后续操作仍由业务系统控制。 这种用法对企业有吸引力，也划出了Jev的能力边界。它不能替用户写回复，开发者还得定义问题和候选项。TypeSafe的机会在于，能否让企业在完成接入之后，以更低成本反复使用这部分判断能力。 数据证明，它的确抓住了这波机会。Jev上线AI Gateway后12小时便超过了该平台同期的其他模型，24小时内接近13%的付费团队使用了它，这是平台内部的全新记录。 另据TypeSafe公布的数据，已经有三分之一的《财富》500强企业使用了Jev，同时一个更具象的样本是，人才匹配平台Jack&Jill把候选人筛选的工作从Gemini整体换成了Jev，成本直接降了88%。 Almeida在最近的访谈中透露，Jev日处理量已经站上1万亿token，而且模型上线后不久，公司就开始盈利了。 他还强调，夜间的流量还在往上走。之所以关注这个数据，是因为聊天机器人的流量来