为何一位ChatGPT联合创始人要与LLM分道扬镳

让 ChatGPT 联合创始人离开的问题

Diogo Almeida 在 OpenAI 工作了多年，参与打造了 ChatGPT。当他离开时，并没有开另一家追逐更好提示词的创业公司。他做了一件刻意不同的事。

Almeida 的挫折感很简单，但事后看来却很少被讨论：超级对话模型并没有通向 AGI。或者说离 AGI 差得很远。架构本身——那种成为各大 AI 实验室默认选择的下一个词预测引擎——看起来是一个瓶颈，而不是一座桥梁。

经过两年的秘密研发，他发布了一款名为 Jev 的产品，出自其公司 TypeSafe AI，被称为首个「系统一模型」（System One Model）。它不是大语言模型。这一区别的重要性远超公关稿所暗示的程度。

标准 LLM 一次生成一个 token，从左到右，以顺序链的方式输出。每个 token 都依赖于它之前的每一个 token。这就是为什么它们能写小说、代码和结构化文档——本质上，它们是在续写文本。但也正因为如此，它们的运行速度缓慢且成本高昂。计算量随着每个生成的 token 而叠加。

Jev 是为了相反的目的而构建的：它不生成文本。它接收任务规范，然后通过一次并行处理输出预定义的结构。把它想象成一个编译器，而非一个写作者。

Almeida 本人也提到了这个历史类比：用并行计算取代顺序计算，与当年 Transformer 超越 RNN 属于同一层面的结构性跃迁。业界正在做同样的事情，但这次不是在 Transformer 范式内部，而是跳出了它。

以下是 TypeSafe AI 公布的数据：

输入成本：每百万 token 0.042 美元。输出成本：0——被描述为「低到无法测量」。

在与 GPT-5.6 Terra 级模型对齐的基准测试中，Jev 声称以约百分之一的成本实现了同等质量。工具调用错误率：0%。每个输出都附带置信度评分。

演示环节包括一场维基百科导航竞速赛——从起始页面出发，仅通过超链接到达目标页面。Jev 用时短于所有竞争模型，甚至包括那些以优化非推理模式运行的模型。Almeida 将差距部分归因于没有幻觉累积效应：当你在数百甚至数千条链接中做出选择时，错误会在每一次跳转中成倍放大。

也许最令人印象深刻的演示：Jev 以 7 美元的成本玩了一个小时 DOOM。相比之下，运行同等规模的 LLM 智能体进行一小时的连续决策通常要花费高得多，且没有任何保证其行动是连贯的。

直接的赢家是那些构建执行结构化任务的 AI 智能体的任何人——代码生成、数据提取、工具编排、游戏智能体、自动化工作流。这些正是 LLM token 成本数学成为最大摩擦点的领域。输入成本每百万 token 仅 0.042 美元，输出成本接近零，经济账彻底翻盘。

输家是任何以 LLM 推理成本为定价基础的产品或工作流。如果你的商业模式假设用户会按 token 付费给自主智能体任务，Jev 将整个成本结构削弱了两个数量级。这已经不是竞争了。这是地基坍塌。

但有一个值得认真对待的 caveat。

Jev 无法生成开放式文本。它产出的是预定义的结构。这意味着它不是 ChatGPT 式交互的通用替代品。它不会写故事、起草邮件或进行自由形式的推理。

这不是描述中的缺陷——而是设计约束。正是带来速度和成本优势的并行架构，意味着 Jev 运行的能力带宽更窄。它是为那些输出格式预先明确、正确性可以量化的任务而专门构建的。

这也是为什么 Almeida 的表述小心翼翼：他将 Jev 定位为 LLM 的补充，而非全面替代品。未来可能不是二选一，而是一个分层架构——LLM 负责开放式推理和创造性任务，系统一模型负责执行。

一位 ChatGPT 联合创始人公开押注反对自回归范式的这一事实，无论 Jev 的最终表现如何，都值得注意。它表明，那些亲手建造当前架构的人比任何人都更清楚地看到了它的局限——而且他们并不羞于据此采取行动。

Almeida 所提及的 RLCD 训练方法（据称是通过约束解码的强化学习）是另一个数据点。它表明，下一波进展可能并非来自扩展现有架构，而是来自根本不同的训练范式。

韩国和日本科技圈读者长期以来一直在关注这一方向。该地区的企业 AI 采用——尤其是在自动化和机器人领域——一直对结构化、确定性系统比对概率文本生成器更为舒适。Jev 符合这一直觉。

有三个值得关注的方向：

第一，独立基准测试。TypeSafe AI 的数字令人印象深刻，但属于自我报告。行业需要第三方验证，定价模型和投资逻辑才能发生转移。

第二，集成模式。如果 Jev 大规模处理结构化任务，LLM 处理开放式推理，真正的问题在于它们如何连接。二者之间的中间件层将成为新的平台机会。

第三，成本信号。即使 Jev 当前的能力范围狭窄，它所带来的经济压力是真实的。每一个看着自己推理账单发愁的开发者都会问：为什么我要为一个系统一模型只需百分之一成本就能完成的任务，使用 LLM？这个问题会迅速传播。

Almeida 离开 OpenAI，是因为他相信当前这条道路无法把我们带到需要的地方。他是否站对了，将取决于演示结束后、真实负载开始时，Jev 能做到什么。