最近，一个叫 Jev 的 AI 模型突然在开发者圈子里炸了。更可怕的是，根据最新消息，Jev 最近正在洽谈 10 亿美元融资，最新估值 100 亿美元——而这距离 Jev 推出，还不到 1 个月。
Jev 这个新模型，它不生成文本，不跟你聊天，甚至不写代码。你给它一段数据和一组结构化问题，它返回类型化的答案和校准过的概率值。TypeSafe AI 管它叫「System One 模型」，一种全新的模型类别。9 月 15 日发布早期访问版本的同时，公司宣布获得 DCVC 领投的 4000 万美元种子轮融资，估值 2 亿美元。
开发者社区很快炸开了锅。TypeSafe 公布的数据显示，在分类任务上 Jev 比 GPT 系列快约 193 倍、便宜约 445 倍。Vercel CEO Guillermo Rauch 测试后说，在 p95 延迟上 Jev 比 GPT Luna 快 18 倍，而且更准。LangChain 第一时间写了集成指南。
但真正让 Jev 值得关注的，不是这些数字，而是它背后的人和他的判断。
Jev 的创造者 Diogo Almeida 曾在 OpenAI 工作近四年，是 GPT-4、ChatGPT 以及 RLHF/InstructGPT 的合著者。 他所在的团队基本上发明了「后训练」这个概念。换句话说，今天几乎所有大语言模型背后的核心训练范式，都有他的手笔。
而在 Jev 发布前六周，Almeida 在 AI Engineer 大会上做了一场 18 分钟的演讲，标题叫「What's Next After RLHF?」。
他在台上说，自己是 OpenAI 内部少数公开「黑」ChatGPT 的人；他认为 ChatGPT 和 Claude Code 属于同一个时代；他相信整个行业终将把 RLHF 时代视为一段「奇怪的弯路」。
一个技术范式的缔造者，亲手给自己创造的时代写悼词，这种事不常发生。
以下是演讲中的一些核心观点：
「下一个时代不是 Claude Code 时代。ChatGPT 和 Claude Code 属于同一个时代。」
「为什么所有 LLM 都需要人类在回路中？因为我们就是把人类放进了回路里。」
「无论模型有多错，它都会看起来是对的。」
「我们只是在自动化『写软件』这件事，但软件本身的表达力并没有变。」
「原始的 Scaling Law 是错的。」
以下是这场演讲的精编转录文字：
01 「黑 ChatGPT 的人」
我叫 Diogo Almeida，今天讲的主题是「RLHF 之后是什么」。更准确地说，应该叫「我们所处的 ChatGPT 时代之后是什么」。
先给你们一个提示：下一个时代不是 Claude Code 时代。我后面会解释，但我认为 ChatGPT 和 Claude Code 属于同一个时代。
看看到底是谁在黑 ChatGPT｜图片来源：Youtube
为什么你们该听我说？我是 OpenAI 基本所有重磅论文的合著者，包括 GPT-4、ChatGPT、RLHF/InstructGPT。我所在的团队基本上发明了「后训练」这个概念。所以这些东西我确实很熟。但真正让我有点特别的是，我大概是 OpenAI 内部少数公开黑 ChatGPT 的人。
别误会，我不是讨厌 ChatGPT 这个产品。ChatGPT 是一个改变世界的产品，大概会一直存在下去。但我也看到了它的局限性。我认为今天 AI 领域发生的很多事情，可以追溯到我们当初做 ChatGPT 背后算法时的一些小决策。
02 AI 领域现在到底怎么了
我觉得对所有做 AI 的人来说，现在最关键的问题是：到底发生了什么？
观点的光谱上有两个极端阵营。
阵营一认为，AI 不仅进展顺利，而且好得不可思议。每个 benchmark 都在碾压人类水平，而且还在加速。所有 NLP 基准测试都在被碾碎，LLM 自主运行的时间据说在指数增长。
对当下 AI 持有对立观点的两个阵营｜图片来源：YouTube
阵营二认为，AI 不仅进展不顺，而且烂得不可思议。AI 是泡沫，基本没创造价值，就是一堆循环融资。如果 AI 真的这么牛，为什么一切最后都只是个聊天应用？很多人已经放弃了「颠覆性 AI 革命」这种说法，开始降级成「像 B2B SaaS 那样有很大价值」。
两个阵营都有真实的证据，都有聪明人在里面。唯一的共识是：大家都觉得 AI 现在很疯狂，但原因完全不同。
我想回答的问题是：对 AI 的「正常」看法应该是什么？
把两边的证据都摊开，什么是最简单的解释，能说明为什么有些事好得不真实，有些事不仅差，而且差到我们还得雇人去做一些看起来很蠢的任务？
注意看，右边那些 AI 做不好的任务，看上去比左边那些要简单得多。我们能解未解的数学难题，但客服还需要人来做决策？我觉得这种状况相当疯狂，而任何做 AI 相关工作的人都应该对此有一个解释。
03 Assistance vs. Automation
我的答案是这样的。
左边那些 AI 做得好的任务，不是碰巧有人类在回路中。这些任务的目标就是取悦回路中的人类。 它们本质上就是 human-in-the-loop 任务。Claude Code 的目标不是让代码跑起来，否则它对话的方式会完全不同。它的目标是让人类满意。
而右边那些看起来更基础的任务，目标是去掉人类。理想状态是跑在后台服务器上，你永远不用看它，最终变成你完全不操心的遗留软件。
这就是 assistance 和 automation 的分界线。
对于 AI 看法本质是对于 AI 功能的不同｜图片来源：YouTube
第一课：今天的 AI，所有从 RLHF 继承下来的东西，在 human-in-the-loop 的事情上不可思议，但做不了 automation。
每个企业都学到的教训是，不要让 AI 做对你业务有风险的决策。 普遍的做法是把所有成本推给用户，比如在客服里让用户面对无穷无尽的文档页面，但绝不让 AI 做昂贵的决定。这种模式很糟糕，但这就是 AI 的现状。
04 RLHF 的问题
RLHF 是 ChatGPT 背后的算法，但其实是今天几乎所有 LLM 背后的算法。就使用量而言，大概 100% 的 LLM 都用 RLHF 训练。
它的本质就是两步：收集人类偏好，优化人类偏好。
这就很清楚地回答了行业里每个人都在问的一个问题：为什么所有 LLM 都需要人类在回路中？
简单的回答是，我们就是把人类放进了回路里。这个回路的目标是优化人类偏好，不是让软件自主运行。这其实超级明显。
正因为如此，过度承诺是一个 feature，不是 bug。这是 by design 的。
有一项早期的 meta 研究表明，RLHF 模型在人类偏好和实际结果之间永远存在很大差距，即使结果本身不错。因为你优化的主要目标就是人类偏好。
我特别喜欢一个例子：有人给 ChatGPT 发了一段放屁音效的音频文件，问「你觉得我做的音乐怎么样，给个真实反馈」。ChatGPT 一本正经地回答说这是「一首非常诡异的氛围感作品」。
这就是 RLHF 的工作方式。当模型不确定时，它会选择讨好人类偏好。如果你是回路中的用户，这很合理，因为所有 RLHF 模型的终局都是优化 engagement。但如果你想要的是 automation，你真正需要的是让它完全不在乎人类，以校准的方式正确执行任务。
第二课：今天的 AI 被设计来做 assistance，通过优化人类偏好。这就写在名字里，不是什么有争议的观点。
有争议的是后果：无论模型有多错，它都会看起来是对的。 因为 RLHF 奖励模型中存在不对称性。这也是行业困局的根源，因为大家真的很想让 automation 发生。
05 Claude Code 为什么不是下一个时代
回到最开始的问题：RLHF 之后是什么？真正的问题应该是，AI 的 assistance 时代之后是什么。
回到开头的提示，为什么不是 Claude Code？因为 Claude Code 仍然是 assistance 时代的一部分，Claude Code 仍然是 RLHF 的。 如果它是纯 RLVR 的，看起来会非常不同。
这就是为什么你会遇到这种困境：模型在 agentic 方面变得非常强，但它会偏离你真正想要的东西。RLHF 和 RLVR 这两个优化方向一直在来回拉扯，但两者都不触及 automation 的核心。
所以，assistance 之后的逻辑答案是什么？真正的 automation。
06 我们要「更聪明的软件」
我是一个热爱软件的人，我相信在座各位也是。软件超级有价值，看看所有的 SaaS 公司就知道了。但最疯狂的一点是，所有的 SaaS 自 2019 年以来基本没变过。
在 LLM 时代，SaaS 唯一的变化就是有时候会贴一个聊天机器人上去。
如果你想到 AI 取得了多大进步，这很荒谬。但如果你想到 AI 本质上是 assistance-native 的，这完全可以预测。AI 是为 assistance 设计的，那你能在 SaaS 里做什么？加一个助手呗。
这不是早期 AI 先驱们预期会发生的事。看看 OpenAI 早期章程的措辞，说的是要做「大量的工作」，而不是赚钱什么的。我们曾经以为软件会变得更聪明，而不只是写起来更便宜。
Garry Tan 说过「我们正在进入 just-in-time software 的黄金时代」，我觉得他是当作赞美说的。但我认为这是一把双刃剑。我不只是想要 just-in-time software，虽然那确实很酷。我想要的是更聪明的软件。 为什么 B2B 软件的基本构建块还跟以前一样？
每次你想到 automation，不是说要自动化一个人的全部工作。而是说，有一些极其机械的工作，简单到你可以告诉别人该怎么做，理想情况下可以几乎免费地反复执行。这些本该由计算机来做。但现在并没有发生。我们只是在自动化「写软件」这件事，但软件本身的表达力并没有变。 在我看来这是这个世界的悲剧。
07 下一个时代和 TypeSafe 在做什么
第三课：我坚信，整个行业终将把 RLHF 时代视为一段奇怪的弯路，一段我们没有预料到的弯路。 未来的 AI 将服务于 automation。我们终将拥有更聪明的软件，真正的工作会被自动化掉。而现在，尽管 LLM 很聪明，真正被自动化的工作还只是一个四舍五入的零。
这就是我们在 TypeSafe 做的事情。我们的核心问题是：如果 AI 技术栈从头为可靠性和 automation 而设计，一切会怎么变？
我们很快就会发布。如果你有兴趣第一批构建真正智能的软件，请关注我们的邮件列表或招聘页面。我也在试着运营一个 Twitter 账号，会发一些很辣的观点。
给你们一个预告：原始的 Scaling Law 是错的。
08 现场 Q&A 精选
Q：如果在预训练阶段加入分类器头会怎样？类似 Yoshua Bengio 建议的那样。
A：我其实不认为预训练是问题所在。预训练是了不起的成就——把互联网的知识压缩成一个智能的核心，然后被利用起来。预训练模型确实极其聪明。我认为问题在于我们如何挖掘这些智能。
幻觉在我看来是优化人类偏好的固有产物。奖励模型中存在一种类似 GAN 的不对称性，它鼓励模型丢弃模式、表现得很自信，因为奖励模型很容易发现模型不自信并惩罚它。这个话题很复杂，但简单说就是这样。
Q：你们做的是 RLVR 吗？
A：绝对不是 RLVR。这是一种全新的东西。LLM 后训练的每一个分支都有自己优化的北极星。RLHF 优化的是人类偏好，RLVR 优化的是纯正确性的对数错误率，而我们在做第三件事：优化校准的决策能力，把预训练模型的智能直接灌注到真正有用的软件中。 甚至 API 的形态都不同，我们是从头设计的。就像在我们做指令遵循之前没人想过这件事一样，真正新的后训练范式刚出现时看起来完全陌生，事后看又极其显而易见。
Q：你对 Sutton 的 Bitter Lesson 怎么看？
A：Bitter Lesson 说的是算法比计算更重要，这在游戏里成立，但在现实中不成立。我认为完整的层次是：数据比算力重要，做对的任务比数据重要得多。
本文来自微信公众号“极客公园”（ID：geekpark），作者：Techno 之王，编辑：靖宇，36氪经授权发布。
