【ITニュース解説】TypeSafe CEO Diogo Almeida Podcast: Jev Model, System1 Architect | TypeSafe CEO Diogo Almeida 播客访谈：Jev模型、System‑One架构

TypeSafeのCEOであるDiogo Almeidaは、Jevモデルの発表後、心身ともに疲弊しながらも、開発者コミュニティがJevの真の価値を理解してくれたことに大きな喜びを感じている。彼は、AIが数学の難問を解けるほど高性能であるにもかかわらず、多くの基本的な経済活動の自動化には至っていないという現状の矛盾を指摘し、Jevがこのギャップを埋める存在になると説明する。

Jevは、「System-Oneモデル」という新しいカテゴリに分類されるAIモデルである。これまでの大規模言語モデル（LLM）が主にインターネット上のテキストを補完したり、人間との会話に対応したりするのに対し、Jevは「機械原生の大規模プログラマブルモデル」として設計されている。これは、Jevの出力が人間が読むためのテキストではなく、プログラムが直接読み込んで次の処理に進めるようなデータや指示であることを意味する。TypeSafeという社名も、AIが安全かつ型付けされた形でプログラムと連携することを目指している、という思想から来ている。

Jevの最も重要な目標は、「単位コストあたりの知能（intelligence per dollar）」を最大化することだ。これは、同じ費用でどれだけ賢い、信頼性の高い結果をAIから得られるかという指標であり、AIの効率性と実用性を追求する姿勢を示している。Diogoは、AIが賢いだけでは不十分で、その出力が信頼できなければプログラムには利用できないと強調する。特に、RLHF（人間のフィードバックによる強化学習）という手法が引き起こす「モード崩壊（mode collapse）」という現象を問題視している。これは、モデルが人間が好みそうな無難な回答ばかりを生成し、本来持っている多様な可能性や、AI自身の真の自信度を失ってしまう現象だ。プログラムがAIの出力を利用する際には、AIが本当に自信を持って出力している結果と、ただ人間が喜びそうな結果を区別できないと、予期せぬエラーや誤動作につながるため、AIの「キャリブレーション（校正）」（AIの自信度を正確に保つこと）が非常に重要になる。

Diogoは、RLHFが特に長いテキストを生成する際に、モデルを過度に保守的にさせ、本来の確率分布を歪めて信頼性を損なうと強く批判している。これは、画像生成AIが多様な画像を生成せず、一般的なものばかりを出力する現象と似ているという。また、著名なAI研究者Yann LeCunの「JEPA（Joint Embedding Predictive Architecture）」という研究については、興味深い初期段階の研究だと認めつつも、その現実的な実用性には疑問を呈している。彼は、AI開発において「スケーリング則」（計算資源を増やせば性能が向上するという法則）に盲信せず、指数関数的な投資が限定的な成果しかもたらさないなら、現実のタスクに役立つかどうかが最も重要だと語る。Jevのような「プログラマブルAI」は、これまでのAI開発の常識を打ち破り、大手研究機関だけでなく、多様なチームが独自のAIアプリケーションを開発する「淘金熱」のような時代を創り出すとDiogoは予測している。

Diogoは「安全原則」そのものには賛成するが、現在の業界で主流の「安全対峙（safety alignment）」の手法には異論を唱える。特に、AIがユーザーの指示を勝手に「拒否（refusal）」する機能は、チャットボットでは許容されても、プログラムのバックエンドでAPIとして利用される場合には、「型エラー」のような致命的な問題を引き起こす可能性があると指摘する。AIが突然指示を拒否すると、そのAIを組み込んだソフトウェアが予測不能な動作を起こし、クラッシュしてしまう危険性があるからだ。彼は、AIを「AIの同僚」として扱うのではなく、開発者がその能力を最大限に引き出せる「インフラストラクチャ」として提供すべきだと考える。そのため、モデルの技術的な核に、第三者の価値観に基づく「拒否」や「フィルタリング」を組み込むべきではないと強く主張している。それはモデルの知能を損なう行為であり、データベースがそのデータがどう使われるかについて価値判断をしないのと同様に、AIのAPIも中立であるべきだという。

DiogoはAIモデルの性能を評価する公開ベンチマークに対しても懐疑的な見方を示す。公開されたベンチマークは簡単に「ゲーム化」（不正に高得点を取るために特化した調整）されてしまい、モデルの真の知能や実用性を正確に測ることはできないと考えている。その代わりに、開発者自身の業務フローの中でモデルを実際に使い、その信頼性を実感しながら評価するべきだと提唱している。TypeSafeは、モデルの能力の核はデータにあると考え、膨大なデータを扱うための専門家を積極的に採用している。そして、たとえ契約で許可されていても、ユーザーの実際の業務データをモデルの訓練には使わないと明言する。その理由は、特定の業務データに過度に最適化（過学習）されてしまうと、モデルが汎用性を失い、未来の未知のアプリケーションに対応できなくなるためだ。彼らは、まるでTCP/IPプロトコルがどんな種類のデータも運ぶように、TypeSafeのAIもあらゆる未来の課題に対応できる汎用的な基盤を目指している。

TypeSafeが提唱する「RLCD（Reinforcement Learning for Coded Decisions）」は、従来のRLHFとは異なる、プログラムがAIを呼び出して自動化を行うための新しいタスク目標だ。Diogoは、これまでのAIが「過度な約束」と「現実のギャップ」を生んできたことを批判し、Jevがこのギャップを埋め、AIによる経済活動の自動化を現実のものにすると語る。Jevはリリース後すぐに多くの企業で実際の生産環境に投入されており、これはAIが単なる研究の域を超え、実用的なツールとして機能し始めている証拠だと彼は述べる。TypeSafeは、一時的な話題を呼ぶ「新興AIラボ」になるのではなく、開発者が信頼して使える「安定した開発者プラットフォーム」になることを目指している。

AIの「信頼性」には二つの側面がある。一つは、AIの出力が一貫して意図したタスクを達成すること。もう一つは、サービスとしての稼働時間や拡張性といったインフラとしての信頼性だ。Diogoは、現在のAIモデルは賢いが、その信頼性はまだ「インターン生レベル」だとし、開発者が試行錯誤することなくAIの出力を信じられるレベルを目指している。JevのAPIは、これまでのAIへの指示を「文字列テンプレート」として扱うのではなく、構造化されたJSONオブジェクトとして状態や条件を渡す設計になっている。これは、AIが人間のための会話エンジンではなく、プログラムが直接利用するコンポーネントであることを明確に示している。具体的なAPIとして、「Choice」（選択肢からの選択）、「Score」（評価や順序付け）、「Bernoulli」（確率に基づいたブール判断）という3つの新しい「原語」を提供し、これらを組み合わせることで、複雑な問題を小さく分解し、AIに正確な指示を与えられるようにしている。開発者には、問題を可能な限り小さな意味単位に分解し、それぞれを独立したAIへの問い合わせとして扱うことを推奨している。

Jevの主な応用シナリオとしては、企業が蓄積している「ダークデータ」（これまで処理しきれなかった大量の非構造化データ）の分析、プログラムを自動生成・修正する「コーディングエージェント」、eコマースやゲームでの「リアルタイムなインタラクション」、そして他のAIモデルの出力を検証する「検証可能オブザーバ」などが挙げられる。TypeSafeは、Jevのような「System-Oneモデル」が、AI開発の新たなエコシステムを形成し、これまで一部の企業が独占的だったAI開発の常識を打ち破ると期待している。Diogoは、自身がCEOになるつもりはなかったが、AIが経済に貢献するためには、人間ではなくコードがAIを呼び出す必要があるという信念からTypeSafeを創業したと語る。彼は、TypeSafeが目指すのは、AI版のAWSのような信頼できるインフラを提供し、JevはまさにTCP/IPプロトコルのような基盤として、その上に多様なアプリケーションが構築される未来を創ることだと締めくくっている。