BLOG 
もくじ
ChatGPTを生んだ研究者が「LLMをやめた」理由──Jevとは何者か
AIといえば「ChatGPT」「Claude」のような大型モデルが当たり前になってきた昨今、「もうLLMはいらない」と言い切る新顔が現れました。その名は Jev──ChatGPT誕生にも深く関わった研究者が2024年に創業したTypeSafe AIが2026年9月に公開したAIモデルです。従来のAIとはアーキテクチャ（設計の根本構造）がまったく異なり、「100倍速く、100倍安い」という驚きのベンチマーク値も話題を呼んでいます。「AIのニュースは多すぎてついていけない」という方にこそ、このモデルが示す発想の転換はぜひ知っておいてほしいポイントです。
そもそもどういうこと？──「単語を順番に出す」をやめたAI
まず、ふつうのAI（LLMと呼ばれるもの）がどう動いているか想像してみてください。
あなたが質問を入力すると、AIは「次に来る単語はなんだろう？」と一語ずつ予測しながら回答を組み立てます。しゃべりながら文章を考えていく人間みたいなイメージです。これを 自己回帰（オートリグレッシブ）方式 と言います。回答が長くなるほど処理時間も長くなる構造です。
Jevはこの仕組みをまるごと捨てています。
「次の単語は？」を繰り返す代わりに、あらかじめ決めた選択肢（スキーマ）に対して「どれがどれくらい正しいか」を一発で採点して返すのがJevの動き方です。たとえば「この商品レビューは肯定的・否定的・中立のどれ？」という問いに、「肯定的：確率0.82、否定的：確率0.11、中立：確率0.07」のような形で即答します。文章をつらつらと書き出す必要がないため、処理時間は 70〜500ミリ秒（0.07〜0.5秒） という超高速です。
TypeSafe AIはこの方式を「System 1モデル」と名付けています。心理学者カーネマンが提唱した「速い直感的思考（System 1）／遅い論理的思考（System 2）」の概念から借りた言葉で、「ChatGPTのような推論型LLMはSystem 2」「Jevはそれより速い直感的なSystem 1」という対比です。
なぜ注目されているのか／何がすごいのか
圧倒的な速さとコストの安さ
第三者計測によると、150トークン（約100語）の抽出タスクで：
JevはGPT-4o-miniの約30倍速い計算になります。価格も入力100万トークンあたり0.042ドルで、出力は無料。TypeSafe社の自社計測では「193倍速く、444倍安い」という数字も出ています（System 1向けタスクとの比較）。
「もっともらしい答え」ではなく「正しい確率」を返す
ChatGPTのような従来モデルは RLHF（人間のレーターが「良い」と判断した答えを報酬にする学習法）で訓練されています。これは「人間に好まれる」答えを出すのは得意ですが、「正確な確信度を伝える」ことは苦手という弱点があります。
Jevが使う学習手法は RLCD（Reinforcement Learning for Calibrated Decisions）。「80%の確信で返した答えは、集計してみると実際に約80%正解している」という状態を報酬にします。天気予報の「降水確率70%」に近い発想です。気象予報士が「70%」と言ったのに毎回雨が降らなかったら信用できませんよね？ Jevはその「確信度の正直さ」を学習の目標にしているのが特徴です。
TypeSafe社のCEO Diogo Almeidaは、ChatGPT・GPT-4の開発にも携わった人物。そのAlmeidaが「RLHFには欠陥がある」と言い切ってゼロから作ったのがこの手法です。
「型安全」──出力が必ず使える形で返ってくる
Jevという名前の「Typesafe」は技術的なキーワードです。従来のLLMはテキストで回答するため、それをシステムが読み取ろうとすると「フォーマットが崩れていた」「余計な言葉が混じった」というエラーが起きることがあります。
Jevはあらかじめスキーマ（回答の型）を定義して問い合わせる設計なので、構文エラーや形式の崩れが設計上発生しないとされています。プログラムがそのまま使えるデータが一発で返ってくる、というイメージです。
質問の数が増えても速度が変わらない
「在庫あり？」「割引対象？」「カテゴリは？」と3つ聞いても、Jevは並列（同時）に処理するため時間がほぼ変わりません。通常のLLMだと質問が増えた分だけ時間もコストも増えます。大量のデータを高速に仕分けるようなタスクでは、この特性が特に強みになります。
わたしたちにどう関係する？
「専門家じゃないし関係ない」と思うかもしれませんが、この技術は私たちが使うサービスのいたるところに応用される可能性があります。
- ●ECサイトのレビュー分類：数百万件のレビューを「肯定的／否定的／中立」に超高速で仕分け
- ●不正検知：決済のたびに「これは不正の可能性何%？」をリアルタイムで判定
- ●医療・保険の一次スクリーニング：症状や申告内容を分類して担当者に振り分け
- ●ゲームや自動運転：0.1秒以下の判断が必要なリアルタイムAI
エンジニアでなくても、「問い合わせを自動振り分けしてほしい」「データを分類・タグ付けしたい」という業務をお持ちなら、LangChainやVercelなどの開発プラットフォームでJevがAPIとして使える環境が整いつつあります。
大きな視点でいえば、これは 「AIを生成から判断へ再定義する」 動きです。「文章を書かせる」だけがAIの使い方ではなく、「大量のデータに即座に採点を下す判断装置」としてAIを使う時代が来るかもしれません。
気をつけたい点
正直に言うと、Jevには重要な限界と不透明な部分があります。
できないことが明確にある
Jevはあらかじめ定義した「答えの枠」の外に出られません。「どんな文章でも書いて」「この問題をゼロから推論して」という使い方には向いていません。複数ページの文書生成、数学の証明、競技プログラミングのような「じっくり考える」タスクはJevの守備範囲外です。
「確信度が高い＝必ず正しい」ではない
Jevは確信度80%でも間違えることはあります。また、TypeSafe社自身の例でも「論理的に等価なはずの2つの質問が、同じデータに対して0.22と0.01という大きく異なる確率を返した」ケースが報告されており、構造的な一貫性は保証されていない点に注意が必要です。
技術の透明性が限られている
「論文なし・オープンウェイトなし・学習データの詳細なし」でのリリースに対し、研究者コミュニティから批判的な声もあります。RLCDという手法名でのarXiv（論文プレプリントサーバー）検索でもヒットがゼロという報告もあり、独自性や再現性については現時点で第三者による検証ができていません。
よくある質問
JevはChatGPTの代わりになりますか？
- ●なりません。用途がまったく異なります
- ●ChatGPTは「文章を書く・推論する・対話する」が得意な生成AI
- ●Jevは「あらかじめ決めた選択肢の中から確率付きで答えを選ぶ」判断AI
- ●「LLMで全部やろう」ではなく「判断はJev、生成はLLM」という二層構造で使うのが想定される使い方です
「非自己回帰」は全く新しい技術ですか？
- ●「非自己回帰」という概念自体は2018年頃から機械翻訳の分野で研究されてきた先行技術があります
- ●TypeSafe AIが新しいのは「それをLLM時代の業務判断に特化させた」製品設計と、「RLCDで確信度を学習目標にした」アプローチです
- ●ただし、独立した開発者からはJev発表の1年以上前に同様のモデルを開発していたという主張もあります
RLCDとRLHFは何が違うのですか？
- ●RLHF：人間が「この答えが良い」と選んだものを報酬にする → 「人間に好かれる」答えを出すよう学習する
- ●RLCD：「80%確信と言ったら、実際に80%正解」という状態を報酬にする → 「正直な確率」を出すよう学習する
- ●天気予報のたとえで言えば、RLHFは「視聴者に好まれる予報」を、RLCDは「本当に当たる予報」を目指すイメージです
今すぐ自分でも試せますか？
- ●2026年9月時点では「限定早期アクセス」としての公開です
- ●開発者コンソール・クラウドAPIが用意されており、Vercel・Cloudflare・LangChainとの連携も進んでいます
- ●エンジニアでない方が直接触るよりも、使っているサービスやシステムに組み込まれる形での接触が先になる見込みです
なぜ合成データだけで学習できるのですか？
- ●CEO Almeidaは「合成データ（AIが生成したデータ）で訓練することに早期に賭けた」と語っています
- ●Jevは「正しいか正しくないか」が明確な判断タスクに特化しているため、正解ラベルを機械的に付与しやすく、合成データとの相性が良いと考えられます
- ●ただし詳細な訓練方法は非公開です
まとめ
Jevは「文章を生成する」ことをあえて捨て、「大量のデータに対して瞬時に確率付きの判断を下す」ことに特化した全く新しい設計のAIモデルです。ChatGPT開発者が「RLHFには欠陥がある」と考えて作ったRLCDという学習手法も、AIの信頼性を語るうえで重要な視点を提供しています。ただし、技術の透明性に課題があることや、できないことが多い点も正直に見ておく必要があります。次のステップとして、「生成AIとJevのような判断AIを組み合わせる二層設計」という考え方を頭に入れておくと、これからのAI活用ニュースがより立体的に見えてくるはずです。
参考文献
メタバース情報工学学校
