โลก AI คุ้นกับ โมเดลภาษา (LLM) ที่ตอบเป็นข้อความมาหลายปี แต่เมื่อวันที่ 18 กันยายน 2026 สตาร์ทอัพชื่อ TypeSafe AI เปิดตัวโมเดลใหม่ชื่อ Jev ที่เดินคนละทาง—ไม่พ่นข้อความออกมาเลย แต่ให้ผลเป็น "ความน่าจะเป็น" หรือที่บริษัทเรียกว่า calibrated decisions (การตัดสินใจที่ปรับเทียบความมั่นใจได้)
เกิดอะไรขึ้น
ผู้อยู่เบื้องหลังคือ Diogo Almeida อดีตนักวิจัย OpenAI ที่ร่วมสร้าง ChatGPT และร่วมคิดเทคนิค RLHF อันเป็นรากฐานของ AI ยุคนี้ เขาบอกกับ TechCrunch ว่ารู้สึกผิดหวังที่ AI "เก่งภาษามนุษย์มาก แต่กลับเอาไปทำงานอัตโนมัติจริง ๆ ได้ยาก เพราะคอมพิวเตอร์พูดกันคนละภาษา"
Jev จึงเลิกสนใจการสร้างประโยค แล้วโฟกัสที่การ ตัดสินใจ/จำแนก แทน ผลที่ตามมาน่าสนใจมาก:
- เร็วและถูกมาก — output token ฟรี ส่วน input คิดเป็น "พันล้าน" ไม่ใช่ "ล้าน" แบบ LLM
- หลอน (hallucinate) ไม่ได้ เพราะผู้ใช้กำหนดคำตอบที่เป็นไปได้ไว้ล่วงหน้า
- ให้ คะแนนความมั่นใจ ติดมาด้วย เช่น "มั่นใจ 95%" ทำให้เหมาะกับงาน automation
วิศวกรจาก Vercel ทดสอบเอา Jev ไปแทนตัวจำแนกคำสั่งที่เคยใช้โมเดลของ OpenAI พบว่า เร็วขึ้น 5-18 เท่าและแม่นขึ้น ส่วนอีกรายทดสอบจำแนกอีเมลธุรกิจ พบว่า Gemini แม่นกว่านิดหน่อยแต่ แพงกว่า 10-20 เท่า
ทำไมถึงน่าสนใจ
ความต้องการพุ่งแรงจน API ของบริษัทล่มชั่วคราว หลังเปิดตัว จุดที่นักพัฒนาชอบคือ Jev ไม่ได้มาแทน LLM ทั้งหมด แต่มาเสริมในงานที่ LLM "แพงเกินจำเป็น"—เช่น จำแนกข้อความ ตรวจความปลอดภัยของคำสั่ง คัดกรองงานว่าควรส่งไปโมเดลตัวไหน (model routing) หรือแม้แต่คอยเฝ้าดูพฤติกรรมของ AI เอเจนต์อีกที
Almeida ตั้งชื่อโมเดลตามนักเศรษฐศาสตร์ William Stanley Jevons เจ้าของ "Jevons paradox" ที่ว่า เมื่อของอย่างหนึ่งถูกลง คนจะยิ่งใช้มันมากขึ้น เขาเชื่อว่าเมื่อ "ความฉลาด" ถูกลงเรื่อย ๆ มันจะกระจายไปฝังอยู่ในซอฟต์แวร์ทุกที่ "เหมือนอินเทอร์เน็ตยุคแรก มากกว่าจะเป็นแอปยักษ์ไม่กี่ตัว"
Jev ยังเป็นของใหม่และมีคู่แข่งน้อย บริษัทบอกว่าฝึกด้วย และปิดปากเรื่องสถาปัตยกรรม—นักสังเกตการณ์บางคนสงสัยว่าอาจต่อยอดจาก LLM แบบ open-weight สำหรับนักพัฒนาไทย ถ้ามีงานจำแนก/ตัดสินใจซ้ำ ๆ ปริมาณมาก นี่คือแนวทางที่ควรจับตา