start	end	text
0	12200	本集節目由VOAI絕好生創技術支援。VOAI提供富有情緒的高擬真台灣口音AI聲音,並提供上傳圖片與音檔一鍵生成虛擬人的功能,是最具台灣味的AI平台。
12800	15000	使用優惠碼 AI-LRB26。
15000	19200	吉祥VOAI網站以及API方案95折優惠。
19200	23800	大家聽到的這集Podcast是透過VOAI API生成的哦。
23800	25800	更多資訊請下資訊欄。
25800	29980	每天都有一堆新的AI工具冒出来
29980	32600	是不是常常不知道该从哪里开始
32600	33560	别担心
33560	35300	这里是AI懒人报
35300	39220	每天帮你精选五个最多人讨论的AI工具影片
39220	40520	每天十分钟
40520	42680	让AI走进你的生活中
42680	45140	让你不知不觉成为效率大师
45140	47280	今天这个工具最有趣的地方是
47280	50260	它可能让你再也不用半夜起来
50260	51300	修坏掉的Jason
51300	54680	这对我们这些每天跟AI流程打交道的人来说
54680	55480	简直是福音
55480	56840	好,那我们刚开始吧
56840	60180	先从一个很多人都有过的痛苦经验说起
60180	63140	你花了好几个小时设计一个自动化流程
63140	64700	测试的时候跑得很完美
64700	66440	你觉得这次终于搞定了
66440	67440	然后你把它排成
67440	69280	让它每天早上自动跑
69280	70640	第一天没问题
70640	71400	第二天没问题
71400	72900	第三天早上你打开电脑
72900	73920	一堆错误
73920	74400	为什么?
74640	75780	因为AI今天心情好
75780	79300	把一个应该是数字的栏位输出成字串了
79300	81120	或者他觉得自己很聪明
81120	83740	在Jason里多加了一个他觉得有用的栏位
83740	86080	结果你的后端完全吃不下去
86080	87980	所以你不是去改流程
87980	89360	你是去写验证逻辑
89360	90380	写从事机制
90380	91600	写各种备缘处理
91600	92820	花了整个周末
92820	95560	结果整个系统变得比手动作还复杂
95560	96300	说真的
96300	98120	我觉得这是用AI做自动化
98120	99580	最让人崩溃的地方
99580	100960	你明明是为了省时间
100960	103500	结果花更多时间在管理AI的输出
103500	105300	这个问题的根源在哪
105300	108240	在于现在主流的大型原模型
108240	110080	包括Chattgpt Cloud
110080	112940	还有最近很红的Astra跟Fable
112940	116500	他們的設計邏輯都是預測下一個Token
116500	118900	就算你在Prompt里寫得再清楚
118900	120440	請只輸出JSON
120440	124040	他還是有一定機率會偷偷加一個Markdown的反引號
124040	126080	或者換行多一個空格
126080	128500	或者把Tru寫成加引號的Tru
128500	130340	這並不是模型笨
130340	131740	這其實是他的架構
131740	133360	本質上就是機率性的
133360	135160	沒辦法百分之百保證格式
135160	138640	就像你請一個很會寫文章的朋友幫你填表格
138640	140200	他可能會寫得很精彩
140200	142300	但格式就不一定每次都對了
142300	144540	Jerby就是衝著這個問題來的
144540	147640	Jerby是Type Safe AI這家公司開發的
147640	150240	他們把它歸類為System 1 Model
150240	153440	跟我們熟悉的大型原模型是完全不同的東西
153440	155240	他不是用來聊天的
155240	158140	也不是用來寫文章或解釋概念的
158140	160360	他只做一件事看你給他的資料
160360	162160	對照你定義的schema
162160	165360	輸出一個結構完全正確的決策結果
165360	168900	你可以把它想像成一個非常嚴謹的表格填寫圓
168900	170160	你給他什麼格式
170160	171760	他就保證給你什麼格式
171760	174300	这里最关键的技术概念叫做
174300	175440	Constraint Decoding
175440	177660	也就是在推理层面就做好限制
177660	179200	一般的模型
179200	181220	在生成每一个Token的时候
181220	182940	理论上可以选任何字
182940	184940	但Jav的做法是
184940	187240	你传给他一个Schema
187240	190020	你可以先把它想成资料格式规则
190020	192080	他在生成每个Token的时候
192080	196020	会直接把所有金会违反这个规则的选项
196020	197600	从词汇表里遮掉
197600	201200	如果这个栏位的形别是不灵质
201200	204100	那他在那个位置能选的词就只有
204100	204880	2跟false
204880	206820	其他字根本不在选项里
206820	208900	这并不是说他很努力不出错
208900	211240	这是他在架构上就不可能出错
211240	213460	这两件事的差别非常大
213460	215500	前面那种你还是需要验证
215500	217800	后面这种你可以直接信任输出
217800	220400	就像你相信一个计算机算出来的结果一样
220400	223220	TypeSafe AI把这个特性叫做schema safe
223220	226780	意思就是输出永远符合你定义的行别结构
226780	229000	即对开发者来说
229000	231620	这意味着你可以把原本那些验证成
231620	232680	从事逻辑
232680	234560	得适修正的程式码
234560	235780	大部分都砍掉
235780	236980	你定义好行别
236980	237860	交给Jeff
237860	240580	就会拿到一个结构完全正确的结果
240580	241220	每次都是
241220	244240	这就像你请了一个永远不会犯错的秘书
244240	246940	他交给你的文件永远都是格式正确的
246940	248620	你完全不用再检查一遍
248620	250760	Jeff提供三个主要的功能界面
250760	252240	第一个叫Choice
252240	253520	你给他一个输入
253520	255200	再给他一个选项清单
255200	257520	他直接回传最符合的那个选项
257520	259420	最多可以有255个选项
259420	261460	这是像一个超级精准的选择题机器
261460	262340	你问他问题
262340	264420	他马上给你正确答案
264420	265500	第二个叫score
265500	267580	他会对输入打一个分数
267580	269060	同时附上confidence
269060	270420	也就是信心分数
270420	272800	让你知道他对这个分数有多确定
272800	274600	这就像一个很专业的评论员
274600	275480	不只给分数
275480	276300	还会告诉你
276300	278520	他打这个分数的把握有多大
278520	280360	第三个叫no-o
280360	281180	这个比较特别
281180	284060	他会输出一个0到1之间的几率值
284060	286220	代表某件事发生的可能性
286220	288460	而且這個機率是經過較準的
288460	289980	不是隨便說說的
290220	293160	意思是如果NO說退款機率是0.8
293160	294860	就代表10封類似的信裡
294860	297360	大概有8封真的會是退款需求
297360	298520	這個數字是可靠的
298520	299980	這三個功能合在一起
299980	301280	你就可以做很多事了
301580	303320	比如說你有一個客服系統
303320	304860	每天收到幾千封信
304860	305980	你想要自動分類
305980	307160	判斷優先順序
307160	308720	偵測有沒有退款需求
308720	310520	用傳統的大型語言模型
310520	311820	你要寫很長的prompt
311820	313680	還要解析它輸出的文字
313680	315480	然後還要擔心它今天心情不好
315480	316540	输出格式跑掉
316540	317440	用GF
317440	319200	你就把信的内容传进去
319200	320180	定义好schema
320180	321540	他直接给你一个Json
321540	322600	类别是什么
322600	323740	优先顺序
323740	324360	几分
324360	325840	是不是退款请求
325840	327100	信心分数多少
327100	328360	全部结构完整
328360	329160	直接可以用
329160	331300	这就像你把一大堆文件
331300	333060	丢给一个超级有效率的助理
333060	335260	他马上就能把所有资讯整理好
335260	335900	分门别类
335900	337020	让你一眼就能看懂
337020	338660	社群里有人做了一个测试
338660	340000	一次处理1000封信
340000	342580	平均回应时间大约是200毫秒
342580	344180	整批跑完费用是多少
344180	345460	非常少
345460	347160	因为JF的定价非常低
347160	349580	输入是每百万Token四分美金
349580	350740	输出是免费的
350740	353240	这个价格跟主流的大型原模型
353240	354480	比起来差距非常大
354480	355800	简直是佛星价
355800	357380	说到速度
357380	359460	TypeSafe AI官方的说法是
359460	362500	JF可以比传统Transformer模型
362500	364220	快20到200倍
364220	366300	便宜40到400倍
366300	369000	我知道这种数字看起来像行销化数
369000	370000	所以要说清楚
370000	370980	这个速度优势
370980	373460	是在特定的结构化决策任务上
373460	374960	而不是在所有任务上
374960	376900	你不能拿Jeff来写一篇文章
376900	377620	他根本不会
377620	379480	但如果你的任务是
379480	380560	看这段资料
380560	382500	告诉我他属于哪个类别
382500	385200	那这个速度差距是真实存在的
385200	386360	这就像你请一个
386360	388100	短跑选手去跑马拉松
388100	389320	他可能跑不完
389320	392440	但如果你让他去跑100公尺
392440	393780	他觉得是世界级的
393780	395260	为什么Jeff可以这么快
395260	396620	因为他根本不需要
396620	398320	做一般语言模型做的那一事
398320	400040	他不需要生成自然语言
400040	402400	不需要维护复杂的上下文
402400	404220	也不需要做什么深度推理
404220	405780	他的工作就是看schema
405780	407560	看输入输出
407560	409380	一个符合schema的决策
409380	411420	整个推理路径短很多
411420	412300	所以快很多
412300	415140	这就像一个专注于单一任务的机器人
415140	417540	他只做他被设计来做的事
417540	418860	所以效率极高
418860	422020	这个速度差距在某些使用情境上
422020	425060	会让整件事从可以用变成真正好用
425060	427740	最明显的例子是浏览器自动化
427740	429120	现在有很多工具
429120	431160	可以让AI控制你的浏览器
431160	431980	你给他一个目标
431980	433680	他自己去点页面
433680	434380	填资料
434380	435300	跳到下一页
435300	437060	但如果你真的试过用
437060	438500	Astra或Fable做这件事
438500	440000	你会发现他慢得很痛苦
440000	440540	Agent
440540	442120	结一张网页的截图
442120	443160	传给模型
443160	444600	然后你等2秒
444600	445220	3秒
445220	445900	有时候5秒
445900	447420	模型才决定要点哪里
447420	448720	这段时间里
448720	450200	网页可能已经更新了
450200	451500	或者跳出一个弹窗
451500	453660	然后Agent的动作就失效了
453660	455900	这就像你请一个动作很慢的人
455900	457240	帮你抢限量商品
457240	458520	等到他反应过来
458520	459940	商品早就被抢光了
459940	462880	这就是为什么浏览器自动化到现在
462880	465580	还是很难真正稳定部署的原因之一
465580	466620	延迟太高
466620	469100	反映跟不上动态网页的节奏
469100	471680	但如果你把决策层换成JF
471680	474100	延迟从秒级将到毫秒级
474100	476300	Agent看到DOM结构
476300	477640	马上对照Schema
477640	479820	马上输出下一个动作
479820	480660	他不需要思考
480660	481520	他就是执行
481520	483980	这样的速度才能让浏览器自动化
483980	485700	从一个很酷的示范
485700	488980	变成一个可以真正跑在生产环境的东西
488980	492460	这就像你给机器人装上超快速反应晶片
492460	495360	它能瞬间判断并执行任务
495360	497260	让整个流程顺畅无比
497654	501654	好,現在來到我覺得最有意思的部分,也就是第二個重點。
501654	507654	Jeff的定位很特別,他並不是要取代Astra或Fable,他其實是要跟他們一起用。
507654	511654	你可以把它想像成一個團隊裡的兩個角色,一個負責策略,一個負責執行。
511654	513854	我把這個架構叫做雙腦架構
513854	515054	概念很直觀
515054	517994	你用大型語言模型做需要深度推理的事
517994	520434	用Jav做需要快速執行的事
520434	522054	舉個具體的例子
522054	524874	假設你在建一個自動化的軟體開發agent
524874	526094	他可以看需求
526094	526974	寫程式
526974	527834	跑測試
527834	528634	修bug
528634	530954	當一個新的功能需求進來的時候
530954	533014	你先把它交給Fable或Astra
533014	535634	這些模型有深度的推理能力
535634	538454	它們可以分析整個專案程式碼
538454	539874	理解依賴關係
539874	541434	想清楚要怎麼實作
541434	544334	然后产出一份详细的执行计划
544334	546434	就是慢的贵的但值得
546434	549234	因为这个阶段真的需要深度思考
549234	552554	这就像一个公司的策略长
552554	554954	负责制定整体方向和计划
554954	556374	计划出来之后
556374	557134	Fable退场
557134	558034	Jeff接手
558034	560114	Jeff比较适合负责
560114	561854	判断下一步要做什么
561854	563754	输出固定格式的指令
563754	565254	如果测试失败了
565254	568034	Jeff不需要重新思考整个架构
568034	570094	他只需要看错误讯息
570094	571514	对照行别定义
571514	573774	修掉那个行别不符的地方
573774	576274	再跑一次几毫秒就完成
576274	580314	真正写大段程式码还是交给Fable或Extra
580314	582074	这就像公司的执行长
582074	583734	负责把策略长的计划
583734	586294	分解成一个个具体任务
586294	587914	并快速高效的执行
587914	590914	你把昂贵的推理集中在规划阶段
590914	593394	把执行交给一个高速低成本
593394	595094	格式保证正确的引擎
595094	599454	这样的组合才能让多A-系统真正规模化
599454	602774	以前这种架构的问题是成本和延迟
602774	606094	如果一个复杂的任务需要50个为决策
606094	608294	每个决策要2秒花3分美金
608294	610014	整个流程就要花1分多钟
610014	611954	1块多美金单次执行
611954	615074	这样的单位经济学根本没办法做自动化
615074	616694	因为跑几次就亏了
616694	619974	但Jeff把每个为决策的成本和延迟
619974	621754	都压到几乎可以忽略的程度
621754	623734	这个架构才真正变得可行
623734	627094	这就像以前你需要请好几个顾问来做决策
627094	629194	现在你只需要请一个策略顾问
629194	632694	然后把执行交给一个超便宜又超快的机器人
632694	635834	那实际上怎么把JAB接近你现有的流程
635834	637534	有几个很具体的切入点
637534	642414	最直接的方式是找出你现有AI流程里最容易坏掉的节点
642414	647294	通常就是那些让LLM从非结构化的资料里抽取资讯
647294	649774	然后格式化成某个固定格式的步骤
649774	652494	比如说从一封信里抓出客户名称
652494	653474	订单编号
653474	654554	问题类别
654554	656194	然后写进CIM
656194	659294	这种步骤犯成Jav是最直接的
659294	661514	你定义好schema让Jav做抽取
661514	663034	格式问题直接消失
663034	665854	这就像你把一个经常出错的环节
665854	668794	换成一个永远不会出错的自动化机器人
668794	670374	瞬间解决了所有问题
670374	672694	另一个很适合的使用情境是
672694	673414	vibe coding
673414	676534	就是你用AI辅助快速开发的那种模式
676534	678654	现在的vibe coding流程通常是
678654	680694	让AI生成程式码
680694	681374	你去跑
681374	682374	跑出错误
682374	683834	把错误贴回去给AI
683834	684454	等它修
684454	685134	再跑
685134	687014	这个回圈很慢而且很烦
687014	689094	因为Jeff速度过快
689094	691374	对程式语法的理解是原生的
691374	694454	你可以在IDE里设定一个背景监听器
694454	697034	每次有编译错误或测试失败
697034	698594	自动把错误丢给Jeff
698594	700634	让他在背景直接修掉
700634	702414	你甚至不需要手动介入
702414	703274	他已经修好了
703274	706454	这就像你身边有一个超级程式码修正助手
706454	707514	在你写程式的时候
707514	709634	他随时帮你检查并修复错误
709634	711634	让你专心在创作上
711634	713494	这个部分说完
713494	714494	我要讲一个很重要
714494	716814	但很多人在兴奋的时候会忘掉的是
716814	717934	速度越快
717934	719714	出错的代价越高
719714	721054	当你有一个模型
721054	723574	可以在毫秒内生成并执行程式码
723574	726554	你根本来不及在他出错之前阻止他
726554	729054	如果Jeff在自动化流程里
729054	730994	有权限存取你的档案系统
730994	732394	执行终端机指令
732394	733354	更新资料库
733354	735574	而他以200倍的速度在跑
735574	736674	那出了问题的时候
736674	738194	你看到的已经是结果
738194	738874	不是过程
738874	741254	这就像你开一台超级跑车
741254	742114	速度很快
742114	743294	但如果失控
743294	745354	造成的损害也会非常巨大
745354	747834	所以安全边界必须跟着调整
747834	749054	几个原则要记住
749054	749654	第一
749654	751534	就算是高准确定的模型
751534	752934	AI生成的程式码
752934	755514	预设要当成不信任的来处理
755514	757294	不要因为它很少出错
757294	758354	就给它最高权限
758354	759474	第二
759474	762034	如果你要在本机跑Jab做自动化
762034	765254	Docker容器把执行环境隔离起来
765254	766994	给它最小必要的权限
766994	768054	不要给root
768054	769134	第三
769134	771694	如果Jab在做浏览器自动化
771694	774674	不要用你平常已经登录的浏览器设定档
774674	777614	用独立的一次性的工作阶段
777614	780254	这样就算它误判了某个DOM元素
780254	782114	也不会动到你的生产环境
782114	785074	这就像你使用任何强大的工具一样
785074	786814	必须先做好安全防护
786814	788694	才能避免不必要的风险
788694	790974	Jeff帮你省下了写程式码的时间
790974	792574	但这些省下来的时间
792574	796134	你要拿去建更完善的自动化测试和安全验证
796134	797974	你的角色从写程式的人
797974	801374	变成设计系统架构和做安全审计的人
801374	803694	这就像以前你需要自己造车
803694	807514	现在你只需要设计好车子的功能和安全系统
807514	809174	然后让机器人去制造
809174	812714	最后来说说我对Jeff这件事的整体看法
812714	815674	过去一年多AI产业的主旋律
815674	817694	是把模型做得越来越大
817694	818834	越来越聪明
818834	819774	越来越贵
819774	821674	每个人都在追AGI
821674	824734	都在比谁的模型推理能力更强
824734	827974	Extra跟Fable在这条路上做得很好
827974	828894	他们真的很厉害
828894	831874	但真正在用AI做产品的人
831874	832774	工程师
832774	834274	独立开发者
834274	835134	小团队
835134	837774	我们不是每天都在解历史难题
837774	840154	我们大部分时间需要的是
840154	842274	这个资料是不是不领值
842274	845554	这个请求应该要分派给哪个服务
845554	847274	这封信的优先顺序
847274	848534	是高还是低
848534	850934	这些问题不需要深度推理
850934	852454	需要的是快
852454	853234	准
853234	854454	格式正确
854454	856174	这就像我们日常生活
856174	858314	大部分时候我们需要的不是哲学家
858314	861174	而是一个能快速精准回答问题的工具人
861174	863834	Jeff代表的是AI执行层的工业化
863834	865414	他承认一件事
865414	867694	未来的自动化不会是一个超级大脑
867694	868994	慢慢把所有事情都做完
868994	871874	而是一堆高度专门化的引擎分工合作
871874	875214	各自在自己最擅长的部分做到最好
875214	877374	这就像一个现代化的工厂
877374	879614	每个环节都有专门的机器人负责
879614	880814	协同合作
880814	882394	达到最高的效率
882394	883994	对那些花了无数个夜晚
883994	886454	在除错Jason格式问题的人来说
886454	888534	这个东西出现的时机真的很刚好
888534	890654	如果你觉得今天的内容让你有点收获
890654	892794	那就帮我到Apple Podcast按赞追踪
892794	893974	留个五星好评吧
893974	896334	FB IG Flats
896334	898554	收AI懒人报就找到我了
898554	900794	你的支持是我持续优化
900794	902354	内容的最大动力
902354	905034	最近的AI发展依然快的让我害怕
905034	907034	不想出过明天再继续
907034	908594	收听AI懒人报啰
908594	909674	我是汤懒懒
909674	910574	我们明天见
910574	911014	拜拜