影片筆記：【ホリエモン直言】ClaudeもChatGPTも終わりです。新AI「Jev」を知らないと時代の波に取り残されます【堀江貴文 切り抜き】

<!-- VIDEONOTE_PUBLICATION_WARNINGS_BEGIN -->

⚠️ 全文快速校讀發現待確認修正

本筆記已完成可閱讀的逐字稿與時間跳轉；下列為待處理問題，建議播放原片確認。

• 待修正：⚠️ 全文快速校讀發現未解決異常（segment=0 待確認：句末懸掛助詞「と」，與下一段開頭「いうことで」連接時語法不自然，疑似ASR將語氣詞或連接詞錯誤切分。；暫定：毎日毎日ニュースが飛び込んできて本当に目が離せません。次を期待しましょう。と）
• 待修正：逐字稿可先使用，但有待校正清單（segment=0 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=9 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語）

<!-- VIDEONOTE_PUBLICATION_WARNINGS_END -->

一句話總結

堀江貴文介紹了一款名為「Jeb（或 Jev）」的新型 AI 工具，該工具被定義為「類型安全 AI」，僅專注於高確信度的判斷輸出，避免傳統 LLM 的謊言與冗長生成，具備高速、低成本及高準確性的特點，適用於郵件分類、客服判斷等場景。

核心重點

1. 新型 AI 定義：影片介紹了一款名為「Jeb」的 AI，其核心概念是「類型安全 AI (Type-Safe AI)」，與傳統大型語言模型 (LLM) 不同，它不生成大量文本，而是專注於做出「3 種判斷」。
2. 運作機制：

• 透過百分比機率輸出判斷結果（例如：94% 機率為 A，100% 為 B）。
• 在確信度不足或處於「灰色地帶」時，不進行輸出，從而避免錯誤或謊言。
• 回應速度極快，遠勝於傳統逐字生成的 AI。

1. 成本結構：輸入需支付少量費用，但輸出免費。
2. 開發背景：由前 AI 研究人員在「隱蔽模式 (Stealth Mode)」下研究 2 年後開發，近期受到高度關注。
3. 應用場景：適用於大量郵件分類、問卷分析、客服郵件判斷（如判斷顧客情緒）、高速遊戲、股票/比特幣交易判斷、UI/UX 設計鑑定及網站可訪問性檢查。
4. 生態與未來：講者已加入等待名單，並提及可結合其他工具（如 Codex、Astra）開發客製化的「任託 AI (Omakase AI)」系統。

詳細大綱

1. Jeb AI 的基本定義與背景

• 開發歷程：由前 AI 研究人員在「隱蔽模式 (Stealth Mode)」下研究 2 年開發。
• 關注度：近期（約 23 日左右）受到極大關注。
• 核心定義：被定義為「類型安全 AI (Type-Safe AI)」，僅專注於做出判斷，而非生成內容。

2. 運作機制與核心優勢

• 判斷邏輯：
• 僅輸出 3 種判斷結果。
• 以百分比呈現確信度（如 94%、100%）。
• 避免錯誤機制：
• 在確信度不足或處於「灰色地帶」時不輸出答案。
• 避免傳統 AI 可能產生的謊言或錯誤輸出。
• 成本與速度優勢：
• 輸入需支付少量費用（提及「奨学」相關費用）。
• 輸出免費。
• 回應速度極快，遠勝於傳統逐字生成的 AI。

3. 應用場景與比較

• 傳統 LLM 的缺點：逐字生成文章耗時、成本高，且可能產生錯誤輸出。
• Jeb 的適用場景：
• 大量郵件分類（仕訳）。
• 問卷回答內容分析。
• 客服郵件判斷（判斷顧客是否生氣、是否為單純提問等）。
• 高速遊戲、股票/比特幣交易判斷。
• UI/UX 設計鑑定、網站可訪問性檢查。

4. 開發者生態與未來展望

• 早期採用：早期開發者已建立多種使用案例。
• 獲取方式：講者已加入等待名單 (Waitlist)，需透過 Discord 和 GitHub 驗證身份。
• 整合潛力：提及可結合「Codex」與「Astra」開發客製化的「任託 AI (Omakase AI)」系統（例如即時推薦商品）。
• 評價分歧：講者認為此概念具劃時代意義，但也提及有人認為僅複製現有 LLM 的輸出部分即可實現類似功能。

工具 / 模型 / 名詞整理

• Jeb (或 Jev)：影片主要介紹的新型 AI 工具，被定義為「類型安全 AI」。
• LLM (大型語言模型)：被提及為可能作為 Jeb 基礎的技術，或與 Jeb 進行對比。
• Discord：講者用來註冊等待名單的平台。
• GitHub：講者用來驗證身份的平台。
• Codex：提及可能與 Astra 結合使用的工具。
• Astra：提及可能與 Codex 結合使用的工具。
• GPT：提及作為對比或相關技術。
• リアル VALリュー (Real Value?)：提及去年出現的「任託 AI」相關概念或產品名稱（聽寫可能不準確）。
• お任せ AI (Omakase AI)：指根據顧客需求自動推薦的 AI 系統。

操作流程整理

1. 註冊與驗證：使用者需透過 Discord 和 GitHub 進行身份驗證，以加入 Jeb 的等待名單 (Waitlist)。
2. 輸入數據：使用者輸入數據（如郵件、問卷、交易數據等），並支付少量輸入費用。
3. AI 判斷：Jeb AI 對輸入數據進行分析，計算確信度百分比。
4. 輸出結果：

• 若確信度高（如 94% 或 100%），輸出判斷結果（免費）。
• 若確信度不足或處於灰色地帶，不輸出答案，避免錯誤。

1. 後續應用：根據判斷結果進行後續操作（如分類郵件、執行交易、提供客服回應等），或結合 Codex/Astra 進行更複雜的客製化處理。

值得注意的限制或風險

• 確信度門檻：Jeb 在確信度不足時不輸出，這可能導致在某些複雜或模糊情境下無法提供即時協助，需依賴人工或其他工具處理。
• 技術依賴：其核心技術基於前 AI 研究人員的開發，且可能依賴 LLM 的某些輸出部分，具體技術細節尚不明確。
• 成本結構：雖然輸出免費，但輸入需支付費用，具體費用標準及長期成本效益需進一步觀察。
• 市場接受度：雖有劃時代意義的評價，但也存在認為其功能可被現有 LLM 複製的觀點，市場認可度仍有爭議。

逐字稿辨識疑點

• Jeb / Jev：模型或產品名稱，聽寫可能為「Jeb」或「Jev」，需查證實際產品名稱。
• 23 日：時間描述，語境模糊，可能指日期或天數，需查證。
• ウェイトリスト (Waitlist)：日語發音，指等待名單。
• ファーストパス (First Pass)：日語發音，指首次通行或初步訪問。
• ルエトリストン：聽寫錯誤，應指「Waitlist 註冊」或相關動作。
• 奨学：語境中指費用，可能為「奨学金」或特定費用名稱的誤聽，需查證是否為「少量費用」或特定術語。
• ブス：語境中指 AI 返回錯誤答案，可能為「嘘 (Uso, 謊言)」或「誤答」的聽寫錯誤。
• 風：語境中指「問題」或「缺點」，可能為「問題 (Mondai)」的聽寫錯誤。
• 熟行：可能指「熟練」或「高級模型」，語境中指將不確定的判斷交給更強大的模型處理，需查證原意。
• 最低取引：可能指「高頻交易 (High-Frequency Trading)」，聽寫可能錯誤。
• UIX：可能指「UI/UX」，聽寫可能錯誤。
• リアル VALリュー：產品或概念名稱，聽寫可能不準確，需查證。
• コデックスアストラ (Codex Astra)：Codex 與 Astra 的組合提及，需查證是否為特定套件或分別指代。

可延伸追問

1. Jeb AI 的「類型安全」具體技術實現方式為何？如何確保其判斷的準確性？
2. 輸入費用的具體標準是多少？長期使用成本效益如何？
3. Jeb 與傳統 LLM 在技術架構上有何根本差異？是否真的無法被現有 LLM 複製？
4. 結合 Codex 和 Astra 開發的「任託 AI」具體應用案例有哪些？
5. Jeb AI 目前的支持範圍和限制條件為何？