Diogo Almeida

履历与关键经历

• 2019-至今 创立TypeSafe，致力于开发面向自动化的AI基础设施与模型。 事实 [1] [3]
• 至今 担任JEV模型创始人兼CEO，发布基于“系统一”架构的可编程大模型。 事实 [1] [3]
• 历史 GPT-4共同作者。 事实 [3]

核心思想与方法

• RLHF优化的是人类偏好而非事实正确性，导致模型在自动化场景中因“模式丢弃”和过度自信而不可靠；应转向基于可验证奖励（如RLVR或代码逻辑数据）的自动化优化路径。 归纳 [1] [3]
• 辅助任务（人在环中）与自动化任务（移除人类）在优化目标上互斥，不能同时追求极致的取悦用户和极高的自动化可靠性；TypeSafe选择放弃辅助能力以全力投入自动化。 归纳 [1] [3]
• 任务定义和数据质量比算力和算法更重要；缩放定律在走出预训练简单场景后失效，数据实验室（Data Lab）模式优于传统模型实验室。 归纳 [1] [3]
• 拒绝传统的安全对齐（Safety Alignment），认为其常与构建可靠系统的目标不一致；主张通过工程手段和系统架构确保可靠性，而非依赖可能扭曲模型行为的对齐训练。 归纳 [2]
• API的“拒绝响应”是反人类的工程灾难，因为自动化工作流无法容忍不确定性；AI应作为不可靠性极低的底层内核而非需要监管的同事。 归纳 [2]

最近公开表达

• 2026-09 指出AI领域存在两极叙事，根源在于混淆了辅助与自动化任务；强调不要使用AI做对业务有代价的决策，因为当前模型无法被信任执行高风险自动化。 事实 [1]
• 2026-07 批判RLHF导致模型“取悦人类”而非追求真理，主张行业应明确区分辅助与自主模式，并转向可验证奖励的强化学习以解决幻觉问题。 事实 [3]
• 2026-09 解释TypeSafe拒绝传统安全对齐的原因，认为其往往与构建可靠系统的目标错位；强调API的“拒绝响应”是反人类的工程灾难，应追求底层内核级的可靠性。 事实 [2]
• 2026-09 Jev定位为面向代码消费的“系统一”大可编程模型，核心优化指标为“每美元智能”，旨在通过代码消费实现智能与成本最优化。 事实 [2]

最近工作与项目

• 2026-09 发布JEV模型，定位为面向代码消费的“系统一”大可编程模型；核心优化指标为“每美元智能”，旨在通过代码消费实现智能与成本最优化。 事实 [2]
• 2026-至今 TypeSafe探索超越RLHF和RLVR的技术路径，专注于优化“校准过的决策制定”，从API形态重构以实现真正的自动化可靠性。 事实 [1]