機器人才是Jev的舞台｜夾在運動與規劃之間的判斷層

大家好，我是TIMEWELL的濱本。

把機器人真的放進產線的人，大概都撞過這面牆。動作本身做得出來，難的是決定「現在要做哪一個」。

站在料架前的手臂：要夾、要重新定位，還是因為有人走進來所以先等。搬運機器人到了轉角：要轉，還是直走繞過去。這些動作，既有的規劃器和控制器都做得出來。真正會失控的是「挑哪一個」——條件分支愈長愈沒人敢碰。改放大型語言模型進去，換另一種死法：它花好幾秒在寫句子，機器人杵在原地。

2026年9月15日（美國時間）發表的TypeSafe AI「Jev」，正好是為這一層做的零件¹²。它一行文章都不寫，只從你定義的選項裡挑一個，附上機率。就這樣而已。

先講結論。

• 機器人的控制分層：伺服約1000Hz、VLA 5〜50Hz、任務規劃不到1Hz。Jev落在2〜14Hz這一層
• Jev不能吃圖片，所以感知留在上游，送進Jev的只有寫成文字的狀態
• 選項有限、狀態寫得出文字、想一次問幾十個判斷——這三件事湊齊時，這個形狀最順
• 輸出免費，所以判斷的成本等於消失。每秒10次也才每小時7美元
• 但是絕對不能拿來做安全功能。照格式答，和答得對，是兩回事

Jev到底做什麼

先從頭講，沒有背景的讀者也能跟上。

對話型AI是用文章回答你。問它「這個零件該夾嗎」，它會客氣地回「是的，對象位置穩定，建議夾取」。但驅動機器人的程式要的不是這句話，**它要的是「夾」這個選擇，加上一個表示有多確定的數字。**用文章回覆，程式還得再解讀一次、轉成能分支的形式，而且它是一個字一個字寫出來的，很慢。

Jev一開始就把這道工序拿掉。送進去的是「描述狀況的文字」和「想問的問題」。問題只有三種³。

Choice 從清單裡挑一個。定義好 grasp（夾）、reposition（重新定位）、wait（等待），它會回其中一個，並附上每個選項的機率和整體的信心值。

Score 依你自訂的尺度給分。定義「不穩」「勉強」「穩定」三級，回來的可能是1.3這種落在級與級之間的值。

Noul 回傳某個敘述為真的機率，0到1。寫「對象在夾取範圍內」，回來0.87。實務上這一種最好用。

有兩個性質對機器人特別重要。第一，一次呼叫可以混進幾十個不同類型的問題，而且是平行評估³，問題變多，等待時間幾乎不變。第二，輸出免費。輸入每百萬token 0.042美元，輸出完全不計費⁴，因為根本沒有「寫」這道工序可以計費。

TypeSafe AI把這類模型稱為System One，名字取自康納曼所說的「快而直覺的思考」。官方文件寫得很直接：這類模型「不寫回覆、不產生程式碼，也不產生推理過程的說明」⁵。

在進入機器人的話題前，有一個限制要先講。**Jev只吃文字。**官方文件明寫「僅支援文字輸入，圖片、聲音、影片尚未支援」⁵。這看起來是缺點，實際上反而讓架構更乾淨，後面會講。

另外，我們自己量過它的中日文實力。對自家1,852篇日文文章問一個真偽問題，門檻0.20時精確率96.4%、召回率87.9%；改成從九個分類挑一個，只有36%和我們的標籤一致⁶。與其用多選硬猜，不如把真偽問題並排問——這一條在設計機器人的判斷時同樣成立。

機器人的控制是一層一層的

這是本文的重點。大家講「在機器人裡放AI」講得像機器人只有一個東西，實際上它是一疊週期不同的迴圈，每一層該放的工具都不一樣。

最底下是伺服控制，追關節角度與電流，工業機器人約1000Hz，也就是1毫秒一次。這是決定論式控制律的世界，回傳機率的模型沒有位置。

往上是軌跡生成與運動規劃，從這個姿勢繞過障礙到那個姿勢，數十到數百Hz。

再往上，就是現在發展最快的VLA（Vision-Language-Action）模型那一層：吃相機影像和語言指令，直接輸出機器人的動作。開源的OpenVLA推論約3〜5Hz，就算用A100這種GPU，單步動作生成也要0.33秒⁷。用平行解碼與動作分塊加速後的OpenVLA-OFT+可達77.9Hz，Physical Intelligence的π0最高到50Hz⁸⁹。這一層正在比頻率。

最上面是任務規劃：「從料架取件、放到檢查台、不良品丟紅箱」這種流程，低於1Hz。大型語言模型進來的就是這一層。

**Jev落在VLA與任務規劃之間。**回應70〜500毫秒¹，也就是2〜14Hz。要生成連續動作太慢，要想整段流程又太快。而夾在中間的，剛好是條件分支長得最兇的那一層。

把那一層在做的事講成白話：面對當下的狀況，從備好的行為裡挑一個啟動；然後決定要繼續、叫人、還是停下來。就是Choice和Noul。

為什麼這麼合

四個理由。

**第一，機器人的行為本來就是離散的。**生成式模型的長處是「要產出什麼」有無限自由度的工作；機器人下一步要做的，幾乎都是一張有限清單——夾、放、靠近、退開、等待、叫人。「從有限選項挑一個」就是Choice本身。不必繞去一個無限自由度的模型再寫解析器。

**第二，機器人的狀態本來就是數字和符號。**關節角、力覺值、偵測到的物件清單與座標、電量、上一次失敗幾次。這些全部寫得出文字。「不能吃圖片」這件事在這裡幾乎不痛，反而逼你明確決定「影像轉文字」要在哪裡做，架構更誠實。

發表後公開的實作把這點示範得很好。Milind S的桌面自動化完全不把螢幕截圖送出去：Mac上的小型影像模型切出畫面元件，裝置內的OCR讀出標籤，只把那些字串送給Jev。回傳每個元件的機率，點最高的，再重新偵測。他說一次判斷約90毫秒¹⁰。機器人版的結構一模一樣：感知把感測器變成物件清單，送出去的是清單。

**第三，平行問幾十個問題，等待時間幾乎不變。**這點在機器人身上最有感。每一次判斷，其實都有一堆事情想確認：對象在夾取範圍內嗎、有人要進來嗎、是不是在重複同一種失敗、夾取姿勢穩不穩、電量撐得完這個動作嗎、有沒有超出節拍時間。

分階段問，問愈多愈慢。Jev可以一次全部塞進去，回應時間幾乎不變。**別再設計「先判斷急不急，急的再往下問」，把想問的一次問完，組合交給程式決定。**官方的設計指引也是同一句話的反面：「程式負責確定性的處理並掌握流程，模型只出現在需要常識判斷、或需要解讀非結構化資料的地方」¹¹。寫過機器人控制的人看到這句，大概只會覺得這是常識。

**第四，回傳機率與信心值，所以停得下來。**這也許是最大的理由。機器人錯了會弄壞東西、會傷到人，所以「不確定就停」是設計的核心。Jev回傳每個選項的機率與整體信心值，官方建議的是三段式運用：信心高就自動執行，中等要謹慎，低的話「不要執行，轉給人、請對方補充，或退回另一套機制」¹²。

這三段可以直接搬到機器人的運轉上。信心高就正常速度執行；中等就降速執行並留下紀錄；低就停下來叫人。**正因為是把判斷自動化的工具，才更要先畫好停下來的那條線。**從大型語言模型的自由文字裡讀出「它好像沒把握」，遠比拿到一個數字難用。

發表後的實作告訴我們什麼

挑四個能換算到機器人的。數字都是發表者自己條件下的報告值。

**每秒10次的判斷撐得住。**TypeSafe AI自己的發表示範，把Doom的遊戲狀態變成結構化文字送出，回傳下一個動作。官方部落格寫每秒約10次呼叫、每小時約7美元；也寫明輸入不是圖片，而且「不用AI的傳統Doom機器人有時玩得更好」¹³。願意在自家宣傳示範上主動加註保留的廠商，我比較信得過。每秒10次，對移動機器人的行為選擇綽綽有餘。

**330毫秒的節奏不會斷。**atomic.chat的團隊讓它在火箭落下的盤面上每330毫秒挑一格安全的，26次活了25次¹⁴。單次判斷再簡單，能不能每秒三次、不中斷地持續，是另一回事。這就是「監視接到閃避」的形狀。

**把即時反應和規劃拆給不同模型。**Wuyang Zhou把Jev和OpenAI的GPT-6 Astra組起來玩Minecraft，突發狀況由Jev即時反應，大目標由Astra提前規劃¹⁵。我認為這才是機器人的本命形狀：任務規劃交給大模型、行為選擇交給Jev、動作生成交給VLA或傳統控制。每一層放不同的工具。

每秒4次選路徑。有人做了瀏覽器上的駕駛模擬器，把車道邊界、周圍車輛、號誌整理成表送進去，從候選路徑挑一條，在轉彎與有車流時每秒最多4次。緊急煞車由另一套機制負責¹⁶。這不是實車，也不是安全性的證明。但把緊急停止放在模型之外，方向是對的。

現在那一層放的是什麼

為了把Jev的位置講清楚，看一下現在大家在那一層放什麼。大致三種。

**第一種，全部用條件分支寫。**最常見。快、行為完全可預期、可驗證。問題是遇到沒想到的狀況就什麼都做不了，而且條件愈長愈沒人敢碰。現場改幾次、過個三年，就會出現「這個 if 不知道誰加的，但刪掉就會停」的一團。

**第二種，放大型語言模型。**2024年以後，任務規劃那一層確實進來了。彈性很好，但放到行為選擇那一層會有兩個痛點：它要寫字所以慢；而且回的是自由文字，程式端得寫一個解析器，把「應該可以夾吧」轉成 grasp，還得長期維護它。

**第三種，用學習整層換掉。**也就是VLA的方向。成了很強，但只想改行為選擇時也得跑一輪訓練，「從今天起有人靠近就等待」這種改動沒辦法當天生效。

Jev夾在這三者之間。**像分支一樣快、像語言模型一樣有彈性、而且改一句問題就能改行為，不用重新訓練。**代價是它不產生動作、也看不到圖片。能力窄，但位置很明確。

用會影響決策的單位算費用

機器人是連續運轉的，所以「一次多少錢」沒有意義，要算「一天多少錢」。

官方的Doom示範是每秒約10次、每小時約7美元¹³，而且每次都把整個遊戲狀態送出去。工業上的行為選擇很少需要每秒10次。假設每秒2次、一天8小時，就是57,600次；每次狀態幾百字的話，依價目表換算大約0.3美元⁴。一台機器人一天幾十日圓。

這帶來的不是速度，而是你不會再為了省錢而跳過檢查。不用再妥協成「每次全查太慢太貴，改成三次查一次」。再加上「多問問題幾乎不影響等待時間」的性質，每一輪都把想確認的全部確認一遍就變成可行的設計。對安全和品質來說，這個轉變不小。

當然，變便宜的只有判斷本身。相機、物件偵測、OCR、點雲處理的計算成本要另外算。請看總額。

接進機器人的設計圖

具體來說，分四層。

感知層。相機、深度、力覺、編碼器。不歸Jev管。物件偵測、姿態估計、OCR、點雲。輸出是結構化文字：

對象: 螺栓 M6 / 位置 (x=0.42, y=-0.11, z=0.08) / 傾斜 12度
夾取範圍: 內
周圍人員: 1人 距離1.8m 接近中
前次嘗試: 失敗2次（滑脫）
電量: 41%
節拍: 超出預定 38 秒

送進Jev的就是這個字串。沒有圖片，也不需要。

**判斷層。**這裡是Jev。把問題綁成一束送出去：

action   : Choice「下一個要執行哪一個」
           grasp / reposition / wait_for_human / call_operator / abort
stable   : Noul「對象的姿態穩定到可以夾取」
human    : Noul「有人正要進入作業範圍」
repeat   : Noul「正在重複同一個原因的失敗」
urgency  : Score「這個狀況的急迫度」3級

回來的是選擇、機率和信心值。**最後機器人怎麼動，是程式決定的，不是Jev。**例如：human 超過0.6，不管 action 是什麼都改成等待；repeat 超過0.7，就換一種夾取策略。門檻用常數集中在一個地方，要改就走程式碼審查——這和官方手冊建議的形狀一致¹¹。

**執行層。**啟動既有的運動規劃與控制器。完全照舊，Jev不碰。

安全層。下一節講，而且和上面三層獨立。

這個結構我最喜歡的一點是：拿掉Jev它照樣會動。把判斷層換成固定規則，就退回傳統的狀態機。**加了會變好，拿掉不會壞。**要引進新零件，我會把這一條當成必要條件。

四個會咬人的地方

**不能吃圖片。**只有文字⁵。指望「它會看著相機判斷」，設計就會崩。感知一定放在前面。反過來說，如果你的感知輸出寫不成文字，那Jev就不是你的工具。

算術和計數不行。官方公開了弱點：按字面解讀、不擅長算術與計數、日期大小比較不可靠、無關資訊一多準確度就掉¹⁷。距離、數量、時間差一律在程式裡算好，用數字送進去。不要叫它數到十。

**格式正確不等於答案正確。**官網寫「不會產生幻覺」，意思是不會吐出格式以外的值。Hacker News和The Register都指出「格式正確但內容錯誤」仍然可能發生¹⁸。守住選項清單，不代表挑對選項。這就是機率存在的理由。

日文和中文都不如英文。官方文件寫英文「是主要訓練語言，準確度也最好」，其他語言「可以處理但不對等，請先用自己的內容測過」⁴。如果機器人的狀態是用日文或中文寫的，先用自家資料量過門檻再說。我們的實測中，真偽問題在日文也到了96%的精確率，但預設的0.5門檻漏掉很多，降到0.2召回率才回到88%⁶。這種事猜不出來。

安全要放在獨立的系統上

這一段我講重一點。不要把Jev放進安全功能。

緊急停止、速度與力的限制、人員接近監視、護欄與光柵連動。這些都要放在任何機率模型之外，由獨立的安全系統負責。TypeSafe自己的手冊在講判定機制時就寫了「這是檢查，不是安全邊界」¹¹。

工業機器人的安全標準ISO 10218，在2025年1月第1部與第2部同時改版，是2011年版之後的大改。它把原本另立的ISO/TS 15066（協作應用）納進來，明確化機能安全的要求，並在與機器人安全相關的範圍內加入資安要求。第1部從50頁增加到95頁¹⁹。

這個方向的意思是：就算機器人裝了AI，安全的地基還是用決定論的方式打。Jev只在安全系統保證的範圍內動作。可以讓Jev決定要不要減速，但速度上限要放在Jev之外；可以讓Jev決定有人接近時要不要停，但真正停下來的要是安全系統。這條線要一開始就畫，因為之後畫不回來。

在日本的現場，這件事為什麼重要

這個話題在日本會有感，是因為人手不足的現場，還留著大量的判斷分歧。

難以完全自動化的工序，幾乎都夾著「每次都有一點不一樣」的判斷：零件方向沒對齊、前一道工序的變異留下來、今天人比較多。想把這些全部寫成條件分支，會得到維護不了的程式；留一個人站在那裡，自動化的意義又打了折。

把這些「每次都有一點不一樣」的判斷，用便宜、快速、而且停得下來的方式補起來的零件，就是這次發表的意義。當成性能競賽來讀會覺得很小：不寫文章、不看圖片、也不會算。但在實體AI落到現場的這個階段，缺的往往不是感知也不是運動，而是夾在中間的判斷。

關於日本製造業如何靠實體AI翻身，我另外寫在日本的實體AI；Jev本身的用法，20個實作整理在初步篩選只花0.12美元。兩篇一起看，這篇的位置會更清楚。

貴公司的工序裡還留著多少判斷分歧、要交出去到哪裡、從哪裡收回給人，這是業務設計的問題，不是技術問題。想先量一下現在畫到哪裡，可以試試AI素養診斷。

總結

機器人的控制是分層的，每一層該放的工具不一樣。伺服放決定論式控制律，動作生成放VLA或傳統規劃器，流程放大型語言模型。而夾在中間、只要挑出下一個動作的那一層，一直沒有專用的零件。

Jev正好落在那裡。選項有限、狀態寫得出文字、想平行問判斷、需要用信心值停下來——機器人四項全中。而且輸出免費，判斷的成本等於消失。

但是，圖片送不進去、不要叫它算數，而且絕對不能拿來做安全功能。守住這三點，它就是這週就能試的零件。

TIMEWELL以WARP提供AI導入與人才培育，而這一塊我們正朝AI機器人課程發展。把機器人放進現場，和決定要把多少判斷交給機器，現在已經不能分開談了。想一起盤點貴公司的工序裡哪一層該放哪一個工具，歡迎透過WARP的個別諮詢聊聊。

參考文獻

Footnotes

1. Introducing System One Models and Jev（TypeSafe AI、Diogo Almeida）。System One模型的定義、回應時間70〜500毫秒、輸入0.042美元/百萬token與輸出免費、Doom示範（每秒約10次、約每小時7美元、輸入是結構化資料而非圖片、傳統機器人有時玩得更好）皆出自該篇（筆者譯） ↩ ↩²

2. Diogo Almeida的發表貼文（2026年9月15日，美國時間）、TypeSafe AI官方帳號的貼文（同日）。報導見The Register（2026年9月16日） ↩

3. Introduction（TypeSafe AI Docs）。三種問題、回傳值、一次呼叫可混用、平行評估 ↩ ↩²

4. Models（TypeSafe AI Docs，2026年9月19日取得）。jev-1.13.0、輸入0.042美元/百萬token、輸出免費、脈絡64k、僅限文字，英文為主要訓練語言、其他語言「可以處理但不對等」（筆者譯） ↩ ↩² ↩³

5. System One（TypeSafe AI Docs）。原文 "System One models do not write replies, produce code, or generate explanations of their reasoning." 與 "Jev currently accepts text input only. It evaluates strings, JSON objects, and arrays of text. Images, audio, and video are not supported (yet)."（筆者譯） ↩ ↩² ↩³

6. 本公司的實測（2026年9月19日至20日）。對 content/columns 底下的1,852篇日文文章，每篇送出標題、說明與正文開頭1,600字，對jev-latest一次問三個問題。耗時49秒（並行10），費用是依註5的價目表推估的0.12美元，非帳單金額。正解為各篇front matter的分類。真偽的精確率96.4%、召回率87.9%（門檻0.20）、九分類一致率36%、預設門檻0.5的召回率75.4% ↩ ↩²

7. OpenVLA（GitHub）、Fine-Tuning Vision-Language-Action Models（arXiv 2502.19645）。OpenVLA推論3〜5Hz、單步動作生成在NVIDIA A100上0.33秒、建議控制頻率5〜10Hz ↩

8. π0: A Vision-Language-Action Flow Model for General Robot Control（Physical Intelligence）、arXiv 2410.24164。最高50Hz的動作分塊，推論時以50Hz執行 ↩

9. OpenVLA-OFT（專案頁）。以平行解碼與動作分塊達到77.9Hz，動作生成快26倍、延遲降為三分之一 ↩

10. Milind S的貼文（9月18日）。裝置內的影像模型加OCR把畫面轉成文字、一次判斷約90毫秒，為本人的報告值 ↩

11. How to build with TypeSafe（TypeSafe AI Docs）、Classifying RAG passages（TypeSafe AI Cookbooks）。原文 "Code handles deterministic work and owns the control flow…"、門檻以常數集中管理，以及 "Nothing here is a security boundary."（筆者譯） ↩ ↩² ↩³

12. Confidence（TypeSafe AI Docs）。High自動執行、Medium謹慎、Low為 "Do not act. Route to a human, request clarification, or fall back to a different system."（筆者譯） ↩

13. 同註1（Doom示範）。貼文見Diogo Almeida（9月16日） ↩ ↩²

14. atomic.chat的貼文（9月18日）。330毫秒的節奏、26次活25次、費用不到1美分皆為本人的報告值 ↩

15. Wuyang Zhou的貼文（9月18日） ↩

16. Justin Schroeder的貼文（9月17日）、儲存庫。瀏覽器駕駛模擬器中每秒最多4次判斷、緊急煞車由另一套機制負責，見儲存庫說明。不是實車，也不是安全性的證明 ↩

17. Jev 1.13 jaggedness（TypeSafe AI Docs）。按字面解讀、算術與計數與日期比較的弱點、無關資訊使準確度下降 ↩

18. Introducing System One Models and Jev（Hacker News，2026年9月）。「格式正確但值可能是錯的」的指出見該討論串，The Register（2026年9月16日）也有同樣保留 ↩

19. ISO 10218-1:2025（ISO）、ISO 10218-2:2025（ISO）、Updated ISO 10218 FAQ（Association for Advancing Automation）。2025年1月第1部與第2部同時發行，為2011年版以來的大改版，納入ISO/TS 15066、明確化機能安全並加入資安要求，第1部由50頁增為95頁 ↩