Jev：只做决策的AI，为何又快又便宜到离谱

不是聊天机器人，而是一个"决策模型"

如果你已经对铺天盖地的聊天机器人感到疲惫，那么这个名叫 Jev 的AI也许会重新点燃你的兴趣。它不是又一个大语言模型——你没法跟它对话，没法让它给你写一段快速排序，也没法跟它讨论人生。它做的事情只有一件：做决策。

视频作者用了一个经典的比喻来解释它的工作原理——「系统1思维」。想象你在踢球，球突然朝你脸飞过来，你不会在脑子里冷静分析"我现在正在踢足球，让我定位球的速度和方向，然后评估我的选项"。你只会本能地一躲。这种快速、直觉式的判断就是系统1思维，而Jev正是为这种场景而生。

它的定位非常清晰：不追求成为无所不能的"超级智能"，而是把"决策"这一件事做到极致——又快、又便宜、又准。作者反复强调，这是他近来第一个真正让他兴奋的AI产品，因为它"不是把同样的东西反复炒冷饭"。

「系统1思维」来自心理学家丹尼尔·卡尼曼（Daniel Kahneman）在《思考，快与慢》中提出的双过程理论。系统1是快速、自动、无意识的认知模式，依赖直觉和模式匹配，几乎不消耗认知资源；系统2则是慢速、审慎、有意识的逻辑推理，需要主动调用注意力。传统大语言模型（LLM）在生成回复时更接近系统2——它需要逐token推理，权衡语义，输出连贯的长文本，因此天然较慢、成本较高。Jev的设计哲学是绕开这套机制，只做系统1能做的事：在给定上下文中快速输出一个分类结果，而不生成任何解释性文本。这一取舍是其速度与成本优势的根本来源。

怎么用它？给状态，问是非题

Jev的交互模型出奇地简单。你先给它一个状态（state），相当于告诉它"这个世界现在是什么样"；然后你向它提出一组问题，让它做出判断。关键在于，这些问题是并行执行的，因此速度极快。

作者给出了几种问题类型：

• 类型选择（type choice）：从若干选项中选一个。比如给出状态"我在举重比赛中拉了裤子"，让它在"继续拉"、"去洗澡"、"假装没事继续训练"之间选择——它以95%的置信度建议你去清理干净。
• 打分（score）：给出各选项的相对置信度，比如某选项85%的把握。
• Newell 值：一个介于0到1之间的数值，名字来自伯努利（Bernoulli）分布的谐音。

作者用一个《任天堂明星大乱斗》的例子演示了它的实用性：状态设定为"你是大金刚，你想赢，收到了一条其他玩家的消息"，然后问它两个问题——这条消息是否合适？这条消息是否有助于大金刚获胜？当消息是脏话时，它判断为"不合适、无帮助"；当消息改成"击败所有对手"时，它判断为"合适、且相当有帮助"。

这个例子背后有真实痛点。作者曾办过一场2000人共同操控四个大乱斗角色的活动，所有玩家发来的消息需要一个"很慢的agent"逐条审核是否含有不当内容，一次要花一分半钟。如果用Jev，就可以在消息到达的瞬间并行判断"这条合不合适？不合适就删掉"，直接省下大段冷场时间。

便宜到什么程度：3百万次问答只要44美元

Jev最具冲击力的地方在于价格。作者展示了自己用它反复玩《Balatro》（小丑牌），几分钟内就烧掉了800万甚至上千万token，而费用几乎看不出变化。

官方声称它比某个未具名模型"快190×3倍、便宜444倍"——具体对标的模型作者也没搞清楚。但真实的账单数据更直观：那个大乱斗问题只有345个输入token，而Jev只按输入token计费。作者算了一笔账：这意味着大约可以问300万次这样的问题，总共只花44美元。折算下来是每十亿token约42美元，单次执行只需约100毫秒。

这也正是它名字的由来——Jev取自"杰文斯悖论（Jevons Paradox）"：一样东西越便宜，人们用得越多，需求反而越高。当决策的边际成本趋近于零，你就敢于把它塞进过去根本不敢用AI的地方。

杰文斯悖论（Jevons Paradox）由19世纪英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）提出。他在研究煤炭消耗时发现，蒸汽机效率的提升并未减少煤炭总用量，反而因为使用成本降低而催生了更大规模的需求，导致总消耗量大幅上升。这一现象后来被广泛应用于能源、计算资源等领域：当某种资源的利用效率大幅提高时，整体需求往往不降反升。Jev以此命名，暗示其核心商业逻辑：当单次决策的成本从"不划算"降至"几乎免费"，开发者就会把它嵌入过去根本不会考虑AI的环节，从而创造出全新的使用场景，而非仅仅替代现有方案。

能玩游戏，也能做"电脑操作"

为了展示它的实时能力，作者让Jev去玩多款游戏。它能实时打《Balatro》，会制定"凑对子缩放"这类策略、围绕策略选小丑牌，大约30%的胜率获胜（尽管作者吐槽它"死活不肯拿小丑牌"的打法让他很上头）。它还能玩《马力欧》和《毁灭战士（Doom）》。

Doom的玩法揭示了它的本质：它同时回答多个是非题——"该不该闪避？"（要么站着，要么躲）、"该不该开火？"（要么按住开火，要么松开）。你能看到它"按住不开火，等敌人靠近"，这实际上是合理的战术判断。所有复杂行为都被拆解成一连串并行的分类问题。

真正让作者"上头"的应用场景是电脑操作（Computer Use）。他把Jev接入一个远程QEMU会话，每次请求都拉取屏幕截图，让它根据画面采取行动。他直言，如果配上一个"很笨但很便宜"的模型，速度能比传统方案快上百倍。

他还给出了另外两个方向的想象：

• 邮件分类：邮件进来时判断"是否紧急"，据此触发不同操作，实现实时归类。
• 上下文裁剪：在把上下文喂给agent之前，先问Jev"这段和任务相关吗？不相关就丢掉"，从而压缩agent的上下文。
• 替代脆弱的自动化测试：作者调侃那些"写得一塌糊涂的playwright测试"——因为表单填写本质上也"只是一个分类问题"，Jev在这类任务上表现很好。

QEMU是一款开源的硬件虚拟化模拟器，可以在宿主机上运行完整的虚拟操作系统环境。在AI自动化场景中，将模型接入QEMU远程会话意味着模型可以通过截图获取屏幕状态，再通过模拟键鼠输入执行操作，从而实现对完整桌面环境的程序化控制。这类"Computer Use"方案的瓶颈历来在于：每一步都需要将屏幕截图发送给模型进行理解，再等待模型返回指令，延迟叠加后整体速度极慢。Jev的低延迟特性（约100毫秒/次）在这里尤为关键——它可以在每一帧画面到达时立即给出"下一步做什么"的分类判断，使整个控制循环的响应速度接近实时，而非传统方案中数秒乃至数十秒的等待。

一个务实的方向：Build prod, not God

作者特别提到Jev的"宣言"——composable AI, build prod, not God（可组合的AI，造产品，而不是造神）。他借用了汽车发明初期的比喻：早期汽车带着许多马车时代的无用假设（比如给车装上遮眼罩）。同理，如今很多人硬用LLM去做决策，但决策并非LLM的强项。Jev的思路是把"决策"从大模型里拆出来，做成一个专门、可组合的模块。

这种克制反而是它最有说服力的地方。它不承诺终结宇宙，只承诺把一件小事做得极致快、极致便宜。对开发者而言，100毫秒的实时判断加上近乎白菜价的成本，意味着许多过去因"太慢太贵"而被否决的想法，现在都变得可行。

需要提醒的是，本文基于单一视频来源，且带有明显的演示与主观色彩。Jev对标的具体模型、准确率的严格基准等信息作者并未给出，实际生产环境的可靠性仍需自行验证。但作为一种AI产品形态的探索，"只做决策的便宜模型"确实提供了一个和聊天机器人截然不同的思路。