分类：AI动态 标签：人工智能、大模型、开源项目、AI应用

过去四年，整个 AI 行业把几乎所有的算力、资本和工程资源，都压在了同一件事情上：教大模型说出更流畅的人话。我们习惯了用百亿甚至千亿参数的庞然大物，先吐出一长串思考过程，再包装成礼貌体贴的自然语言，最后让开发者用复杂的正则表达式把需要的答案抠出来。

直到前 OpenAI 研究员 Diogo Almeida 带着他的新模型 Jev 登场。这个被称为“System One”的模型没有嘴巴，不生成任何文字，只输出概率判断。上线不过数天，全球开发者围绕它疯狂砸出了近五百个开源项目，让人们看到了 AI 应用轻快得像一阵风的另一面。

01 洗衣机与上下文：给 AI 装上“廉价神经元”

智能家居社区 Home Assistant 最近出现了一个名为 HA-Jev 的插件。它的逻辑极其简单：传感器读取洗衣机的功率变化与洗衣房门的状态，然后抛出一个问题给模型，“洗衣机洗完了，衣服是不是被忘在里面了？”

模型不输出任何文字分析，只返回一个概率值。当置信度超过 0.8 时，手机就会弹出一则取衣提醒。一次判断耗时几十毫秒，花费仅 0.000015 美元。

插件开发者在论坛里留下一句意味深长的话：“我过去一直在用大语言模型回答根本不需要它的问题。衣服忘没忘拿是一个判断，不是一篇八股文。”

这种变化在各个领域引发了连锁反应：

  • 上下文压缩：开发者 Tamara Tran 用 Jev 编写插件来压缩 Claude Code 的上下文。它不做冗长的归纳总结，而是逐条给历史工具调用的相关性打分，只要分值低于阈值直接剔除。接近 100 万 token 的臃肿上下文，在 1 秒钟内被精简到 8.6 万。
  • 手机端自动化：Droidrun 团队开发的 mobile-jev 操作代理，能够控制真实 Android 手机打开应用、输入信息并一路精准点击。全程 9 个操作步骤仅耗时 21 秒，且完全没有调用传统的文字生成大模型。
  • 游戏与数据库：从操控模拟器玩超级马里奥、驱动《毁灭战士》守卫，到通过 pg-jev 对数据库行数据进行实时概率过滤，Jev 让数十毫秒内的操作决断成为现实。

当大模型不再假装自己是一个博学的人类，AI 才能真正嵌入自动化软件的毛细血管。

02 杰文斯悖论：被成本激活的边缘场景

Jev 这个名字，取自 19 世纪英国经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）。经济学上的“杰文斯悖论”指出，当技术的进步提高了某种资源的利用效率，导致其使用成本大幅下降时，该资源的总消耗量不但不会减少，反而会呈现爆发式增长。

TypeSafe AI 给 Jev 定下的价格是每百万输入 token 仅需 0.042 美元，输出免费。按照这个资费，一天进行 1 万次业务决策，单月成本在 120 美元左右。而在以往，如果使用同等准确率的顶级推理大模型，每月账单会直奔 3.5 万美元。

暴跌的成本，瞬间激活了那些此前被判定为毫无商业价值的边缘场景。

例如，Distribb 的创始人拿 Jev 扫描了近六百个网页，在 45 秒内完成了内部链接地图的重构，布设了五百多个链接，总共花费 21 美分。正如他所感叹的：“这不是内容创作，这只是 8790 次判断该连还是不该连的决策题。”

作为参与过构建 ChatGPT、共同发明 RLHF 的核心研究员，Diogo Almeida 的反思带着一种行业局内人的冷酷。在他看来，整个行业被困在“优化人类自然语言”这条死胡同里太久了。计算机之间协同并不需要抑扬顿挫的修辞，机器需要的是明确的指令与概率。

03 “判断”和“生成”分家：AI 架构走向分布式

回看过去三年的 AI 叙事，主线一直是“大模型越来越大、越来越聪明、越来越全能”。一个模型既能聊天，又能写代码，还能看图做表，整个行业默认“智能”是一块不可拆分的铁板。

Jev 的出现撕开了这块铁板。它证明了有些工作需要推理和表达，而有些工作只需要快速判断。把两者绑在一起，是一种结构性的浪费。

在 Jev 催化的新范式里，一个 AI 系统不再只有“一个大脑”，而是开始出现明确的分工： 感知 -> 评估 -> 响应

海量的毫秒级判断交给便宜到像自来水一样的直觉模型，只有在真正需要向人类用户输出成段文字、提供情绪价值或者起草复杂长篇报告的极少数节点，才需要唤醒那个昂贵的生成式模型。

当一个判断的成本从几美分降到万分之一美分，开发者不是把原来的判断做得更便宜了，而是开始做以前根本不会做的新判断。从给每条数据库记录加一个语义过滤器，到给洗衣机加一个“衣服忘拿了吗”的提醒，AI 基础架构正从“中央集权”走向“分布式分工”。