AI新贵Jev来了,它不干正事,却有效

最近研究 AI 的人，应该已经开始刷到一个新名字了：Jev。

这个东西有点奇怪。ChatGPT、Claude、豆包这些 AI，大家都在比谁更聪明、谁更会推理、谁更会写代码。Jev 却反着来了：它不跟你聊天，也不负责给你写一大段答案。

那它到底是个啥？它和我们现在用的大模型有什么区别？为什么我觉得这个东西，特别值得做 AI 应用和 Agent 的人关注？

我是一直追逐技术新浪潮的 Python大大，今天就用最简单的方式，给大家说道说道。

一句话说清楚 Jev 是什么

先记住一个最简单的比喻：

ChatGPT 像一个人，Jev 更像一个拥有常识的 if。

程序员写了几十年这样的代码：

1
2
3
4
5
6
7

if amount > 10000:
    ...
if stock == 0:
    ...
if not logged_in:
    ...

这些都很好写，因为条件非常明确。但是下面这些呢？

1
2
3
4
5

if 这个客户看起来快要流失了
if 这封邮件很像诈骗
if 这个用户已经非常生气了
if 这个 Agent 下一步操作可能有危险

这就难了，因为它们不是简单的数学条件，而是需要一点人的常识和判断力。

过去怎么办？只能人来看，或者写一大堆规则。再后来有了 ChatGPT，我们可以把这些东西扔给大模型判断。但是大模型有一个问题：它太喜欢说话了。

你问：“这个客户是不是想退款？”

你其实只想要一个 Yes，结果它可能给你来一段长篇大论。程序要的是结果，不是作文。

而 Jev 真正有意思的地方就在这里：它试图把过去只能由人判断的这些“模糊 if”，变成程序可以直接调用的一种基础能力。

理解 Jev，不需要懂机器学习

你只需要知道，它主要会干三件事情：选择、打分、判断 Yes/No。

1. 第一招：选择

比如一个客户发来消息：“你们给我寄错鞋码了，我要换成 10 码。”

系统要判断这个问题应该交给哪个部门：A：退换货B：物流C：账务。

普通大模型可能跟你解释半天，Jev 不需要，它直接给出分布概率：

• • 退换货：98%
• • 物流：1%
• • 账务：1%

如果客户换了一种说法：“鞋码发错了，而且信用卡还莫名其妙多扣了一笔钱。” 此时它可能输出：

• • 退换货：55%
• • 账务：44%
• • 物流：1%

注意这里： Jev 不需要硬装自己什么都知道，它可以把自己的“不确定”告诉你。现实世界本来就不是非黑即白的，这个特性非常重要。

2. 第二招：打分

假设收到一个 Bug，你给 Jev 定义一把尺子：

• • 0：只是界面不好看，不影响使用
• • 1：某个功能坏了，但是还有其他办法绕过去
• • 2：完全卡死，软件已经没法用了

把 Bug 描述扔给它，Jev 可能会给出 1.3。

这并不是突然发明了一个“1.3 级 Bug”，而是说：这个问题最像 1，但是又比普通的 1 严重一点，有一点往 2 靠。这特别像人类专家做判断——把模糊判断变成了机器可以直接使用的数字。

3. 第三招：Yes / No

比如问：“这个客户是不是在要求退款？”

Jev 直接给程序一个概率：0.99（99% 的可能性是）。

于是你的程序直接可以写：

1
2
3

if refund_probability > 0.95:
    process_refund()

它不是另一个 ChatGPT，它更像一个“有常识的 if”。

更有意思的是：一次可以问它一堆

我们用普通大模型有一个习惯：少问一点。因为生成得越多，Token 越多、速度越慢、成本越高。

但 Jev 的思路不太一样。同样是一条客服消息进来，你可以一次性问它：

• • 这个客户应该去哪个部门？
• • 是不是要求退款？
• • 现在有多生气？
• • 要不要马上转人工？
• • 有没有欺诈风险？
• • 是不是高价值客户？

一条普通客服消息进入系统以后，可能一瞬间就被贴上一排标签：

1
2
3
4
5
6

refund = 0.96
angry = 0.82
fraud = 0.03
vip_issue = 0.91
need_human = 0.76

软件突然拥有了一层廉价的判断力。这个变化，比“又发布了一个新模型”重要得多。

“零幻觉”到底是什么意思？

TypeSafe 在介绍 Jev 的时候，用了一个非常吸引眼球的词：Zero Hallucinations（零幻觉）。

看到这里千万不要理解成“Jev 永远不会判断错”。

这里的“零幻觉”指的是：它不会跳出你规定好的答案空间。

比如我们规定答案只能是 A、B、C。普通大模型可能突然给你来一个没定义的 D，或者开始写 500 字小作文；而 Jev 只会在 A、B、C 里面选。

正因如此，所谓的置信度（Confidence）才有意义。我们完全可以设计这样的自动化逻辑：

• • 置信度 > 0.95 自动执行
• • 置信度 0.70 ～ 0.95 再检查一次
• • 置信度 < 0.70 交给人

接下来才是最夸张的地方：便宜

按照 TypeSafe 目前公布的价格：

• • 10 亿输入 Token：42 美元
• • 100 万 Token：折合约 0.042 美元
• • 速度与成本：在部分测试任务上，相比传统 LLM 最高做到约 193.6 倍速度提升，444.6 倍成本下降。

如果一次“AI 判断”的价格便宜到几乎可以忽略，AI 的调用量可能会爆发出 100 倍甚至 1000 倍 的增长。从前一个订单调用一次 AI，以后订单的几十个环节都可以顺手判断一下。

为什么它偏偏叫 Jev？

Jev 来自经济学家 William Stanley Jevons 提出的 Jevons Paradox（杰文斯悖论）。

杰文斯悖论： 工业革命时期蒸汽机越来越省煤，但煤的总消耗量反而暴涨。因为效率变高、成本变低后，原本舍不得用蒸汽机的地方全开始用了。

TypeSafe 押注的就是同一件事情：当“智能判断”的成本接近于零时，我们不会少用 AI，而是会将 AI 塞进以前根本舍不得用的每一个角落。

• • 客服消息  判断一下
• • 邮件 / 订单  判断一下
• • 数据库数据  判断一下
• • Agent 每一步操作前  判断一下

写在最后

如果今天这篇文章你只记住一句话，那就记住这句：

ChatGPT 给了计算机一张嘴，Jev 想给计算机一种判断力。

过去的软件只能执行确定规则：

1
2
3

if amount > 10000:
    ...

Jev 想让我们写的是：

1
2
3
4
5

if 这个客户快要流失了
if 这封邮件很像诈骗
if 这个操作可能有危险
if 这个 Agent 不应该继续执行

如果“人的判断力”第一次变成一种足够便宜、足够快、可以被程序随时调用的基础能力，会出现什么新的软件？这才是 Jev 带给开发者最大的想象空间。

我是 Python大大。下一篇我们继续拆：到底能拿 Jev 来做什么？有哪些以前做不了的产品，现在值得重新做一遍？