AI助手给自己招了个快脑,专做选择题0.1秒一个

AI 助手以后可能由两种脑子搭起来：一个会聊天的慢脑，加一群只做选择题、0.1 秒一个的快脑。

你有没有注意过，客服主管每天最耗神的，其实不是回答问题。

是消息一涌进来，先得在脑子里过三连：这事儿归哪个部门？急不急？这位用户是随口一问，还是已经火了？一家稍大的公司，这样的判断每天要重复几千次，判错一个，一封投诉信就在部门之间踢三天皮球，用户从有点烦变成要退款。这种困境也不止客服一家，医院的导诊台、政务的热线、电商的售后，凡是要先把人接住、再分对地方的岗位，都被同一件事磨着。

这两年 AI 都能写方案、做表格了，主管们把分诊活儿交给它，效果却不太对。它能给你分析一大段，慢、贵，偶尔还一本正经地冒出一个根本不存在的第四个部门。让一个什么都能聊的大模型去做选择题，多少有点像请大学教授来门口站岗，不是不行，是又慢又浪费。

10 月6 日，亚马逊云的 Strands 团队把一个新东西开源了，名字叫 Strands Decider。

它不聊天、不写文章，是一个只做选择题的决策模型，团队给它起了个外号叫一号系统模型。这个外号借的是心理学里的说法：人脑里有一套快直觉，听到二加二脱口而出四，不用费力；另一套慢思考，才算复杂的账。他们想让 AI 也有一个专门管快判断的部件。

它有多大？约 20 亿个参数。参数你可以理解成模型脑子里旋钮的数量，如今能聊天的大模型，普遍是它的几百倍体量。这个品类的开创者另有其人，本月早些时候，一家叫 TypeSafe 的公司先放出一个叫 Jev 的模型，专做这类判断，让不少人第一次意识到这是个空缺。同一周，OpenAI 也把自己的决策接口放进公测，官方文档写明，这类判断比常规接口快约 10 倍。一个开源、一个商用，同一件事几家一起动手，方向就很清楚了。项目主页和代码都公开在网上，谁都能免费用、随便改，拿去做生意也不用交钱。

它是怎么把一个聊天模型变成选择题专员的？拆开看就两步。

第一步，团队先拿来一个现成的 20 亿小模型，来自阿里通义千问的开源小模型，把它往外蹦字的那张嘴整个卸掉。没了这个部件，它从此一个字都写不出来，自然也不会编话。

第二步，给它换上一个很小的指认器，体量只有约 100 万个旋钮，占整个模型的零头。题目把选项一条条摆好，它把整道题扫视一遍，直接指出最可能的那个，全程只过一次脑子，不用一个字一个字往外憋。

这有点像考试。写命题作文，得一字一句地写，写错了还得涂改；涂答题卡，选项都印好了，你一眼看完题、直接涂格，又快，又不可能写出格。

它到底好不好用，项目文档里给了一套实测。

有一道演示题，输入是用户的一句话，说自己的打款连续失败三天了。它一次给出三个判断：该归结算团队，把握八成九；确实紧急，把握八成七；用户的状态是沮丧，而不是平静或者已经崩溃。三个判断，同一段话只读了一遍。为什么一次问三个还这么便宜？它读懂一段话和回答问题是两笔功夫，读懂只花一次，后面每多问一个问题，只多添问题本身那几个字，几乎等于白送。

团队还举了个天气的例子。AI 助手想调用查天气的工具前，先过两个是非题：知道是哪个城市吗？不知道就先开口问人，而不是随手猜一个城市，把错天气发出去。

一套第三方出的决策考卷共 231 道题，它答对了 176 道，约七成六。拆开看更说明问题，简单题全对，中等题对九成三，真正绕的难题对五成五。

速度单独算一笔。一张游戏显卡上，一个判断中位耗时约 0.1 秒；换成 M3 芯片的苹果笔记本，约 0.15 秒。题目越长越慢，时间几乎是一条直线，不会突然卡住。

它还有个特别的本事，给每个判断都配了一个把握分。文档里写明，凡是它报出九成以上把握的答案，大约 95% 时候真是对的；把握不够的，就该交给人再看一眼。

它也不是一次就做成的。团队把十几个版本的成绩都留着，准确率一路往上，靠谱程度也跟着变好，今天这个版本背后是二十一轮打磨。

那这事跟不写代码的你有什么关系？

你以后用到的 AI 助手，很可能由一套分工来完成：需要聊天、解释、拿大主意，找那个会思考的慢脑；遇到归类、分诊、检查这种重复了一万遍的小事，交给快脑，0.1 秒一个，成本几乎可以忽略。

人干什么？干它没把握的事，干要签字、要担责任的事。

当然也别神化它。想让它陪你聊、帮你写、处理从没见过的复杂局面，它一个字都吐不出来，还得请大模型上场；难题上五成五的正确率，也意味着不能闭着眼信。

以后你再挑这类 AI 工具，不妨多问一句：那些重复的小判断，它是让大模型硬做，还是背后另有一个快脑？前者又慢又贵，后者才真正用得起、铺得开。

我自己最直接的感受是，比起变得更聪明，AI 更该做的是把那些不值得动用聪明的小事，悄悄接过去。

让快的归快，慢的归慢，把拿主意的时间和担责任的位置，一起留给人。