這幾天，AI 開發者的時間線上頻繁出現一個新名字：Jev。

有人用它給論文分類，有人用它挑選 Agent 該調用的工具，還有人把它接進無人機模擬器，讓無人機選擇繞過障礙的動作。OpenRouter、Cloudflare 等平台也接入了這個新模型，圍繞 Jev 的應用演示接連出現。

如果 JEV 讓 AI 做決定變得更快、更便宜，哪些美股公司有機會從中受益？

理解投資邏輯之前，先要弄清楚 Jev 究竟是什麼。

做選擇題

Jev 是 TypeSafe AI 在 9 月 15 日推出的決策模型。公司把它所屬的類別稱為 System One，也就是「系統一」，借用了行為經濟學開山之作《思考，快與慢》中快速判斷的概念。它能理解文字描述，主要輸出選項、評分和機率，供軟體繼續處理。

舉個例子。一家網店收到訊息：「我昨天買了一個杯子，好像被扣了兩次錢，能不能查一下？」

系統有好幾個小問題要解決：這件事歸售後還是財務？用戶是在查詢帳單還是要求退款？已有記錄是否顯示重複扣款？

開發者可以事先規定選項，讓 Jev 分別回答。隨後，程式核對訂單和支付記錄，進入相應的處理流程；需要給顧客解釋時，再交給擅長表達的模型。

這就是 Jev 的基本用法：給它情況，規定問題，讓它做選擇。

通用大模型同樣能完成這些任務。Jev 的吸引力在於專門優化分類、評分和選擇，減少為一個小判斷付出的時間和費用。它把結果直接交給程式，省去了生成一段解釋的過程。

再做延伸，你每天收到上千條行業訊息，真正值得細讀的只有幾十條。可以先讓 Jev 判斷每條訊息是否涉及你關心的公司、是否包含新資訊，再讓通用模型總結篩出的內容。這樣，通用模型只處理值得深入閱讀的部分，大量簡單判斷交給成本更低的 Jev。

類似的嘗試已經延伸到瀏覽器操作、搜尋和遊戲等場景。動察 Beating 的 Jev 專題 按用途整理了這些項目，介紹 Jev 在其中負責哪些判斷，並附上了源碼和部分演示入口。對照具體案例，更容易理解這種「做選擇題」的能力可以用在哪裡。

成本砍到最低

按 TypeSafe 公佈的價格，Jev 每百萬輸入 token 收費 0.042 美元，輸出免費。

成本降低的意義在於，一些原本只能抽查的工作，有能力進行逐條檢查。客服記錄可以逐條分類，檢索出來的資料可以逐條判斷相關性，智能體每次調用工具前也可以多做一次篩選。

例如，一套新聞分析程序過去每天只挑出最熱門的文章交給 AI，現在可以先檢查全部文章，再按公司、產品、訂單和人事變動分類。那些熱度不高、卻與某家重要企業直接相關的信息，也有機會被找出來。

Jev 的命名取自經濟學家傑文斯，他最知名的成就是提出了「傑文斯悖論」。開發者希望判斷變得便宜之後，軟件會更頻繁地使用它。過去不值得單獨調用一次大模型的地方，都可以重新算一遍成本賬。

Jev 與物理設備

開發者 Roman Slack 做了一個無人機項目：在 MuJoCo 物理模擬器中，一架四旋翼無人機追蹤前方目標，沿途穿過立柱、橫樑和移動障礙。

程序先把攝像頭獲得的深度、分割信息整理成數據，告訴 Jev 前方是否被擋住、左右哪邊有空隙、障礙物有多高。Jev 再從保持航向、向左繞、向右繞、爬升、剎車等動作中選擇。

比如，一根橫樑擋住了整條通道，左右都繞不過去，但上方還有空間。Jev 可以選擇爬升，控制程序再把這個選擇轉成無人機的運動指令。

飛行過程中不同模塊各司其職。Jev 判斷該往哪裡走，控制程序負責保持平衡、調整電機推力和緊急避障。攝像頭提供環境信息，決策模型選擇動作，控制器讓動作發生。

同樣的分工也可以用機械臂抓杯子來理解。攝像頭識別杯子的位置，傳感器測量距離和受力，控制器調節手指動作，決策模型參與判斷先拿哪個杯子、遇到障礙後怎麼辦。

如果這類判斷變得便宜、容易接入，開發自動化設備的成本就有機會下降。過去因為軟件開發太貴、使用場景太小而不划算的設備，也會有新的商業空間。

這就把 Jev 與一些公司聯繫了起來。更多設備進入工廠、倉庫和家庭，意味著更多感知、供電、計算和運動控制的需求。

哪些標的可能受益

沿著這條思路看，值得關注的是設備從感知環境到執行動作所需要的器件。無論軟體選擇怎樣的模型，一台機器人都需要知道自己在哪裡、周圍有什麼，並把電力轉化成準確的動作。

德州儀器 (TXN)，覆蓋感知和執行的配套

類比晶片負責處理電壓、電流等連續變化的訊號，也承擔供電和驅動任務。TXN 的機器人產品覆蓋訊號採集、馬達控制、電源及嵌入式處理。

機器人決定抬手之後，電流怎麼送到馬達、力度如何控制，都需要這些器件。更便宜的自動化如果帶來更多機器人、機械臂和智慧設備，TXN 就有機會向這些設備出售更多配套晶片。

亞德諾 (ADI)，對應更精確的感知和運動。

ADI 的機器人方案涉及慣性感測、相機連接、工業通訊和運動控制介面。比如倉庫機器人進入光線不好的通道，需要結合慣性資訊判斷自身運動；多個攝影機和感測器同時工作，還需要把資料同步送到處理器。

設備承擔的工作越複雜，對感知精度、連接穩定性和運動控制的要求就越高。ADI 的受益邏輯，是在更多自主設備中提供這些配套。

意法半導體 (STM)，對應低功耗設備上的 AI。

所謂邊緣 AI，就是讓設備在本機處理一部分資料。STM 的 STM32N6 微控制器已經整合用於神經網路計算的加速器，面向對成本、功耗敏感的視覺、聲音等應用。

例如，一台小型攝影設備可以在本機識別物體，一台工業設備可以根據聲音判斷運轉是否異常。圍繞 Jev 的討論，把投資者的注意力引向了這類用途：大量簡單、重複的智慧任務，有機會進入價格更低、體積更小的設備。STM 提供的正是這類設備需要的處理能力。

安森美 (ON)，對應視覺和功率器件。

ON 為機器人提供的產品包括圖像傳感器、深度傳感器，以及功率晶體管和電機驅動芯片。前兩類負責採集畫面和距離數據，後兩類配合控制電機所需的電流。

以倉庫搬運機器人為例，攝像頭裡的圖像傳感器採集前方貨架的畫面，深度傳感器測量與障礙物的距離，電機驅動芯片配合功率晶體管控制電流，讓車輪轉動。更多機器人和智能攝像設備投入使用，就有機會增加這些傳感器和芯片的需求。

這四家公司之外，還有三家可以放進觀察名單。

恩智浦 (NXPI)

相關業務：i.MX 處理器、微控制器、連接和控制產品

受益邏輯：為更多機器人和工業設備提供計算、通信與控制能力

高通 (QCOM)

相關業務：面向機器人、無人機和設備端 AI 的 Dragonwing 平台

受益邏輯：承接設備本地處理視覺、計算和連接任務的需求

Cloudflare(NET)

相關業務：提供 Jev 第三方模型的接入與調用

受益邏輯：開發者把 Jev 用於客服分流、資料篩選和智能體調度時，還需要部署應用、連接數據、管理調用。Cloudflare 的機會，是讓這些應用留在自己的平台上運行。

尚屬早期

Jev 當前仍有待解決的問題，包括判斷準確性、問題設計，以及服務能否支撐長期運行的業務。

首先，對 Jev「零幻覺」的宣傳容易讓人誤解。規定它只能在 A、B、C 中選擇，可以避免它返回一個程序不認識的 D，但它仍然會選錯。放回客服的例子，程序能順利讀出「交給財務」，並不代表這張工單真的應該由財務處理。

有開發者用 Jev 測試了八類任務、完成了 16,000 次判斷，他認可 Jev 的速度和成本優勢，同時發現問題和選項還需要進一步調整，才能覆蓋實際情況。他也希望等供應商累積更多營運經驗、市場出現替代方案後，再接入生產業務。

Jev 能承擔多少工作目前尚不可知，但一種趨勢已經顯現：把大量重複判斷交給 JEV，把複雜任務留給通用模型。

當自動化的開發和使用成本下降，模擬晶片、邊緣 AI 和自主設備，會迎來自己的 ChatGPT 時刻嗎？

歡迎加入律動 BlockBeats 官方社群：

Telegram 訂閱群：https://t.me/theblockbeats

Telegram 交流群：https://t.me/BlockBeats_App

Twitter 官方帳號：https://twitter.com/BlockBeatsAsia