Jev vs Decitron：同為決策AI，為什麼不是一回事？
它來自TypeSafe AI。這支有OpenAI背景的團隊沒有繼續卷生成和推理，而是換了個方向：讓AI直接做判斷。他們甚至把口號直接寫成：Decisions, not strings（要決策，不要文本）。Jev的走紅，也讓“Decision”（決策）重新成為AI圈的熱門詞。但如果把時間線往前撥幾個月，會發現這條趨勢並不是今天才出現。在Jev受到關注之前，國內已經出現了一條“決策AI”路線。今年6月，中科聞歌（此前被部分媒體稱為“決策大模型第一股”）發佈了通用決策大模型Decitron決策機，嘗試將世界模型、多智能體推演、博弈與求解納入統一的決策框架。
那麼問題來了：同樣都在講“決策AI”，Jev和Decitron，到底是不是一回事？答案是否定的。Jev和Decitron都在講Decision，但對“決策”這件事的理解並不相同。Jev把決策做成一個瞬時判斷，Decitron則把決策變成一場對未來的推演。一個解決“此刻選什麼”，一個解決“選完之後，接下來會發生什麼”。它們為什麼值得放在一起比？乍看之下，兩者差得很遠。Jev強調快速判斷，主要服務軟件和Agent；Decitron強調複雜世界推演，面向戰略、產業和複雜系統決策。但如果把鏡頭拉遠，會發現它們其實在做同一件事，即都在重新思考：AI的輸出，能不能不止是一段文本？
過去的大模型默認輸出是一串文字。你問一個問題，它生成一個答案，再由人或程序決定下一步怎麼辦。Jev對此非常直接：不要文本，要決策。它把AI輸出變成Choice、Score、Probability，這些軟件可以直接執行的結果。AI不再只是“回答你”，而是開始直接參與程序分支和行動。Decitron則從另一條路線走到了同一個問題。它關注的不是生成一篇“關於未來的分析”，而是把現實世界拆成狀態、主體、行動和結果，再通過多智能體推演、博弈和求解，比較不同路徑。所以，Jev和Decitron第一個真正共同點是：兩者都在嘗試讓AI的輸出從“生成內容”，進一步走向“支持判斷和行動”。
第二個共同點，是兩者都強調不確定性要被顯式量化。Jev告訴系統：我選擇A，但把握只有72%。Decitron關注的則是另一種不確定性：在不同主體、行動和環境變化下，未來可能沿著哪些路徑演化。一個量化的是當前判斷的不確定性，一個處理的是未來演化的不確定性。背後的思想卻是一致的：AI不能只給結論，還要告訴你這個結論有多可信。更重要的是，它們都在嘗試把“決策”變成一種獨立的AI計算範式。Jev的邏輯是：輸入狀態 → 輸出判斷；Decitron的邏輯是：輸入現實 → 建模世界 → 模擬行動 → 推演結果 → 比較策略。一個把決策壓縮到極短時間內，一個把決策展開成多個未來世界。
Jev：把決策壓縮成一次判斷 Jev要解決的，是那些必須馬上給出答案的判斷題：A還是B？風險有多高？要不要轉人工？下一步走哪條流程？比如一個客服系統收到：“我的信用卡重複扣款了。” 傳統大模型可能先生成一段分析。而Jev更希望直接輸出：Billing：96%；Fraud：3%；Other：1%。然後程序馬上進入下一步。所以從工程角度看，Jev幹了一件很有意思的事：它把傳統軟件裡的if/else，升級成了AI版if/else。過去程序員需要提前寫死：如果A發生，就執行B。現在可以變成：如果AI判斷A發生的概率超過80%，就執行B。這也決定了Jev最核心的目標：快、便宜、穩定、可以直接嵌入軟件。
Decitron：把決策展開成一場推演 但有些決策，根本不是一道“選擇題”。一家企業要不要擴產？如果擴產，競爭對手會不會降價？如果競爭對手降價，市場格局會不會變化？如果同時遇到政策、原材料和需求變化，原來的選擇還成立嗎？到了這裡，“A還是B”已經不夠用了。因為在真實世界中：你的選擇，會改變世界；世界改變以後，別人也會重新選擇。這正是Decitron試圖解決的問題。它不是隻看“當前選什麼”，而是進一步建模：State → Action → Outcome。也就是現在世界是什麼狀態？不同參與者採取什麼行動？行動之後，世界會變成什麼樣？然後繼續下一輪。
企業行動，競爭對手回應；競爭對手回應，市場變化；市場變化，各方再重新決策。決策不再是一個點，而是一條不斷生長的時間線。因此，Decitron引入世界模型、多智能體推演、博弈和求解。簡單理解一下，世界模型負責搭“沙盤”；多智能體負責把不同參與者放進去；博弈和求解負責計算不同選擇可能把世界推向哪裡。真正的分水嶺，在於兩者對“決策”的不同理解： Jev把決策做成當下的一次判斷，Decitron把決策展開成對未來的一場推演。從Generation到Decision，AI開始換戰場 Jev為什麼偏偏在這個時候火了？因為AI行業正在顯現出一種趨勢：生成式AI解決“怎麼回答”，決策AI開始解決“怎麼選擇”。
今年6月，中科聞歌發佈Decitron，把“通用決策大模型”正式推到臺前；幾個月後，Jev又以“Decisions, not strings”迅速受到關注。Jev把“判斷”做得更快、足夠便宜，讓它進入軟件和Agent的日常流程；Decitron則瞄準更復雜的決策問題，通過世界建模、多智能體推演和求解，比較不同選擇可能帶來的結果。一個處理“現在怎麼選”，一個處理“選完之後會怎樣”。但兩者放在一起，至少說明了一件事：當“會生成”逐漸成為AI的基礎能力，行業開始把注意力投向“會不會決策”。下一場較量，也許不只在“會不會說”，而在世界不斷變化時，AI到底“會不會選”。
*本文系獲授權刊載，觀點僅為原作者所有。版權所有，未經授權不得以任何形式轉載及使用，違者必究。
Related
相關文章
全新深藍 S07 正式官宣接入豆包大模型，9 月 28 日震撼上市
AI資訊AI新聞資訊正文全新深藍 S07 正式官宣接入豆包大模型，9 月 28 日震撼上市發佈於AI新聞資訊發佈時間 :2026年9月23號 15:50閱讀 :1分鐘汽車智能化的競爭規則正在經歷一場深度的顛覆。深藍汽車董事長鄧承浩於今日正式對外宣佈，全新深藍 S07將全面接入字節跳動旗下的豆包大模型，並同步搭載 AI 激光智駕系統，新車已定於9月28日正式推向市場。在談及智能座艙的發展演變時，鄧承浩指出，過去的汽車座艙競爭主要停留在“堆料”層面，用戶不得不去適應機器繁瑣的交互邏輯。而隨著 AI 大模型的深度上車，車機的核心邏輯將從過去的“功能集合”徹底轉向“意圖理解”，One Agent（單一智能體）正在成為行業大勢所趨。在全新的大模型加持下，用戶未來在車內只需直接表達真實需求，系統便能自動調度各項底層能力來完成服務。為了兼顧響應速度與數據隱私，全新深藍 S07採用了先進的端雲協同模式落地大模型。對於日常的簡單指令，系統能夠在端側實現毫秒級響應，即便在無網的極端場景下也能夠正常使用;而當面對複雜的複合任務時，則會智能調用雲端強大的算力支持，同時確保所有敏感的隱私數據都在本地進行安全處理。在談及為何在眾多大模型中選擇豆包時，鄧承浩表示，深藍此前雖然與華為、DeepSeek 等頭部科技力量有過深度合作，但此次選擇豆包主要是出於生態協同的宏觀考量。他認為，未來的智能座艙體驗上限，在很大程度上取決於背後 AI 生態的厚度。隨著全新深藍 S07確定於9月28日正式上市，這款融合了豆包大模型與 AI 激光智駕的全新車型，將為新能源汽車市場帶來怎樣的新變革，讓我們拭目以待。相關推薦AI會自己返工到達標為止?豆包工作上線目標模式，先給計劃、確認後才幹活9月23日，字節跳動AI辦公助手豆包工作發佈更新：任務模式新增“目標”與“計劃”兩種模式，同步上線任務隊列、Markdown文件編輯和深色
阿里千問發佈 Qwen-Audio-3.1：五款語音模型同發，ASR 價格直降 95%
AI資訊AI新聞資訊正文阿里千問發佈 Qwen-Audio-3.1：五款語音模型同發，ASR 價格直降 95%發佈於AI新聞資訊發佈時間 :2026年9月23號 16:10閱讀 :1分鐘千問當日正式發佈 Qwen-Audio-3.1 系列語音大模型。本次升級不僅對語音識別、語音合成和實時語音交互三大核心模型全面進化，還重磅推出全新的音頻創作模型 Qwen-Audio-3.1-TTS-Next 與音頻理解模型 Qwen-Audio-3.1-ASR-Next。五款新模型同時亮相，形成覆蓋“理解—生成—交互—創作”的完整音頻能力棧。為進一步降低使用門檻，Qwen-Audio 全線語音模型價格均下調，其中 TTS 降約 70%、Realtime 降約 85%、ASR 降幅達 95%。五款模型同發，ASR 價格直降 95%Qwen-Audio-3.1-ASR 是新一代語音識別模型，新增原生轉寫潤色能力，可自動去除語氣詞與重複表達並重組語義；其分角色轉寫能完整呈現“誰在什麼時候說了什麼”，為會議、訪談提供可追溯的結構化記錄。該模型一套支持 30 種語言與 16 種中文方言，支持行業詞與分級熱詞識別，並提供低延遲流式識別，首字響應約 160 毫秒。性能上，其在 KeSpeech 與 WSYue 的 11 個子集平均字錯誤率（CER）4.55%，中文方言內部測試集平均 CER 10.38%，AST 平均語義句準率 82.10%。基於下代架構的 ASR-Next 則把處理對象從“語音中的文字”擴展為“完整音頻信息”，可理解人物情緒、環境聲與機械聲，完成聲音描述、事件定位與音頻問答推理。在分角色 ASR 評測中，其 Flash-Next 與 Flash 版本分別取得五項和三項最優，全面優於此前的 Fun-ASR 級聯繫統。語音合成方面，Qwen-Audio-3.1-TTS 支持多語種及方言合成
AI沒有失控，是硅谷在裝瘋
AI沒有失控，是硅谷在裝瘋硅基降臨2026.09.23 16:08 · 來自海外全文3053字00:00 / 08:36造AI的專家，正在集體高喊：“AI將要殺死全人類。”文 | 硅基降臨過去幾個月，全球科技圈正在上演一場極度荒誕的奇觀。造AI的人，現在比誰都害怕AI。研究員不惜辭職爆料，高管公開預判人類滅絕概率，就連AI 本身，都能條理清晰講出毀滅人類的手段。億萬網民為人類命運惴惴不安，卻很少有人留意時間線。所有末日警報，精準踩在融資、上市、遊說政策的關鍵窗口。真正危險的，到底是AI，還是借末日敘事收割利益的資本？01 硅谷高管集體喊見鬼2026年9月9日，27歲的預訓練研究員雅各布·考克森，把硅谷最大的恐懼捅到了臺前。他曾在OpenAI和Anthropic幹過，卻偏偏在股權變現前兩個月辭職，白白扔掉一大筆錢。他豁出一切只為公開喊話。同行們真心相信AI十年內會殺死所有人，兩家前東家正在拿人類生命下注。辭職帖幾天內被看了超1.7億次。如果普通員工辭職是宣洩，那麼在職核心高管的接盤，直接坐實了危險。考克森發帖後，Anthropic現任對齊科學負責人埃文·胡賓格立刻公開力挺，甚至給出一個精準比例。未來十年內，AI滅絕人類的概率超過10%。一家頭部公司的高管，當眾表達自家研發的技術可能滅絕人類的憂慮。緊接著，連AI自己都開始“認罪”。9月10日，媒體追問ChatGPT、Claude、Gemini和Grok“AI如何滅絕人類”。四家大模型口徑完全一致，認定生物襲擊和網絡攻擊是迫在眉睫的現實威脅。最後，科技霸主們親自把這場恐慌推向了頂峰。9月12日，Anthropic CEO達裡奧·阿莫代伊髮長文《我們必須給前沿減速》，瀏覽量狂飆破6700萬。死對頭OpenAI阿爾特曼秒回“我同意”，馬斯克也迅速跟帖“達裡奧說得對”。平時搶算力、搶人才打破頭的死敵，突然集體承認AI要失控，得主動減速
Qwen新1號位首次亮相，劉大一恆能否頂住壓力？
Qwen新1號位首次亮相，劉大一恆能否頂住壓力？字母AI2026.09.23 16:06 · 來自北京全文4820字00:00 / 13:15林俊暘之後，為何阿里選擇了劉大一恆？文 | 字母AI論國內AI圈誰的壓力最大，梁文鋒、楊植麟、姚順雨、唐傑都是榜上有名，不過從現在開始，劉大一恆身上所揹負的，恐怕也不小。3月4日，隨著林俊暘留下的一句“再見了，我摯愛的Qwen”，Qwen在這半年之間進入了一段沒有1號位的日子。一開始，Qwen1號位是由阿里雲CTO周靖人臨時代管，再往後，通義大模型事業部與未來生活實驗室合併，成立由吳泳銘直接負責的Token Foundry事業部。到了9月22日，杭州雲棲大會的主論壇。阿里巴巴集團CEO吳泳銘演講結束後，2021年入職阿里、在後林俊暘時代負責預訓練、後訓練與編程方向的劉大一恆，以Qwen負責人的身份走上臺前。這也是他第一次作為Qwen新1號位在公眾面前亮相。論開源生態，Qwen依然是全球第一，30億次下載、30萬個衍生模型、460多款開源模型，長期霸榜 Hugging Face。但論模型本身，Qwen並不樂觀。旗艦的Qwen 3.8 Max雖然在Artificial Analysis的Agentic Index上排第一，但是智能指數上只排在了第七位。所以，當劉大一恆今天走上這個舞臺，他講的既是一份路線圖，也是一次表態。在失去靈魂人物之後，國內國外各路競爭對手紛紛追趕之時，Qwen究竟要靠什麼繼續走下去。劉大一恆，頂得住壓力嗎？Qwen的路線圖雲棲大會上，吳泳銘把“機器智能時代”的三大基石定義為AI模型、AI芯片和AI雲，並給出了兩個判斷：未來機器供給的思考總量將達到人類的1000倍以上，而今天這個比例還不到3%；今天的AI Coding就 1882年的電燈，替代的是既有工作，還不足以開創一個時代。同時吳泳銘表示，Qwen團隊正在遞歸式自
端側AI：芯片、模型與終端的隱秘戰爭
端側AI：芯片、模型與終端的隱秘戰爭節點財經2026.09.23 16:06 · 來自山東全文3828字00:00 / 12:09過去三年，雲端證明瞭AI能有多聰明，但最聰明未必與生活場景最接近，接下來端側要證明的，是如何在智能、成本、功耗上把握一個平衡點，讓AI真正成為設備的一部分。文 | 節點財經，作者 | 梁添 過去幾年，AI行業的主流敘事是一場基於Scaling Law的狂熱競賽。數據中心的GPU堆積如山，模型參數輕鬆越過萬億大關，玩家們在算力、數據和算法的牌桌上瘋狂加碼。一個極其現實的問題浮出水面，這些龐然大物，只能運行在數據中心，然而現實生活中，各種終端設備才是最貼近消費者的產品。可惜，算力與應用之間，隔著一道物理鴻溝。好在，一股去中心化的力量蓄勢待發。搭配了終端小模型的AI手機、AI PC、智能汽車、機器人乃至AI眼鏡迎來了集體井噴。面壁智能CEO李大海將2026年定義為端側AI商業化元年。Gartner預計，2026年全球AI PC出貨量將佔PC市場的半壁江山；Counterpoint也預測，具備生成式AI能力的智能手機將在同年拿下45%的全球份額。新的產品分野正在成型，最頂尖的超級大腦依舊坐鎮雲端，而那些高頻、低延遲、與個人隱私深度綁定的任務，正下沉到終端。為什麼模型開始離開雲端？雲端AI與端側AI的區別，簡單概括為外包和內置。大眾熟知的DeepSeek、kimi、ChatGPT，大多發佈的是參數量動輒數千億、上萬億大模型。我們需要付費調用API key，哪怕免費的Chatbot也是模廠把模型封裝為聊天機器人。推理過程並不是在本地完成，而是設備將需求發送至雲端，數據中心的GPU集群完成計算後，再將結果傳回。而端側AI，則小得多，參數量級通常只有幾B，推理過程直接在終端本地離線完成，相當於設備有了一個本地部署的大腦。端側模型雖然沒有云端大模型聰明，但輕量級+
DeepSeek新論文公開Agent訓練！梁文鋒署名
DeepSeek發表新論文，公開了名為DSec的Agent訓練基礎設施細節，該系統每秒可產生5000多個沙盒，每天達300萬個，並採用多層級隔離與鏡像按需加載等技術。論文還揭露了Agent在訓練中自行發現的reward hacking手段，包括覆蓋bash、利用XFS漏洞及網絡掃描等，顯示訓練環境需防範Agent自身。該論文由梁文鋒署名，已於arXiv公開。