这几天，AI 开发者的时间线上频繁出现一个新名字：Jev。
有人用它给论文分类，有人用它挑选 Agent 该调用的工具，还有人把它接进无人机模拟器，让无人机选择绕过障碍的动作。OpenRouter、Cloudflare 等平台也接入了这个新模型，围绕 Jev 的应用演示接连出现。
如果 JEV 让 AI 做决定变得更快、更便宜，哪些美股公司有机会从中受益？
理解投资逻辑之前，先要弄清楚 Jev 究竟是什么。
做选择题
Jev 是 TypeSafe AI 在 9 月 15 日推出的决策模型。公司把它所属的类别称为 System One，也就是「系统一」，借用了行为经济学开山之作《思考，快与慢》中快速判断的概念。它能理解文字描述，主要输出选项、评分和概率，供软件继续处理。
举个例子。一家网店收到消息：「我昨天买了一个杯子，好像被扣了两次钱，能不能查一下？」
系统有好几个小问题要解决：这件事归售后还是财务？用户是在查询账单还是要求退款？已有记录是否显示重复扣款？
开发者可以事先规定选项，让 Jev 分别回答。随后，程序核对订单和支付记录，进入相应的处理流程；需要给顾客解释时，再交给擅长表达的模型。
这就是 Jev 的基本用法：给它情况，规定问题，让它做选择。
通用大模型同样能完成这些任务。Jev 的吸引力在于专门优化分类、评分和选择，减少为一个小判断付出的时间和费用。它把结果直接交给程序，省去了生成一段解释的过程。
再做延伸，你每天收到上千条行业消息，真正值得细读的只有几十条。可以先让 Jev 判断每条消息是否涉及你关心的公司、是否包含新信息，再让通用模型总结筛出的内容。这样，通用模型只处理值得深入阅读的部分，大量简单判断交给成本更低的 Jev。
类似的尝试已经延伸到浏览器操作、搜索和游戏等场景。动察 Beating 的 Jev 专题 按用途整理了这些项目，介绍 Jev 在其中负责哪些判断，并附上了源码和部分演示入口。对照具体案例，更容易理解这种「做选择题」的能力可以用在哪里。
成本砍到最低
按 TypeSafe 公布的价格，Jev 每百万输入 token 收费 0.042 美元，输出免费。
成本降低的意义在于，一些原本只能抽查的工作，有能力进行逐条检查。客服记录可以逐条分类，检索出来的资料可以逐条判断相关性，智能体每次调用工具前也可以多做一次筛选。
例如，一套新闻分析程序过去每天只挑出最热门的文章交给 AI，现在可以先检查全部文章，再按公司、产品、订单和人事变动分类。那些热度不高、却与某家重要企业直接相关的信息，也有机会被找出来。
Jev 的命名取自经济学家杰文斯，他最知名的成就是提出了「杰文斯悖论」。开发者希望判断变得便宜之后，软件会更频繁地使用它。过去不值得单独调用一次大模型的地方，都可以重新算一遍成本账。
Jev 与物理设备
开发者 Roman Slack 做了一个无人机项目：在 MuJoCo 物理模拟器中，一架四旋翼无人机追踪前方目标，沿途穿过立柱、横梁和移动障碍。
程序先把摄像头获得的深度、分割信息整理成数据，告诉 Jev 前方是否被挡住、左右哪边有空隙、障碍物有多高。Jev 再从保持航向、向左绕、向右绕、爬升、刹车等动作中选择。
比如，一根横梁挡住了整条通道，左右都绕不过去，但上方还有空间。Jev 可以选择爬升，控制程序再把这个选择转成无人机的运动指令。
飞行过程中不同模块各司其职。Jev 判断该往哪里走，控制程序负责保持平衡、调整电机推力和紧急避障。摄像头提供环境信息，决策模型选择动作，控制器让动作发生。
同样的分工也可以用机械臂抓杯子来理解。摄像头识别杯子的位置，传感器测量距离和受力，控制器调节手指动作，决策模型参与判断先拿哪个杯子、遇到障碍后怎么办。
如果这类判断变得便宜、容易接入，开发自动化设备的成本就有机会下降。过去因为软件开发太贵、使用场景太小而不划算的设备，也会有新的商业空间。
这就把 Jev 与一些公司联系了起来。更多设备进入工厂、仓库和家庭，意味着更多感知、供电、计算和运动控制的需求。
哪些标的可能受益
沿着这条思路看，值得关注的是设备从感知环境到执行动作所需要的器件。无论软件选择怎样的模型，一台机器人都需要知道自己在哪里、周围有什么，并把电力转化成准确的动作。
德州仪器 (TXN)，覆盖感知和执行的配套
模拟芯片负责处理电压、电流等连续变化的信号，也承担供电和驱动任务。TXN 的机器人产品覆盖信号采集、电机控制、电源及嵌入式处理。
机器人决定抬手之后，电流怎么送到电机、力度如何控制，都需要这些器件。更便宜的自动化如果带来更多机器人、机械臂和智能设备，TXN 就有机会向这些设备出售更多配套芯片。
亚德诺 (ADI)，对应更精确的感知和运动。
ADI 的机器人方案涉及惯性传感、相机连接、工业通信和运动控制接口。比如仓库机器人进入光线不好的通道，需要结合惯性信息判断自身运动；多个摄像头和传感器同时工作，还需要把数据同步送到处理器。
设备承担的工作越复杂，对感知精度、连接稳定性和运动控制的要求就越高。ADI 的受益逻辑，是在更多自主设备中提供这些配套。
意法半导体 (STM)，对应低功耗设备上的 AI。
所谓边缘 AI，就是让设备在本地处理一部分数据。STM 的 STM32N6 微控制器已经集成用于神经网络计算的加速器，面向对成本、功耗敏感的视觉、声音等应用。
例如，一台小型摄像设备可以在本地识别物体，一台工业设备可以根据声音判断运转是否异常。围绕 Jev 的讨论，把投资者的注意力引向了这类用途：大量简单、重复的智能任务，有机会进入价格更低、体积更小的设备。STM 提供的正是这类设备需要的处理能力。
安森美 (ON)，对应视觉和功率器件。
ON 为机器人提供的产品包括图像传感器、深度传感器，以及功率晶体管和电机驱动芯片。前两类负责采集画面和距离数据，后两类配合控制电机所需的电流。
以仓库搬运机器人为例，摄像头里的图像传感器采集前方货架的画面，深度传感器测量与障碍物的距离，电机驱动芯片配合功率晶体管控制电流，让车轮转动。更多机器人和智能摄像设备投入使用，就有机会增加这些传感器和芯片的需求。
这四家公司之外，还有三家可以放进观察名单。
恩智浦 (NXPI)
相关业务：i.MX 处理器、微控制器、连接和控制产品
受益逻辑：为更多机器人和工业设备提供计算、通信与控制能力
高通 (QCOM)
相关业务：面向机器人、无人机和设备端 AI 的 Dragonwing 平台
受益逻辑：承接设备本地处理视觉、计算和连接任务的需求
Cloudflare(NET)
相关业务：提供 Jev 第三方模型的接入与调用
受益逻辑：开发者把 Jev 用于客服分流、资料筛选和智能体调度时，还需要部署应用、连接数据、管理调用。Cloudflare 的机会，是让这些应用留在自己的平台上运行。
尚属早期
Jev 当前仍有待解决的问题，包括判断准确性、问题设计，以及服务能否支撑长期运行的业务。
首先，对 Jev「零幻觉」的宣传容易让人误解。规定它只能在 A、B、C 中选择，可以避免它返回一个程序不认识的 D，但它仍然会选错。放回客服的例子，程序能顺利读出「交给财务」，并不代表这张工单真的应该由财务处理。
有开发者用 Jev 测试了八类任务、完成了 16,000 次判断，他认可 Jev 的速度和成本优势，同时发现问题和选项还需要进一步调整，才能覆盖实际情况。他也希望等供应商积累更多运营经验、市场出现替代方案后，再接入生产业务。
Jev 能承担多少工作目前尚不可知，但一种趋势已经显现：把大量重复判断交给 JEV，把复杂任务留给通用模型。
当自动化的开发和使用成本下降，模拟芯片、边缘 AI 和自主设备，会迎来自己的 ChatGPT 时刻吗？
