Jev与Decitron：决策AI路线之争

最近，一个叫Jev的新模型突然火了。它来自TypeSafe AI，这支有OpenAI背景的团队没有继续卷生成和推理，而是换了个方向：让AI直接做判断。口号是：Decisions, not strings（要决策，不要文本）。Jev的走红，也让“Decision”重新成为AI圈热门词。

但这条趋势并非今天才出现。今年6月，中科闻歌发布了通用决策大模型Decitron决策机，尝试将世界模型、多智能体推演、博弈与求解纳入统一的决策框架。

同样讲“决策AI”，Jev和Decitron并不是一回事。Jev把决策做成瞬时判断，Decitron则把决策变成一场对未来的推演。一个解决“此刻选什么”，一个解决“选完之后，接下来会发生什么”。

乍看之下，两者差得很远。Jev强调快速判断，主要服务软件和Agent；Decitron强调复杂世界推演，面向战略、产业和复杂系统决策。但拉远看，它们在做同一件事：重新思考AI的输出能不能不止是一段文本。

过去大模型默认输出一串文字，由人或程序决定下一步。Jev对此非常直接：不要文本，要决策。它把AI输出变成Choice、Score、Probability，这些软件可直接执行的结果。Decitron则关注把现实世界拆成状态、主体、行动和结果，再通过多智能体推演、博弈和求解，比较不同路径。

两者第一个共同点是：都在尝试让AI的输出从“生成内容”走向“支持判断和行动”。第二个共同点是：都强调不确定性要被显式量化。Jev告诉系统：我选择A，但把握只有72%。Decitron关注的则是不同主体、行动和环境变化下，未来可能沿哪些路径演化。一个量化当前判断的不确定性，一个处理未来演化的不确定性。背后思想一致：AI不能只给结论，还要告诉你这个结论有多可信。

更重要的是，它们都在尝试把“决策”变成一种独立的AI计算范式。Jev的逻辑是：输入状态→输出判断；Decitron的逻辑是：输入现实→建模世界→模拟行动→推演结果→比较策略。一个把决策压缩到极短时间内，一个把决策展开成多个未来世界。

Jev要解决的是必须马上给出答案的判断题：A还是B？风险多高？要不要转人工？下一步走哪条流程？比如客服系统收到“我的信用卡重复扣款了”，传统大模型可能先生成分析，而Jev更希望直接输出：Billing：96%；Fraud：3%；Other：1%，然后程序马上进入下一步。从工程角度看，Jev把传统软件里的if/else升级成了AI版if/else。过去程序员需要提前写死：如果A发生，就执行B。现在可以变成：如果AI判断A发生的概率超过80%，就执行B。这决定了Jev最核心的目标：快、便宜、稳定、可直接嵌入软件。

但有些决策根本不是选择题。一家企业要不要扩产？如果扩产，竞争对手会不会降价？如果竞争对手降价，市场格局会不会变化？如果同时遇到政策、原材料和需求变化，原来的选择还成立吗？到这里，“A还是B”已经不够用了。因为在真实世界中：你的选择会改变世界；世界改变以后，别人也会重新选择。这正是Decitron试图解决的问题。它不是只看“当前选什么”，而是进一步建模：State→Action→Outcome。决策不再是一个点，而是一条不断生长的时间线。因此，Decitron引入世界模型、多智能体推演、博弈和求解。世界模型负责搭“沙盘”；多智能体负责把不同参与者放进去；博弈和求解负责计算不同选择可能把世界推向哪里。

真正的分水岭在于两者对“决策”的不同理解：Jev把决策做成当下的一次判断，Decitron把决策展开成对未来的一场推演。

Jev为什么偏偏在这个时候火了？因为AI行业正在显现出一种趋势：生成式AI解决“怎么回答”，决策AI开始解决“怎么选择”。今年6月，中科闻歌发布Decitron，把“通用决策大模型”正式推到台前；几个月后，Jev又以“Decisions, not strings”迅速受到关注。Jev把“判断”做得更快、足够便宜，让它进入软件和Agent的日常流程；Decitron则瞄准更复杂的决策问题，通过世界建模、多智能体推演和求解，比较不同选择可能带来的结果。一个处理“现在怎么选”，一个处理“选完之后会怎样”。

但两者放在一起，至少说明了一件事：当“会生成”逐渐成为AI的基础能力，行业开始把注意力投向“会不会决策”。下一场较量，也许不只在“会不会说”，而在世界不断变化时，AI到底“会不会选”。