一個 AI 在夢裡進化，一個 AI 用直覺秒判。當探索成本被壓到百分之一，效率本身會不會成為新的智能維度？

2026年9月，兩個看似不相關的AI模型在同一周引爆技術圈。一個叫JEV，來自前OpenAI研究員Diogo Almeida創辦的TypeSafe AI；另一個名為Dream RSI，出自Google DeepMind。它們分別代表AI進化的兩條路徑——一個追求更快地判斷，一個追求更聰明地探索。

JEV不聊天 只快速決斷

ChatGPT判斷一條新聞對某股票是利好還是利空，做法是逐字生成一串文字，再從中解析答案。JEV把這一步徹底砍掉了——它不生成文本、不聊天、不寫代碼，只做一件事：給定一個狀態，直接輸出結構化判斷及對應概率。TypeSafe AI稱之為「System One模型」。

JEV端到端延遲僅70到500毫秒，與對照大模型相比，速度快最高193.6倍，輸入價格每百萬Token僅0.042美元。技術突破在於架構設計：傳統大模型逐字生成答案時，瓶頸不在計算速度，而在數據搬運；JEV一次性處理狀態，多個問題共享同一份快取，直接輸出概率。

它支援3種問法——選擇題、打分題、判斷題，答案空間本身就是模型計算圖的一部分。對高頻交易、鏈上代理、客服工單分類這類需要毫秒級結構化決策的場景，JEV提供了零幻覺、零文本解析成本的方案。創始人Almeida稱，企業真正需要的不是一段文字，而是「是否緊急」、「繼續還是停止」、「允許還是攔截」這類可執行判斷。

不過，JEV在交易中的實戰表現並不理想。有測試顯示，BTC/USD回測的holdout AUC僅0.471至0.503，等同隨機猜測；NQ訂單簿模型中339次決策命中率67.8%，扣除手續費後仍淨虧損62.69美元。問題不在JEV本身，而在使用者把它放在交易系統中錯誤的位置——JEV的價值在於作為「紀律化的推理層」，接收可信的狀態描述，做出一致的分類選擇，而不是被當作完整的量化交易模型。

DreamRSI「夢中進化」

Dream RSI解決的是另一個根本瓶頸：探索成本。自我改進是AI領域的聖杯之一，但每調整一次探索策略，就要把整輪實驗重新跑一遍，算力賬單先漲。Google DeepMind的解法是讓AI先在「夢裡」試：把過去真實執行的實驗紀錄變成一棵結構化的「發現樹」，包含代碼、評分、崩潰結果等完整訊息，AI可以在已有的歷史中回放不同探索策略，毋須重新調用模型或評估器。

實際測試中，Dream RSI讓Gemini 3.1 Pro在統計計算任務上的嘗試次數從550次降至317次；在GPU內核工程任務，僅需其他方法不到一半的生成次數即可達到同等成果；在演算法優化任務，主流進化搜尋系統需運行51200代，Dream RSI僅調用317次便達到同等水平。

核心洞察在於，發現樹的價值不在於記錄了什麼結果，而在於它是一張可反覆使用的「地圖」——真實探索為夢提供素材，夢又幫助AI調整下一次探索的方法。更重要的是，Dream RSI不改變底層模型權重，它是一套框架，可疊加在任何基礎模型之上。當探索成本被壓縮到原來的百分之一，AI自我改進的速度將不再受制於算力預算。

兩者的結合場景令人憧憬：一個使用Dream RSI進行高效策略探索的系統，讓演化出的最優策略被部署為JEV進行毫秒級執行——探索端用夢境壓縮成本，執行端用直覺提速。

極致壓縮 VS 夢境探索

JEV和Dream RSI表面上解決完全不同的問題：一個是推理端的極致壓縮，一個是訓練端的探索效率，但它們共同指向一個趨勢——AI正在從「更大的模型」轉向「更聰明的系統」。

兩者的出現，標誌着AI業真正在「追求通用智能」的單一敘事中分化。不是所有AI都需要會聊天、會寫作、會推理；有些AI只需要在正確的時刻做出正確的判斷，另一些則需要在無人監督下，用最低成本探索最優策略。當JEV用70毫秒完成一次買賣判斷，Dream RSI以317次調用替代51200代搜索——效率本身，正在成為新的智能維度。

原文請按這裡

曾啟邦 (Rex)
作者為 AlgoBot聯合創辦人