龙虾之后看Jev：AI爆款新方向

核心观点与关键数据

• Jevons模型定位：由TypesafeAI发布的决策模型（Systemone），核心功能是输入状态后直接输出类型化判断与概率，而非文本。
• 性能与成本：端到端延迟70-500ms，输入成本约$0.042/百万token，输出免费，单次判断成本低至万分之一美金。
• 技术架构演进：从“LLM+Harness”演进为“LM+GAI+Harness”，Jevons作为“系统1”负责高频判断，LLM作为“系统2”负责复杂分析。
• TIPsave模型元语：提供Choice（选择）、Score（评分）、No（布尔判断）三个元语，通过并行输出机制杜绝自回归解码延迟，规避格式与逻辑错误。

投研应用范式转变

• 应用范式：从“生成研报”转向“构建可审计决策链”，涵盖工具预选、上下文重排、风险门控等高频场景，缓解信息过载并提升筛选效率。
• 高频投研场景应用：处理日内维度的信息流，辅助进行快速决策，包括每日增量信息梳理、盘中轮动监测、关键信息筛选等。

AIAgent发展趋势

• Meta Muse模型趋势：降低使用门槛，自主执行任务，保存用户偏好实现个性化服务，商业化路径包括订阅制、交易抽成、广告变现。
• AIAgent挑战：获取高权限引发安全顾虑，对传统SaaS系统造成冲击。

Jevons模型与传统大语言模型对比

• 差异：Jevons是决策模型，不生成文本，输出带有概率的类型化判断；性能上延迟低、成本低；架构上推动从“LLM+Harness”向“LM+GAI+Harness”演进。
• 影响：在AI架构上推动演进，在投资研究领域应用范式从生成研报转变为构建可审计决策链。

Jevons模型应用细节

• “黑箱”问题：存在“黑箱”属性，直接给出判断结果，中间过程不可见，使用者无需深厚量化背景。
• 判断能力理解：非认知或保证投资有效性，基于统计规律或一般性事实作出概率性评估；直接实现知识单元置信度检验；只回答结构化问题，不进行对话式沟通。

Jevons模型命名与工作原理

• 命名由来：源自经济学家威廉·斯坦利·杰文斯及其“杰文斯悖论”，产品名“System one”代表快速、直觉式判断的“系统1”。
• 工作原理：输入文本日志、工单、行情快照等状态，输入类型化问题，模型直接输出分数和否决概率，被程序化策略引擎和工作流调用。
• 解决信息过载：提供收敛式信号和判断，简化信息处理流程，扮演“商检”角色，帮助用户在海量信息中过滤和减法。

高频A股投研场景应用

• 应用方式：处理日内维度的信息流，辅助快速决策，包括每日增量信息梳理、盘中轮动监测、关键信息筛选等。
• 核心价值：应对右侧行情，利用大模型处理高频场景，本质是信息筛选和精炼过程。

“不会说话的大模型”范式

• 理念：计算机更擅长读取结构化数据，而非像人类一样看图或PDF，因此创造“不会说话”的大模型。
• 产品形态：将AI作为组件隐藏在软件中，进行自动决策，不会聊天、不会写代码，只做判断。

TIPsave模型详解

• 核心功能：将判断功能拆解为Choice（选择）、Score（评分）、No（布尔判断）三个元语，返回概率或分数，而非自由文本。
• API设计：输入状态和类型化问题，输出类型化答案、概率分布及置信度。
• 成本结构：单次判断成本低至万分之一美金，相当于1美元可进行约1,000次判断。
• 与传统大语言模型对比：传统LM输入Prompt输出自由文本，适用于生成、推理和对话；TIPsave输入状态和类型化问题，输出类型化答案，专注于分类、检测、评分和验证，数学上杜绝格式和逻辑错误。

TIPsave模型实现原理

• 并行输出机制：一次性并行输出所有候选选项的概率，无解码循环步骤，输出Token免费。
• RLCD训练方法：名为RLCD（校准决策强化学习）的全新训练方法，核心目标是优化“校准”，即模型判断置信度与正确率的匹配。
• 变革与局限性：智能架构分层，TIPsave是“系统1”，LM是“系统2”，分工而非替代关系；校准不等于完全正确，仍可能产生系统性误判。

AIAgent架构演进

• 传统架构：模型+Harness，模型提供智能，Harness负责状态管理、工具执行等。
• 新架构：在AI循环中将高频、结构化的判断任务拆分为独立决策层，分为决策层、推理层、执行层。
• 分工与控制权：TIPsave负责判断，LM负责推理，Harness负责执行和治理；控制权始终保留在本地Harness手中。

Harness内部高频判断任务

• 五类任务：工具选择预筛选、技能候选筛选、上下文过滤与重排、注入检测与风险控制、Agent轨迹评审。
• 经济学逻辑：遵循“杰文斯悖论”，单次智能判断成本趋近于零时，决策层可转变为常驻组件，使得“处处做判断”经济上可行。

AI在资产管理机构中的功能定位

• 功能定位：以运营型为主导，附加型为补充，直接参与决策的比例仅为5%。
• 投研领域应用：绝大多数集中在辅助性的“查询”与“撰写”工作，未来增长空间在于核心决策链。
• 数据基础：数据护城河与信息的可溯源性是AI投研应用的重要基础。
• 正确定位：AI应是决策链的一环，而非决策本身，其概率分布不能等同于认知性判断。

AI在投研领域的落地场景

• 原则：将高频且边界明确的判断任务交给决策层AI，复杂的推理任务留给大语言模型。
• 具体场景：研报生成与校验、多AI协同分析、策略开发、风控合规。

投研领域AI的“红线”

• 明确红线：避免用于逻辑复杂或充满对抗性的动态任务，尤其在实盘交易环节。
• 反面案例：使用AI抓取中心化交易所盘口数据判断市场涨跌并自动挂单，易被市场博弈误导导致亏损。

AI重塑投研工作流

• 模式转变：从“研究员人工串联多个场景”向“一个AI组织多种能力”转变。
• 决策权归属：核心决策权由人类研究员或投资经理掌握，AI只提供概率或评分。

非技术人员交互方式

• 方法：利用通用大模型（如GPT）作为“翻译器”，将自然语言指令转换成目标AI平台可识别的JSON格式。

大语言模型在投资组合中的应用

• 应用场景：判断、选择、打分三种场景。
• 操作流程：设定背景资料，进行判断、选择、打分，可串联应用形成连续决策辅助流程。

大模型对输入格式的要求

• 要求：语法格式严格，标点符号错误也可能导致程序无法运行。
• 综合决策流程：宏观状态识别、资产吸引力打分研判、配置调整建议、组合水平评估与风险判断。

AI在资产配置领域的应用思路

• 应用思路：不应改变模型配置的基础或进行参数调整，而是作为决策辅助工具。
• 核心价值：产品选择和模型决策的辅助，例如选择ETF产品或决定采用何种资产配置模型。

新型判断性模型的差异与风险

• 差异：高效辅助决策，输出结果服从特定分布，便于拼接其他任务。
• 潜在风险：AI输出的“幻觉”风险、信息来源不可验证风险、策略同质化风险。

未来趋势

• 基础架构：采用“LLM+Harness+Java”模式作为AI应用的基础架构，推动投研场景快速演进。