1.2 两个名字的深意：Jevons 悖论与系统一
1.2 两个名字的深意：Jevons 悖论与系统一
本节摘要：Jev 这个名字来自 19 世纪经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）——他发现了"Jevons 悖论"：蒸汽机效率越高、煤越便宜，煤的消耗总量反而越大。TypeSafe 的类比：智能单价下降几个数量级后，智能的消费方式会彻底改变——你会把它塞进以前根本不敢用模型的地方。"System One"则来自卡尼曼《思考，快与慢》的系统一/系统二：LLM 生成像系统二（慢、串行、按需启用），Jev 要做机器的系统一（快、并行、随时在线）。两个名字合起来就是产品战略：把判断做到足够便宜和足够快，让"每条日志都过一遍模型"从疯狂变成默认。
学习目标
阅读完本节，你应当能够：
- 讲出 Jevons 悖论的内容以及它与 Jev 的对应关系。
- 用系统一/系统二框架解释 Jev 与 LLM 的分工。
- 举出"智能降价解锁新场景"的一两个例子。
一、Jev：Jevons 悖论——便宜改变用法
19 世纪，瓦特改良蒸汽机后煤的使用效率大幅提升，按直觉煤的消耗应该下降；经济学家 William Stanley Jevons 却在《煤炭问题》中指出：效率越高、单价越低，使用范围越广、总量消耗反而越大——这就是 Jevons 悖论。
TypeSafe 用 Jevons 给模型命名，寓意直白：
当一次语义判断从"3 秒、几分钱"降到"100 毫秒、0.001 美分"，判断的用法会发生变化——
| 智能昂贵时（LLM 兜圈子） | 智能廉价时（Jev） |
|---|---|
| 一个功能里用一次，兜底大判断 | 每条日志、每个事件、每次工具调用都过一遍 |
| 能不用就不用 | 能用就用，反正都问了，答案留着总有用 |
| 人工审核抽样 | 全量自动审核 + 抽样人工复核 |
官方演示里有两个直观的例子：用 Jev 给 1,018 篇论文逐篇打标，总成本约 $0.08；跑一个每秒查询 10 次的 Doom 游戏机器人，约 $7/小时。这种用量在 LLM 时代的账面上是不可想象的。
二、System One：卡尼曼的快与慢
心理学家卡尼曼在《思考，快与慢》中把人的思维分成两套：
| 系统一 | 系统二 | |
|---|---|---|
| 特点 | 快、直觉、廉价、随时在线 | 慢、推理、昂贵、按需启用 |
| 例 | 一眼看出对方生气了 | 算一道 17 × 24 |
| 失效方式 | 看走眼，但知道不确定 | 太贵，不能一直开着 |
对应到模型：
- LLM 生成 = 系统二：逐 token 串行采样，慢（秒级到分钟级）、贵，适合真正的生成与推理任务。
- Jev = 系统一：对一组预设问题并行求值，一次返回全部答案，快（70~500ms）、廉价，适合高频的直觉判断；它"看不准"的时候返回接近 0.5 的概率，而不是硬编一段话。
这个分工也预告了两者在架构里的关系——不是替代，是搭配（第 2.3 节展开）：Agent 里常见的做法是 Jev 做门控、路由、护栏（系统一），LLM 做生成与多步推理（系统二）。
💡 为什么"并行"是本质区别：LLM 的输出是串行链条——第 N 个 token 依赖前 N−1 个；Jev 对 K 个问题的答案是同时算出来的，所以"多问一个问题"几乎不增加延迟（第 5.1 节的扇出经济学由此而来）。
三、两个名字合起来的产品战略
Jevons 悖论 + 卡尼曼系统一 （把判断的价格降一个 （把判断做成快、并行、 数量级，用量会暴涨） 随时在线的原语） │ ▼ Jev：软件的"直觉器官"—— 每一个 if 都可以拥有理解语义的能力
理解了这两个名字，就理解了 Jev 的设计取舍：它不做数学、不做推理、不生成文本（第 10 章的无能区清单），因为那些是系统二的活——它要把"快、便宜、带概率"这三件事做到极致。
本节要点回顾
- Jevons 悖论：效率提升→单价下降→用量暴涨；Jev 的名字寓意"智能降价解锁新用法"。
- 系统一/系统二：LLM 是慢而贵的系统二；Jev 是快、并行、廉价的系统一；不确定时返回 0.5 而非硬编。
- 战略：把判断做成足够便宜快的原语，让"每个 if 都有直觉"成为默认。
战略讲完了，还要落到实处：今天软件里那些"靠语义判断"的地方，现状是怎么解决的？它们的困境，就是 Jev 的机会——下一节盘点三种"笨办法"。