--- author: 课代表立正 date: '2026-09-25' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=kYuolIPDeRQ speaker: 课代表立正 tags: - technology-evaluation - hype-cycle - narrative-framing - local-models - model-evaluation title: 拆解AI概念炒作：从Jev看技术伪范式与五层判断法则 summary: 本期内容以近期受到过度关注的Jev为例，深入剖析了AI领域常见概念炒作背后的生成机制。演讲者系统提出了判断新技术的五层叙事模型，指出过度炒作往往源于错误的对标参照物与大众脑补。通过将其与本地小模型及传统分类方法对比，论证了Jev并非真正的技术范式革新，并分享了在企业与工程实践中识别真伪范式、构建实质替代方案的实践方法。 insight: '' draft: true series: '' category: tech-trends area: tech-engineering project: [] people: [] companies_orgs: - Anthropic - OpenAI - Google products_models: - Claude Code - GPT-4 - Jev - OpenCode media_books: [] status: evergreen --- ### 破除技术迷雾：识别泡沫与真范式的判断法则 今天我们来讲清楚为什么 **Jev** 不值得那么关注，以及更重要的问题——每当出现这样一个新技术的时候，我们究竟应该怎么判断它到底是下一个值得关注和重点投入的技术范式，还是只不过是一个泡沫，或者说只是一个过度热议的 **hype**（炒作，过度热议）。 如果大家回忆一下过去两三年的发展历程，AI 圈层里涌现出了各种各样层出不穷的概念。比如上一个小龙虾，以及更早之前的 **MCP**（Model Context Protocol: 模型上下文协议）、**RAG**（Retrieval-Augmented Generation: 检索增强生成）、**LangChain**（大语言模型应用开发编排框架）、**fine-tune**（微调: 在预训练模型基础上调整特定领域参数）等等。所有这些概念在刚冒头、得到无数媒体关注和大佬站台背书的时候，我们都是带着明确的时间戳，旗帜鲜明地在第一时间直接提出反对意见。当时有很多人到处宣扬这些东西有多么重要，但我们断定它们绝大多数一定会迅速降温甚至沉寂，根本不值得大家耗费过多的精力和时间去跟风投入。 与此相对的是，像 **Agent**（智能体: 能自主感知环境、规划并调用工具执行任务的AI系统）、**Claude Code**（Anthropic推出的命令行代码智能代理系统）以及 **Skill** 这样的技术范式，我们在最早期阶段就呼吁大家一定要紧密关注，因为它们切切实实代表了底层的范式变革。例如在 2025 年 2 月份，当时连 Anthropic 内部都还没有将主要注意力分配到 Claude Code 上，整个业界的注意力几乎全部集中在 Claude 3.7 模型本身，而我们就在那个节点跟所有人明确指出，Claude Code 是一个非常关键、值得全力以赴跟进的技术范式。随后的发展大家也都亲眼看到了，大概过了半年左右，整个行业开始疯狂追捧 Claude Code，许多自媒体博主也因为跟进讲解 Claude Code 而迅速蹿红。 如果你一直关注我们的系列文章和技术社区，就会发现你其实早就看清了这一趋势。你既不会在错误的技术演进方向上平白浪费宝贵的时间与注意力，也能在真正具有决定性价值的技术路径上提前加大投入。制作这期内容的目的，就是希望把这一整套成熟的研判方法完整系统地教给大家，深入透彻地讲明白为什么行业内会频繁产生这样的过度炒作与叙事泡沫。一旦掌握了这套叙事框架的解构方法，未来再遇到类似的技术包装与炒作套路，你一眼就能洞穿其背后的运作机制，这对于你在技术浪潮中保持独立的判断力会有极大的提升。 在此我先做一个前置说明：如果你仅仅是打算不看内容、不听逻辑就直接杠，那么请直接离开。我既不需要这种杠精带来的流量和关注，也无意去浪费时间辩解。但如果你完整看完了分析过程，觉得我在某些技术逻辑或论据上存在问题，我非常欢迎并乐意同你进行严谨的切磋与讨论。 --- ### 对标的误区：Jev的定位与真实能力边界 我们在评估任何一项新技术时，最核心、最决定性的第一法则，就是看它究竟在拿自己跟什么对象进行横向比较。 拿 Jev 这项技术来说，在其官方构建的宣传叙事框架内部，它是直接拿自己与当下的 **前沿大语言模型**（Frontier Large Language Model: 代表当前最高计算规模与智能水平的模型）进行对照的。通过这种跨物种的降维对比，它宣称自己拥有极高的速度优势以及极低的运行成本。这种对比逻辑就如同让邵艾伦去跟埃隆·马斯克比较谁拥有更明显的“薄肌”一样。从单一指标来看，你硬要找一个局部维度去比较，当然能比出长短，但问题在于：Jev 的真正竞争对手难道是未来的 GPT-6 吗？根本就不是。 如果你深入剖析 Jev 的底层运行机制和它实际所要完成的任务，就会发现它本质上是一个 **prefill**（预填充: 处理输入提示词并建立上下文键值对的初始阶段）模型，它自身根本不具备 **autoregressive**（自回归: 依据前面的输出序列逐字预测下一个Token的生成机制）生成能力。在我的文章中已经针对这些底层技术细节进行了充分的论述与数学层面的探讨，在此我尽量用通俗直观的逻辑来阐述，不再堆砌晦涩的技术黑话。 实质上，Jev 本身是一个设计非常轻巧、体量非常局限的小工具。它所宣称解决的核心诉求，在工程实践中完全可以使用现有的本地小模型来替代。而且采用本地小模型的架构，不仅可以做到比 Jev 具备更高的精度与召回表现，在系统一致性、端到端响应速度以及综合运行成本等多个维度上，都能取得甚至超越 Jev 的效果。虽然你或许很难在某一个极简架构下同时在所有四个维度上做到极致碾压，但只要把这些现成技术路径放在同一个基准线上进行全面横向对比，你就会立刻发现：Jev 充其量只是一个中规中矩、表现尚可但绝无惊艳亮点的技术实现，它既没有任何颠覆性的代际优势，更没有在性能与效率上对现有的成熟替代方案形成任何压制，它就是一个泯然众人的工程折中方案而已。 然而它的营销高明之处就在于，它在宣传叙事中刻意回避了与同类替代方案的竞争，转而把聚光灯打在与庞大笨重的大语言模型的对标上，专挑自己最狭窄擅长的单点切口去比拼推理速度与开销。不明就里的人一眼看过去，就会产生一种“这个小东西竟然能秒杀大模型”的虚假震撼。这套逻辑听起来并不深奥，但为什么它在现实中能够屡试不爽，甚至诱导许多表面上精通代码与架构的专业技术人员产生严重错判？这就必须引入我们用来穿透技术炒作的“五层叙事解构模型”。 --- ### 穿透炒作：技术研判的五层叙事解构模型 为了让大家不再轻易被这种精巧的叙事包装所蒙蔽，我们必须将评估一项新技术时的认知链路拆解为清晰的五层结构。绝大多数技术人员之所以陷入陷阱，正是因为他们的认知链条在中间环节发生了断裂。 这五层核心判断逻辑由浅入深，依次递进： 第一层是**理解技术的真实原理与机制本质**。当你面对一项新技术时，首先要拨开所有公关包装词汇，搞清楚它在数据流和计算图上到底执行了什么操作，它究竟是什么东西。 第二层是**明确其适用边界与失效场景**。没有任何技术是万能银弹，你必须精确勾勒出它在哪些输入尺度、吞吐量或任务模式下有效，而在什么约束条件下会彻底退化或失效。 第三层是**建立客观中立的多维评估框架**。跳出厂商单方面给出的对比雷达图，确立一套涵盖工业落地关键指标（如精度、延迟、确定性、成本、可解释性）的完整度量标准。 第四层是**寻找到真正合理的基准对标物**（Best Alternative）。这是全流程中最关键、也最考验工程师真实功力的一步。任何技术的诞生都是为了解决某一类特定工程问题，你必须让它跟解决同类问题的最优方案去同台竞技，而不是任由它去拉一个不相干的庞然大物来“碰瓷”。 第五层是**推导现实业务价值并做出决策**。在前四层严密推演的基础之上，结合你自身的团队体量、技术栈演进方向以及业务阶段，最终决策该技术究竟是应当立即试点、保持审慎观望，还是彻底将其判定为无价值的噪音而直接忽略。 在这整个链条中，第四步的缺失是行业普遍出现判断偏差的根源所在。许多所谓的科技博主和研究员，在分析技术时往往在第二步之后就直接跳入过度的主观想象，也就是我们常说的“脑补”。尤其在中文科技圈子中，这种脱离物理现实的抽象脑补现象尤为严重，大量博主热衷于凭借几页发布文档描摹未来世界的宏大图景，而受众也往往极其买账。接下来我们就把 Jev 放到这五层框架中做一个完整的切片分析。 --- ### 深度解构Jev：技术抽象、评测维度与替代方案 从第一层技术本质来看，剥离所有花哨的名词包装，Jev 到底在做什么？简单来说，就是将系统当前所处的状态作为输入灌入模型，同时附带几个预设好的选项分支，然后由模型快速计算并输出这几个选项各自对应的先验概率分布，开发者拿到这些置信度数据后即可直接用于下游控制。 这种计算逻辑在计算机科学的抽象层级上，本质上就是一个带有概率权重的 **条件分支**（if-else / case-when: 基础的控制流与条件判断逻辑）判断器。在数据库或常规编程语境中，它无非是接受特定输入并映射到受限输出空间的分类器。要实现这样一种状态到类别的分类概率映射，在现代自然语言处理与机器学习的工具箱里存在着大量极为成熟的实现路径。早至自回归时代之前的 **BERT**（基于双向Transformer编码器的语言表示模型），近到主流闭源模型如 GPT 开启的 **JSON mode**（结构化数据强制输出模式），或者在本地部署一个轻量级开源小模型，直接提取其未归一化的 **logits**（模型归一化之前的原始预测分数值）并通过 Softmax 函数完成概率归一化，所有这些方案都能在毫秒级时间内高质量地完成完全相同的计算目标。Jev 仅仅是这浩瀚工具箱中极为普通的一种手段而已。 再看第二层适用场景，Jev 自身也承认，它只适用于那种输入上下文非常简短、要求快速返回确定性决策的极窄场景。那么进入第三层，针对这样一个定位类似于 **AI裁判员**（AI Referee: 专门负责对有限候选动作进行打分与决策评估的模型）的组件，一个具备工业级严谨度的评估框架必须涵盖以下四个核心指标： 1. **判断质量**：核心关注分类与评分的精确度，重点考察精确率（Precision）与召回率（Recall），看其能否准确识别边缘案例。 2. **端到端延迟**：在真实链路调用中耗时是否足够低，是否能满足高频交互控制的要求。 3. **输出一致性**：在相同的环境状态输入下，系统是否能够保证稳定的可复现性。在工单分派、业务流转等严谨场景中，随机震荡的输出是不可接受的灾难。 4. **可校准性**：当模型的概率判断与业务预期发生偏移时，系统是否提供了高效可控的权重修正和后验微调手段。 在此基础之外，虽然我们也关注**计算成本**，但鉴于底层推理算力成本始终处于摩尔定律式的持续雪崩之中，工程界通常会优先将架构质量、确定性与延迟作为硬指标进行验证，随后再评估静态成本。 当我们按照这一基准进入第四层寻找最优对标物时，戏剧性的真相就浮出了水面。网上曾有开发者调侃称，Python 自带的标准库函数 `random` 其实就是一个零成本、超低延迟的 Jev 实现——生成一个随机数并映射到选项概率分布上。如果严格在判断质量与一致性这两个硬性维度上进行盲测对比，人们会惊讶地发现，Jev 在相当一部分复杂任务场景下的决策质量并没有与随机选择拉开具有统计学显著意义的代际差距，很多时候它的表现几乎等同于一种高级猜谜。 反观我们前面提及的替代路径：在本地部署一个轻量化的专用小模型，直接读取模型输出层的 logits 进行归一化计算。这种方案不仅在判断精准度、执行延迟、确定性输出以及可校准性这四个核心指标上展现出了极佳的均衡表现，更在系统架构设计上具备压倒性的工程优势。Jev 作为一个闭源的外部云端 API 网络服务，将其引入系统意味着凭空为你的生产架构增加了一个无法进行白盒调试、无法自主掌控 SLA、网络抖动不可控的脆弱外部单点依赖；而本地轻量级小模型则完全运行在私有受控环境之内，权重透明、参数可调、网络内生。在各项指标全方位处于下风的情况下，Jev 自然毫无学习与跟进的实际生产价值。 --- ### 虚妄的叙事：Hype的工业化生产机制 既然在真实工程视角的横向对照下，Jev 如此平庸脆弱，那为何它还能在整个中文互联网掀起一轮震耳欲聋的讨论热潮？这背后折射出的是科技行业现代炒作机制的完整生产流水线。 Jev 的营销操盘堪称典范。撇开常规的商务推广手法不谈，其深层公关构架精准踩中了受众的群体心理痛点。首先，它极其精明地为自己绑定了当下的绝对热点——以通用大模型为基准参照物，并将其对标维度锁定在大众最为痛恨的大模型软肋上：速度缓慢与费用高昂。随着当下越来越多的开发者尝试构建自主智能体（Agent），几乎每个人都在高频工具调用引发的 API 账单暴增与交互卡顿中痛苦挣扎。而大多数普通工程师并不知晓如何利用小模型 logits 归一化等底层手段来优化推理链路。Jev 巧妙地扮演了那个“拯救者”，为大众揭示了一个看似颠覆性的低价极速奇迹。 紧接着，它构建了一套极具极客浪漫色彩的话语叙事：宣称当前主流大语言模型走的是面向人类交互对齐的 **RLHF**（Reinforcement Learning with Human Feedback: 基于人类反馈的强化学习）路线，因而背负了沉重的拟人化自然语言包袱；而它自己则是纯粹“面向机器本体”进行优化设计的 **machine native**（面向机器,按机器原生逻辑构建）架构。 这套精心包装的宏大叙事瞬间击溃了大众与非专业博主的心理防线，赋予了受众无限的脑补空间。一时间，大量评论文章纷纷宣称“AI 不再需要讨好人类”、“全新的机器自治纪元已经开启”、“人类自然语言在系统交互中将被彻底边缘化”。然而，只要具备扎实计算机系统常识的人都能明白，所谓“不针对人类审美优化、纯粹针对机器处理效率优化”的叙事，从来就不是什么新发明，它恰恰是过去数十年整个经典计算机科学与软件工程赖以建立的基石。计算机系统内部的所有二进制协议、数据结构、指令集与机器码，从一开始就是完全面向机器最优解析而设计的；大模型与智能体的结合，核心价值恰恰在于让机器能够理解模糊的人类意图并将其转化为确定性的机器指令。Jev 根本没有在底层理论上有任何实质推进，它只是偷换概念，将经典的模式分类问题重新贴上了“面向未来机器原生”的科幻标签。 在这一炒作链路中，绝大多数泛科技博主成为了无意识的推波助澜者。这些博主往往具备基本的工程素养，能够阅读官方发布的论文，下载代码跑通简单的 Demo，也就是他们能够较好地完成第一层（理解机制）与第二层（了解基础用法）的工作。然而受限于深层架构经验和工程阅历的匮乏，他们几乎完全不具备第三层（建立严格评测维度）与第四层（发掘并横向对比最佳替代方案）的能力。当他们看到 Jev 跑通了既定功能，便先入为主地确信该叙事成立，甚至沉浸在“我读懂了最新前沿黑科技，而同行尚未察觉”的信息差虚荣感中，自发沦为了该叙事框架的二级分发节点。 最后，平台算法的注意力偏好与群体心理形成了完美的恶性共振。符合大众科幻想象、带有革命颠覆色彩的叙事天然具备病毒式传播属性，平台流量会成倍放大这类极度乐观的声音，而那些严谨、平实指出其技术局限的审慎分析则会被算法沉底。在特定周期内，信息茧房就会制造出一种“所有人都在拥抱这一革命性技术”的集体幻觉，任何理性的异见都会被淹没在狂热的技术图腾崇拜之中。 --- ### 认知断层：为什么保持清醒反而容易遭受攻击？ 在技术演进的历史长河中，不同认知层级之间的碰撞往往会导致荒诞的社交摩擦，这进一步加剧了炒作环境的恶化。 一个残酷的现实在于：一个完全不愿学习、对新技术抱持本能排斥态度的保守者，与一个穿越了完整五层分析链路、深刻洞悉其缺陷的资深架构师，他们最终给出的行为结论在表面上看起来竟然是完全一致的——那就是“这项技术根本不值得投入关注”。 这就不可避免地在技术社区中催生出巨大的认知断层。那些停留在第一层和第二层的中间群体，自以为亲手调试过示例代码便掌握了真理，往往会把所有否定该技术的声音一概斥为“冥顽不化、固步自封的草包”。而当真正洞察底层局限的专业人士尝试从第三层和第四层的体系化角度指出问题时，中间群体由于缺乏全局视野与上下文储备，根本无力理解这些深层逻辑，反而会出于保护自身认知投入的本能，对清醒者发起激烈的舆论围剿。 我此前发布视频深入剖析 MCP 协议的底层运行机制、架构缺陷及其作为过渡形态的内在不稳定性时，就曾遭遇过极为典型的攻击。在当时全网狂热捧杀 MCP 的氛围下，许多人根本无暇思考：将海量非确定性指令与环境上下文全量硬塞进模型上下文中，会对系统的调试确定性、执行复现性以及状态控制带来多么致命的隐患。在需要确定性调用的工程节点，硬编码与受控代理才是真正可靠的解法，这也是后来像 **Skill** 范式能够迅速修复这一缺陷并展现出替代优势的原因。但在当时，许多仅仅跑通了 MCP 原型的人，便毫不犹豫地在评论区使用极其粗鄙的语言攻击我的判断，断定我是根本不懂代码的落伍者。 正因为这种非理性的舆论极化效应，像田渊栋这样真正处于顶尖技术前沿的顶级科学家与研究员，即便心中对其技术硬伤心知肚明，也往往会选择保持沉默。站出来打破一场狂欢不仅需要承担巨大的被误解成本，还需要消耗极其沉重的精力去对冲公众的情绪反扑。这种沉默最终导致了群体心智的真空，使得那些意志不够坚定的工程决策者、企业管理者在信息噪音中彻底迷失，将极其宝贵的人力与资金无休止地砸向一个又一个注定退潮的概念黑洞。 --- ### 务实破局：历史经验与组织内部的生存智慧 回顾我们团队过去几年做出的技术判断，我们之所以能够屡屡精准避开各类技术泡沫，核心就在于我们始终严格执行这一套寻找“实质替代方案”（Best Alternative）的纪律： * **对抗 LangChain 炒作时**：我们在全行业盲目跟风引入复杂封装框架的初期，就系统撰文阐述了计算机传统开发与大模型应用开发的底层哲学差异。传统工程中我们习惯优先引入成熟框架来固化流程，但在大模型底层能力与接口处于剧烈动荡演进的阶段，盲目套用臃肿的框架不仅无法带来架构增益，反而会将原本极其轻巧的调用逻辑复杂化，造成灾难级的维护负担。 * **对抗小龙虾等黑盒记忆应用时**：我们率先指出了基于单一大上下文窗口硬塞历史记忆所导致的长期记忆漂移、长程复杂任务崩溃以及非确定性状态丢失等核心痛点。更重要的是，我们不仅提出批评，鸭哥在当时更是直接从零构建了具备清晰上下文分层与受控记忆路由机制的开源替代方案 **OpenCode**，并同步推出了完整的多端客户端。只有当你拿出一个真正可运行、在生产环境下确定性表现远超被吹捧对象的工程实体时，你才具备了打破神话的绝对底气。 然而，我们同样必须直面一个深刻的认知困境：**第四层寻找与实现最佳对标方案的能力，是极其依赖个人十年如一日的技术沉淀与高强度工程实践的**。 在现代生成式 AI 工具的辅助下，任何一个学习能力尚可的开发者，想要通过文档在几天内掌握一门新工具的原型搭建（完成第一层与第二层），甚至借由提示词生成一份看似全面的评测方案（触及第三层），都已经变得轻而易举。但你想要在技术涌现的瞬间，本能地从浩瀚的计算体系历史中检索出其最底层的数学本质，精准抓取其真正的横向竞品，并以最简洁的代码将其实现出来予以证伪，这是任何捷径都无法替代的硬功夫。 这也是为什么在教学与团队赋能的过程中，单纯向学员灌输“Jev 是垃圾、无需关注”这一正确结论，不仅无法真正提升他们的专业能力，反而可能在现实职场中将他们推向极为被动的境地。试想，当一个年轻工程师置身于一家全员都在盲目拥抱 Jev 或类似技术概念的企业环境中时，如果他仅仅是机械地引用外部权威的结论去公开宣称该技术毫无价值，身边的同僚不仅不会去深究背后的深层原因，反而会从社会心理学层面将其边缘化，视为一个缺乏实践落地能力的杠精与清谈客。 基于这一痛点，我们在年底的课程升级中确立了全新的教学范式——**主动拥抱工程复杂化**。我们不再满足于仅仅交付抽象的终极结论，而是带领学员亲手用本地模型去复现、去搭建一个在指标上全面超越 Jev 的增强型工程架构。当你具备了亲手构建最优解的能力之后，在实际团队协同中，你根本不需要以傲慢的姿态去当头棒喝、否定他人；相反，你可以极其从容地顺应既有的业务诉求，温和地告诉团队：“大家的探索方向很有价值，而我已经动手实现了一个性能更优、成本更可控的落地版本，我们可以直接上机对比数据。” 当你用扎实的代码与无可辩驳的工程实测数据为团队解决痛点、赢得信任之后，你的专业威信便自然树立。此时你再引导大家将目光投向更具长期复利的核心主航道，整个系统便会在润物细无声中回归理性。在技术演进的喧嚣洪流中，唯有这种扎实的工程底气与清醒的叙事免疫力，才是每一位技术从业者立于不败之地的定海神针。