杰文斯悖论（Jevons Paradox）
一句话定义：效率提高会让某种资源的消耗不减反增——因为效率让单位成本变便宜，于是”用得起、值得用”的场景变多，总需求反而暴涨。
1. 1865 年的发现
1865 年，经济学家威廉·斯坦利·杰文斯（William Stanley Jevons）观察到一件反直觉的事：蒸汽机效率提高之后，英国的煤炭消耗不是减少，反而暴增。机制是：效率把煤变便宜了，于是”值得烧煤”的用途变多，总消耗被推高。（该年份与经过见 vault 内的综合页 wiki/synthesis/Jev 知识.md。）
2. Jev 的命名逻辑
官方博客 FAQ 里，TypeSafe 解释了为什么把首个模型命名为 Jev：
“We named Jev after William Stanley Jevons. We expect machine intelligence to follow a similar path to coal, after steam-engine efficiency led to an increase in demand. Every order of magnitude drop in the cost of intelligence unlocks orders of magnitude more use cases.”
翻译：我们以威廉·斯坦利·杰文斯命名 Jev。我们预期机器智能会走上与煤炭相似的路径——蒸汽机效率提高之后，需求反而上升。智能成本每下降一个数量级，就会解锁多一个数量级的用例。
这就是 Jev 命名背后的完整逻辑：不是”更省”，而是”更省所以用得更凶”。
3. 官方把这条逻辑写进了目标
“TypeSafe’s target is a greater than 100× intelligence-to-speed-and-cost ratio; the underlying bet is that cheaper intelligence will create much more demand.”
翻译：TypeSafe 的目标是”智能相对速度与成本的比率”提升 100 倍以上；其底层赌注是——更便宜的智能会创造出大得多的需求。
数字佐证（官方声称，未经独立验证）：首页标题给出 193.6x Faster, 444.6x Cheaper；博客说明该数字来自其 System One 工作流评测，并提醒这属于”真实世界收益区间偏高的一端”。
4. 为什么”更便宜”会带来”更多场景”
官方给出的经济学链条：
- 价格：输入 token 从 LLM 的 10 / MTok 降到 $0.042 / MTok（约每十亿 token 42 美元），输出 token 免费（官方措辞：“too cheap to meter”，便宜到不值得计量）。
- 速度：端到端 70ms–500ms；官方称在同一智能水平的系统一任务上快 40 倍–200 倍。
- 结果：过去”不值得让 AI 判断一次”的地方，变得值得判断。
由此解锁的典型新场景：AI 驱动的软件工作流（官方称之为”智能 if 语句 / smart if-statements”）、百亿级数据上的 map-reduce、需要 100ms 级响应的实时应用、以及对 LLM 输入/推理链（reasoning trace）/输出做全覆盖校验。
5. 与 Jev 的关系
- 命名本身就是这条悖论的宣言：Jev 的定位是把单次智能判断的成本打下来，从而让判断类场景的调用总量爆炸式增长。
- 官方对成本走向的预期是单向的：博客原话大意是”我们预期价格会下降，而不是上升”（
We expect [pricing] to go down, not up.）。 - 与 双系统理论 配合看更完整：Jev 做廉价快速的”系统一”判断，昂贵的”系统二”推理留给真正需要的少数环节。
- 校准与置信度（见 概率校准）是”敢把判断铺开到海量场景”的另一半前提：便宜之外，还得知道何时不该自动执行。
相关来源
o04-blog-sysone.txt—— 命名由来、成本/速度/置信度对照表、193.6x 与 444.6x 的出处o01-home.txt—— 首页的 193.6x Faster / 444.6x Cheaper 主张concepts__how-to-build-with-system-one.md—— “cheaper intelligence will create much more demand”wiki/synthesis/Jev 知识.md—— 1865 年杰文斯观察的叙述