OpenAI发布Decisions API：廉价智能成智能体关键

编者按：当大模型的能力竞赛逐渐触及平台期，决定胜负的变量正在从"谁更聪明"转向"谁更便宜、更快"。OpenAI 最新推出的 Decisions API，正是一次针对智能体时代基础设施的押注。

据 TechCrunch 报道，OpenAI 发布了名为 Decisions API 的新接口，被业内人士戏称为对创业公司 Jev 的"克隆"。这款产品并不追求刷新基准测试的推理能力，而是把单次调用的延迟与成本压到极致，专门服务于智能体在运行过程中高频、琐碎、但数量庞大的决策需求。TechCrunch 的评论直截了当：这确认了"快速、廉价智能"的重要性。

Jev 是谁，为什么值得被克隆

Jev 的名字来自经济学中的"杰文斯悖论"（Jevons Paradox）。19 世纪，经济学家威廉·杰文斯发现，蒸汽机效率的提高非但没有减少煤炭消耗，反而因为使用场景的扩张让总消耗量大幅上升。这家以 Jev 命名的公司，正是把这一逻辑当作产品哲学：既然智能越便宜就会被用得越多，那么真正稀缺的就不是顶级推理能力，而是能以极低单价、极高频率被调用的"廉价智能"。

据 TechCrunch 的描述，Jev 的产品定位介于传统推理 API 与规则引擎之间——它不负责写诗、编程或做复杂论证，只负责在毫秒级时间内回答"下一步该做什么"。当 OpenAI 推出功能高度重合的 Decisions API 时，某种意义上是在承认：这类"决策层"模型不是边缘需求，而是智能体架构的地基。

蜂群智能体：前沿实验室自己的麻烦

标题里那个略显拗口的说法——"帮助前沿实验室拦住它自己的蜂群智能体"——指向的是当下智能体产品最棘手的问题之一。

当用户让一个 AI 助手完成"帮我订一趟旅行"这类任务时，背后往往不是单个模型在工作，而是一群子智能体：有的负责搜索、有的负责比价、有的负责填写表单、有的负责校验结果。它们分工、并发、互相调用，形成所谓的"蜂群"（swarm）。这个结构的致命弱点在于成本与延迟的乘法效应：假设一个任务平均派生出 50 个子智能体，每个智能体需要做 20 次决策，那就是 1000 次模型调用。如果每次都调用旗舰级模型，账单和响应时间都会瞬间失控。

解决方案是把智能分层：重活交给昂贵的大模型，而每一次"要不要重试""该选哪个链接""这个字段填对了吗"的微决策，交给一个快而便宜的模型。Decisions API 扮演的正是后者。它既是成本控制阀，也是安全阀——当蜂群出现异常循环时，廉价决策层可以更快速地触发中止、回滚或上报，而不必等待一次昂贵的完整推理。

越便宜，用得越多

这件事的深层含义在于 AI 经济学。过去两年，行业一度把"每百万 token 价格下降"当作利好，但当智能体把调用次数推高几个数量级之后，人们发现节省下来的成本几乎立刻被新增的用量吞噬。这正是杰文斯悖论的现代版本：效率红利不会沉淀为利润，而会转化为新的需求。

对 OpenAI 而言，这既是风险也是护城河。风险是推理成本将持续膨胀；护城河则在于，如果开发者已经把智能体的决策循环建立在某个平台上，迁移成本会非常高。对 Jev 这样的创业公司来说，被巨头"克隆"既是最高级别的认可，也意味着生存空间的骤然收窄——这类故事的结局，往往是被收购、被边缘化，或是被迫向上游做更垂直的差异化。

行业影响：竞争焦点正在转移

如果 Decisions API 代表的方向成立，那么未来一年值得关注的指标会发生变化：基准测试的跑分让位于每百万 token 成本、首 token 延迟，以及高并发下的稳定性。推理芯片与专用硬件会因此受益，开源小模型也会获得新的应用场景——因为在这个战场上，"够用且极快"比"最强但很贵"更有价值。

与此同时，监管与安全议题也会随之更新。当廉价智能可以被无限复制、成群部署时，如何防止智能体蜂群被滥用、如何保证它们的行为可审计，将成为比"模型是否对齐"更具体的工程问题。OpenAI 用一个 API 给出的回答是：先把决策做得足够便宜、足够可控，剩下的问题才有讨论的基础。

快速、廉价的智能，正在成为比顶级推理能力更稀缺的资源。

本文编译自 TechCrunch。