硅谷最近在抄一个不太像"AI应用"的东西。TypeSafe AI的Jev模型完全不生成文本，只把输入归类到预设输出里，走的是"面向校准决策的强化学习"这条路。创始人从OpenAI出来，现在每天处理的token量到了一万亿，大约四分之一的《财富》500强企业在用，新一轮估值可能超过100亿美元。企业掏钱买的是能直接拍板的判断，聊天不解决这个。
同一套逻辑正在科研和工程场景铺开。arXiv上一项扩散模型新工作提出"连续后验融合"，专门用来恢复那些被测量条件严重约束、甚至根本观测不到的图像结构。医学成像、遥感、显微图像里这类问题到处都是——数据不够，算法得把缺失的结构推出来。扩散模型在这里管用的地方是给出可校准的不确定性，画得好看不管用。
另一条线是因果发现。非线性因果关系要从海量变量里挖，机制估计器得足够灵活，图空间搜索得足够快，这两件事长期互相拖后腿。新研究在系统测绘"可扩展性—准确性"这条前沿曲线，想搞清楚哪个算法家族在多大图规模下还能站得住。对药企和材料公司来说，这直接决定能不能从观测数据里推出可干预的结论。
三件事看着不搭，方向一致。AI正从对话框里走出来，去做判断、补结构、找因果。评价标准也跟着换了，看的是校准得好不好、恢复得准不准、图找得对不对，回答得多流畅已经排不上号。下一轮预算，大概率就流向这些地方。