AI 代理搜尋資料、執行程式或讓機械人試走一步，都要付出成本，卻未必帶來有用結果。清華大學團隊提出 System-1／System-2 協同設計構想，希望在執行前先篩選值得投入的互動。
成本較低的 System-1 按預期價值排列互動的優先次序，再由成本較高的 System-2 執行較困難的工作。這個構想把資源分配提前，讓增加推理、訓練或探索次數之前，多一道價值判斷。
它涵蓋的場景包括：
- 語言模型推理：判斷哪些推理步驟值得繼續投入。
- AI 代理：篩選搜尋、程式執行及應用程式介面（Application Programming Interface，API）呼叫。
- 機械人與強化學習（Reinforcement Learning，RL）：優先探索可能提供學習訊號的經驗。
對互動成本高、數據取得慢的研究與開發工作，這個構想提供了分配預算的思路。不過，所提供節錄未交代價值預測器的具體實作或量化結果，仍未能判斷它能節省多少成本，以及會否錯過有用的探索。