ในช่วงไม่กี่วันที่ผ่านมา ชื่อใหม่ชื่อหนึ่งปรากฏขึ้นบ่อยครั้งบนไทม์ไลน์ของนักพัฒนา AI นั่นคือ Jev

บางคนใช้มันจำแนกประเภทบทความ บางคนใช้มันเลือกเครื่องมือที่ Agent ควรเรียกใช้ และบางคนนำมันไปเชื่อมกับโปรแกรมจำลองโดรน เพื่อให้โดรนเลือกการกระทำในการหลบหลีกสิ่งกีดขวาง แพลตฟอร์มอย่าง OpenRouter และ Cloudflare ก็ได้เชื่อมต่อกับโมเดลใหม่นี้เช่นกัน และมีการสาธิตการใช้งานที่เกี่ยวข้องกับ Jev ปรากฏขึ้นอย่างต่อเนื่อง

หาก JEV ทำให้ AI ตัดสินใจได้เร็วขึ้นและถูกลง บริษัทจดทะเบียนในตลาดหุ้นสหรัฐฯ บริษัทใดบ้างที่มีโอกาสได้รับประโยชน์จากสิ่งนี้?

ก่อนจะเข้าใจตรรกะการลงทุน ต้องทำความเข้าใจก่อนว่าแท้จริงแล้ว Jev คืออะไร

การทำข้อสอบปรนัย

Jev คือโมเดลการตัดสินใจที่ TypeSafe AI เปิดตัวเมื่อวันที่ 15 กันยายน บริษัทเรียกหมวดหมู่ที่มันสังกัดว่า System One หรือ "ระบบหนึ่ง" โดยยืมแนวคิดการตัดสินใจอย่างรวดเร็วจากหนังสือบุกเบิกด้านเศรษฐศาสตร์พฤติกรรมอย่าง 《คิดเร็ว คิดช้า》 มันสามารถเข้าใจคำอธิบายที่เป็นข้อความ โดยหลักจะส่งออกตัวเลือก คะแนน และความน่าจะเป็น เพื่อให้ซอฟต์แวร์นำไปประมวลผลต่อ

ยกตัวอย่าง ร้านค้าออนไลน์แห่งหนึ่งได้รับข้อความว่า "เมื่อวานฉันซื้อแก้วใบหนึ่ง ดูเหมือนจะถูกหักเงินสองครั้ง ช่วยตรวจสอบให้หน่อยได้ไหม?"

ระบบมีคำถามย่อยหลายข้อที่ต้องแก้ไข เรื่องนี้อยู่ในความรับผิดชอบของฝ่ายบริการหลังการขายหรือฝ่ายการเงิน? ผู้ใช้กำลังสอบถามเกี่ยวกับบิลหรือกำลังขอเงินคืน? บันทึกที่มีอยู่แสดงว่ามีการหักเงินซ้ำหรือไม่?

นักพัฒนาสามารถกำหนดตัวเลือกไว้ล่วงหน้า ให้ Jev ตอบแยกกัน จากนั้นโปรแกรมจะตรวจสอบคำสั่งซื้อและบันทึกการชำระเงิน แล้วเข้าสู่กระบวนการดำเนินการที่เกี่ยวข้อง เมื่อต้องอธิบายให้ลูกค้าฟัง จึงค่อยมอบหมายให้โมเดลที่ถนัดการสื่อสาร

นี่คือการใช้งานพื้นฐานของ Jev: ให้สถานการณ์แก่它 กำหนดคำถาม ให้มันเลือก

โมเดลภาษาขนาดใหญ่ทั่วไปก็สามารถทำงานเหล่านี้ได้เช่นกัน จุดดึงดูดของ Jev อยู่ที่การปรับแต่งเฉพาะสำหรับการจำแนกประเภท การให้คะแนน และการเลือก ลดเวลาและค่าใช้จ่ายในการตัดสินใจเล็กๆ น้อยๆ มันส่งผลลัพธ์ให้โปรแกรมโดยตรง ตัดขั้นตอนการสร้างคำอธิบายออกไป

หากขยายต่อไป สมมติคุณได้รับข้อความในอุตสาหกรรมกว่าพันข้อความต่อวัน แต่มีเพียงไม่กี่สิบข้อความที่คุ้มค่าแก่การอ่านอย่างละเอียด คุณสามารถให้ Jev ตัดสินก่อนว่าข้อความแต่ละข้อเกี่ยวข้องกับบริษัทที่คุณสนใจหรือไม่ และมีข้อมูลใหม่หรือไม่ จากนั้นจึงให้โมเดลทั่วไปสรุปเนื้อหาที่คัดกรองแล้ว ด้วยวิธีนี้ โมเดลทั่วไปจะประมวลผลเฉพาะส่วนที่คุ้มค่าแก่การอ่านเชิงลึก ส่วนการตัดสินใจง่ายๆ จำนวนมากจะมอบให้ Jev ที่มีต้นทุนต่ำกว่า

ความพยายามในลักษณะนี้ได้ขยายไปสู่สถานการณ์ต่างๆ เช่น การใช้งานเบราว์เซอร์ การค้นหา และเกมแล้ว คอลัมน์พิเศษ Jev ของ动察 Beating ได้รวบรวมโครงการเหล่านี้ตามการใช้งาน แนะนำว่า Jev รับผิดชอบการตัดสินใจใดในนั้น พร้อมแนบซอร์สโค้ดและทางเข้าสาธิตบางส่วน การเทียบกับกรณีศึกษาที่ конкретทำให้เข้าใจได้ง่ายขึ้นว่าความสามารถใน "การทำข้อสอบปรนัย" นี้สามารถนำไปใช้ที่ใดได้บ้าง

ลดต้นทุนให้ต่ำที่สุด

ตามราคาที่ TypeSafe ประกาศ Jev คิดค่าบริการ 0.042 ดอลลาร์ต่อ token อินพุตหนึ่งล้าน token ส่วนเอาต์พุตฟรี

ความหมายของการลดต้นทุนอยู่ที่ว่า งานบางอย่างที่เดิมทำได้แค่สุ่มตรวจ ก็มีความสามารถที่จะตรวจสอบทีละรายการได้ บันทึกบริการลูกค้าสามารถจำแนกทีละรายการได้ ข้อมูลที่ค้นหามาก็สามารถตัดสินความเกี่ยวข้องทีละรายการได้ และเอเจนต์ยังสามารถกรองเพิ่มอีกครั้งก่อนเรียกใช้เครื่องมือแต่ละครั้ง

ตัวอย่างเช่น โปรแกรมวิเคราะห์ข่าวชุดหนึ่ง แต่ก่อนจะเลือกแค่บทความที่ร้อนแรงที่สุดส่งให้ AI วันละครั้ง ตอนนี้สามารถตรวจสอบบทความทั้งหมดก่อน แล้วจำแนกตามบริษัท สินค้า คำสั่งซื้อ และการเปลี่ยนแปลงด้านบุคลากร ข้อมูลที่ไม่ได้รับความสนใจสูงแต่เกี่ยวข้องโดยตรงกับบริษัทสำคัญแห่งหนึ่งก็มีโอกาสถูกค้นพบเช่นกัน

ชื่อ Jev ตั้งตามนักเศรษฐศาสตร์ Jevons ผลงานที่โด่งดังที่สุดของเขาคือการเสนอ "Jevons Paradox" นักพัฒนาหวังว่าเมื่อการตัดสินใจถูกลง ซอฟต์แวร์จะใช้มันบ่อยขึ้น จุดที่แต่ก่อนไม่คุ้มที่จะเรียกใช้โมเดลขนาดใหญ่เพียงครั้งเดียว ก็สามารถคำนวณบัญชีต้นทุนใหม่ได้ทั้งหมด

Jev กับอุปกรณ์ทางกายภาพ

นักพัฒนา Roman Slack ทำโปรเจกต์โดรน: ในตัวจำลองฟิสิกส์ MuJoCo โดรนสี่ใบพัดบินตามเป้าหมายข้างหน้า ผ่านเสา คาน และสิ่งกีดขวางที่เคลื่อนที่ไปตลอดทาง

โปรแกรมจะรวบรวมข้อมูลความลึกและการแบ่งส่วนที่ได้จากกล้องให้เป็นข้อมูลก่อน แล้วบอก Jev ว่าข้างหน้าถูกบังหรือไม่ ด้านซ้ายหรือขวามีช่องว่างหรือไม่ สิ่งกีดขวางสูงแค่ไหน จากนั้น Jev จะเลือกจาก動作ต่างๆ เช่น รักษาทิศทางการบิน อ้อมไปทางซ้าย อ้อมไปทางขวา ไต่ระดับ เบรก

ตัวอย่างเช่น คานหนึ่งท่อนบังทางเดินทั้งหมด อ้อมซ้ายก็ไม่ได้ อ้อมขวาก็ไม่ได้ แต่ด้านบนยังมีที่ว่าง Jev สามารถเลือกไต่ระดับได้ โปรแกรมควบคุมก็จะแปลงตัวเลือกนี้เป็นคำสั่งการเคลื่อนไหวของโดรน

ในระหว่างการบิน โมดูลต่างๆ ทำงานตามหน้าที่ของตน Jev ตัดสินว่าควรไปทางไหน โปรแกรมควบคุมรับผิดชอบรักษาสมดุล ปรับแรงขับของมอเตอร์ และหลบหลีกสิ่งกีดขวางฉุกเฉิน กล้องให้ข้อมูลสภาพแวดล้อม โมเดลตัดสินใจเลือก動作 และตัวควบคุมทำให้動作นั้นเกิดขึ้น

การแบ่งงานแบบเดียวกันนี้ยังเข้าใจได้ผ่านการที่แขนกลหยิบถ้วย กล้องระบุตำแหน่งของถ้วย เซ็นเซอร์วัดระยะทางและแรง ตัวควบคุมปรับการเคลื่อนไหวของนิ้ว และโมเดลตัดสินใจมีส่วนร่วมในการตัดสินว่าหยิบถ้วยใบไหนก่อน จะทำอย่างไรเมื่อเจอสิ่งกีดขวาง

หากการตัดสินใจประเภทนี้ถูกลงและเชื่อมต่อได้ง่าย ต้นทุนในการพัฒนาอุปกรณ์อัตโนมัติก็มีโอกาสลดลง อุปกรณ์ที่แต่ก่อนไม่คุ้มค่าเพราะการพัฒนาซอฟต์แวร์แพงเกินไปและกรณีการใช้งานเล็กเกินไป ก็จะมีพื้นที่ทางธุรกิจใหม่เช่นกัน

สิ่งนี้เชื่อมโยง Jev เข้ากับบริษัทบางแห่ง อุปกรณ์ที่เข้าสู่โรงงาน คลังสินค้า และบ้านเรือนมากขึ้น หมายถึงความต้องการในการรับรู้ การจ่ายไฟ การประมวลผล และการควบคุมการเคลื่อนไหวที่มากขึ้น

หุ้นใดบ้างที่อาจได้รับประโยชน์

ตามแนวคิดนี้ สิ่งที่น่าจับตาคือชิ้นส่วนที่อุปกรณ์ต้องใช้ตั้งแต่การรับรู้สภาพแวดล้อมไปจนถึงการลงมือปฏิบัติ ไม่ว่า software จะเลือกใช้โมเดลแบบใด หุ่นยนต์หนึ่งตัวจำเป็นต้องรู้ว่าตัวเองอยู่ที่ไหน มีอะไรอยู่รอบข้าง และแปลงพลังงานไฟฟ้าให้เป็นการเคลื่อนไหวที่แม่นยำ

Texas Instruments (TXN) ครอบคลุมชิ้นส่วนประกอบสำหรับการรับรู้และการปฏิบัติ

ชิปแอนะล็อกมีหน้าที่ประมวลผลสัญญาณที่เปลี่ยนแปลงต่อเนื่อง เช่น แรงดันไฟฟ้าและกระแสไฟฟ้า รวมถึงรับผิดชอบงานจ่ายไฟและขับเคลื่อน ผลิตภัณฑ์หุ่นยนต์ของ TXN ครอบคลุมการเก็บสัญญาณ การควบคุมมอเตอร์ แหล่งจ่ายไฟ และการประมวลผลแบบฝังตัว

หลังจากหุ่นยนต์ตัดสินใจยกแขนขึ้น จะส่งกระแสไฟฟ้าไปยังมอเตอร์อย่างไร จะควบคุมแรงอย่างไร ล้วนต้องอาศัยชิ้นส่วนเหล่านี้ หากระบบอัตโนมัติที่ถูกลงนำมาซึ่งหุ่นยนต์ แขนกล และอุปกรณ์อัจฉริยะที่มากขึ้น TXN ก็มีโอกาสขายชิปประกอบให้กับอุปกรณ์เหล่านี้ได้มากขึ้น

Analog Devices (ADI) สอดคล้องกับการรับรู้และการเคลื่อนไหวที่แม่นยำยิ่งขึ้น

โซลูชันหุ่นยนต์ของ ADI เกี่ยวข้องกับการตรวจจับความเฉื่อย การเชื่อมต่อกล้อง การสื่อสารอุตสาหกรรม และอินเทอร์เฟซควบคุมการเคลื่อนไหว ตัวอย่างเช่น หุ่นยนต์ในคลังสินค้าที่เข้าสู่ทางเดินที่มีแสงไม่ดี จำเป็นต้องรวมข้อมูลความเฉื่อยเพื่อ判斷การเคลื่อนไหวของตัวเอง เมื่อกล้องและเซ็นเซอร์หลายตัวทำงานพร้อมกัน ยังต้องส่งข้อมูลไปยังโปรเซสเซอร์ให้ซิงค์กัน

ยิ่งอุปกรณ์รับงานที่ซับซ้อนมากขึ้น ความต้องการด้านความแม่นยำในการรับรู้ ความเสถียรในการเชื่อมต่อ และการควบคุมการเคลื่อนไหวก็ยิ่งสูงขึ้น ตรรกะการได้ประโยชน์ของ ADI คือการจัดหาชิ้นส่วนประกอบเหล่านี้ให้กับอุปกรณ์อัตโนมัติที่มากขึ้น

STMicroelectronics (STM) สอดคล้องกับ AI บนอุปกรณ์ที่ใช้พลังงานต่ำ

สิ่งที่เรียกว่า Edge AI คือการให้อุปกรณ์ประมวลผลข้อมูลบางส่วนในเครื่อง ไมโครคอนโทรลเลอร์ STM32N6 ของ STM ได้รวมตัวเร่งความเร็วสำหรับการคำนวณโครงข่ายประสาทเทียมไว้แล้ว มุ่งเป้าไปที่การใช้งานด้านภาพและเสียงที่ไวต่อต้นทุนและพลังงาน

ตัวอย่างเช่น อุปกรณ์กล้องขนาดเล็กสามารถ识别วัตถุได้ในเครื่อง อุปกรณ์อุตสาหกรรมสามารถ判斷จากการฟังเสียงว่าการทำงานผิดปกติหรือไม่ การพูดคุยเกี่ยวกับ Jev ได้ดึงความสนใจของนักลงทุนมาสู่การใช้งานประเภทนี้ งานอัจฉริยะที่เรียบง่ายและซ้ำซากจำนวนมากมีโอกาสเข้าสู่อุปกรณ์ที่มีราคาถูกลงและขนาดเล็กลง สิ่งที่ STM นำเสนอคือพลังการประมวลผลที่อุปกรณ์ประเภทนี้ต้องการ

ออนเซมิ (ON) สอดคล้องกับอุปกรณ์ด้านการมองเห็นและกำลังไฟฟ้า

ผลิตภัณฑ์ที่ ON มอบให้หุ่นยนต์ ได้แก่ เซ็นเซอร์ภาพ เซ็นเซอร์วัดความลึก รวมถึงทรานซิสเตอร์กำลังและชิปขับเคลื่อนมอเตอร์ สองประเภทแรกมีหน้าที่เก็บข้อมูลภาพและระยะทาง สองประเภทหลังทำงานร่วมกับกระแสไฟฟ้าที่จำเป็นสำหรับควบคุมมอเตอร์

ยกตัวอย่างหุ่นยนต์ขนย้ายในคลังสินค้า เซ็นเซอร์ภาพในกล้องเก็บภาพชั้นวางสินค้าด้านหน้า เซ็นเซอร์วัดความลึกวัดระยะห่างจากสิ่งกีดขวาง ชิปขับเคลื่อนมอเตอร์ทำงานร่วมกับทรานซิสเตอร์กำลังเพื่อควบคุมกระแสไฟฟ้าให้ล้อหมุน ยิ่งมีหุ่นยนต์และอุปกรณ์กล้องอัจฉริยะถูกนำมาใช้มากขึ้น ก็ยิ่งมีโอกาสเพิ่มความต้องการเซ็นเซอร์และชิปเหล่านี้

นอกจากสี่บริษัทนี้ ยังมีอีกสามบริษัทที่สามารถใส่ไว้ในรายการเฝ้าติดตามได้

เอ็นเอ็กซ์พี (NXPI)

ธุรกิจที่เกี่ยวข้อง: โปรเซสเซอร์ i.MX, ไมโครคอนโทรลเลอร์, ผลิตภัณฑ์ด้านการเชื่อมต่อและการควบคุม

ตรรกะผลประโยชน์: มอบความสามารถด้านการประมวลผล การสื่อสาร และการควบคุมให้แก่หุ่นยนต์และอุปกรณ์อุตสาหกรรมมากขึ้น

ควอลคอมม์ (QCOM)

ธุรกิจที่เกี่ยวข้อง: แพลตฟอร์ม Dragonwing สำหรับหุ่นยนต์ โดรน และ AI บนอุปกรณ์ปลายทาง

ตรรกะผลประโยชน์: รองรับความต้องการประมวลผลภาพ การคำนวณ และการเชื่อมต่อภายในอุปกรณ์โดยตรง

Cloudflare (NET)

ธุรกิจที่เกี่ยวข้อง: ให้บริการเชื่อมต่อและเรียกใช้โมเดลบุคคลที่สาม Jev

ตรรกะผลประโยชน์: เมื่อนักพัฒนาใช้ Jev สำหรับการแบ่งสายบริการลูกค้า การกรองข้อมูล และการจัดตารางเอเจนต์อัจฉริยะ พวกเขายังต้องปรับใช้แอปพลิเคชัน เชื่อมต่อข้อมูล และจัดการการเรียกใช้ โอกาสของ Cloudflare คือการทำให้แอปพลิเคชันเหล่านี้ทำงานอยู่บนแพลตฟอร์มของตนเอง

ยังอยู่ในช่วงเริ่มต้น

ปัจจุบัน Jev ยังมีปัญหาที่ต้องแก้ไข ได้แก่ ความแม่นยำในการตัดสินใจ การออกแบบคำถาม และความสามารถของบริการในการรองรับธุรกิจที่ดำเนินงานในระยะยาว

ประการแรก การโฆษณาว่า Jev "ไร้ภาพลวง" นั้นทำให้เข้าใจผิดได้ง่าย การกำหนดให้มันเลือกได้เพียง A, B, C เท่านั้น สามารถหลีกเลี่ยงการที่มันตอบ D ซึ่งโปรแกรมไม่รู้จัก แต่ก็ยังคงเลือกผิดได้ กลับไปที่ตัวอย่างบริการลูกค้า โปรแกรมสามารถอ่านออกได้อย่างราบรื่นว่า "ส่งต่อฝ่ายการเงิน" ไม่ได้หมายความว่าตั๋วงานนี้ควรถูกจัดการโดยฝ่ายการเงินจริง ๆ

มีนักพัฒนาที่ใช้ Jev ทดสอบงานแปดประเภทและตัดสินใจเสร็จสิ้น 16,000 ครั้ง เขายอมรับข้อได้เปรียบด้านความเร็วและต้นทุนของ Jev พร้อมกันนั้นก็พบว่าคำถามและตัวเลือกยังต้องปรับเพิ่มเติมเพื่อให้ครอบคลุมสถานการณ์จริง เขายังหวังว่าจะรอให้ซัพพลายเออร์สะสมประสบการณ์การดำเนินงานมากขึ้นและมีทางเลือกอื่นในตลาดก่อน จึงค่อยเชื่อมต่อกับธุรกิจการผลิต

ปัจจุบันยังไม่อาจทราบได้ว่า Jev จะรับงานได้มากน้อยเพียงใด แต่แนวโน้มหนึ่งได้ปรากฏขึ้นแล้ว: มอบการตัดสินใจซ้ำซากจำนวนมากให้ JEV และเก็บงานที่ซับซ้อนไว้ให้โมเดลทั่วไป

เมื่อต้นทุนการพัฒนาและการใช้งานระบบอัตโนมัติลดลง ชิปแอนะล็อก AI ที่ทำงานที่ขอบเครือข่าย และอุปกรณ์อัตโนมัติ จะได้พบช่วงเวลาสำคัญแบบ ChatGPT ของตัวเองหรือไม่?

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia