Jev คือโมเดล AI จาก TypeSafe AI ที่ใช้ transformer architecture แต่ไม่ใช่ LLM เพราะไม่ได้สร้างข้อความหรือโค้ด โมเดลนี้สร้างความน่าจะเป็น หรือ “calibrated decisions” เพื่อให้เหมาะกับงาน automation มากกว่า
TypeSafe ระบุว่า Jev ทำงานเร็วกว่าและใช้โทเคนน้อยกว่า LLM จึงได้รับความสนใจจากองค์กรอย่างรวดเร็ว หลังเปิดตัววันที่ 15 กันยายน บริษัทระดมทุนได้ 870 ล้านดอลลาร์ ที่มูลค่า 7.5 พันล้านดอลลาร์ เพียงไม่กี่สัปดาห์ต่อมา
ทำความเข้าใจ Jev ในภาพเดียว
LLM ถูกออกแบบมาเพื่อสร้างข้อความ ส่วน Jev ใช้ transformer architecture เช่นกัน แต่ไม่ได้สร้างข้อความหรือ code แทนที่จะตอบเป็นประโยค Jev สร้างค่าความน่าจะเป็น หรือ “calibrated decisions” เพื่อใช้กับงาน automation
ภาพนี้จึงควรมองเป็นการเปรียบเทียบ “สร้างภาษา” กับ “ช่วยตัดสินใจ” โดยไม่เติมหน้าตาผลิตภัณฑ์ที่แหล่งข้อมูลไม่ได้ระบุ
เมื่อคอมพิวเตอร์ไม่ได้พูดภาษาเดียวกับมนุษย์
ลองนึกภาพฉากเล่าเพื่ออธิบายปัญหา ไม่ใช่เหตุการณ์ส่วนตัวที่ยืนยันจากแหล่งข่าว: มนุษย์พิมพ์คำสั่งยาวๆ แต่ระบบอัตโนมัติต้องแปลงข้อความนั้นให้กลายเป็นสิ่งที่คอมพิวเตอร์นำไปตัดสินใจได้
Diogo Almeida ผู้ร่วมก่อตั้ง TypeSafe มองว่า มนุษย์เก่งเรื่องภาษามานานแล้ว แต่ภาษาแบบนี้อาจไม่เหมาะกับงาน automation เพราะคอมพิวเตอร์ “พูดคนละภาษา” กับมนุษย์ แนวคิดของ Jev จึงไม่ได้เน้นสร้างข้อความหรือ code แต่สร้าง probability หรือ “calibrated decisions” เพื่อให้ระบบนำไปใช้งานต่อได้ตรงกว่า.
Jev อยู่ตรงไหนในโลกของ TypeSafe AI
Jev คือ AI model ใหม่ของ TypeSafe AI บริษัทที่ก่อตั้งในปี 2024 โดย Diogo Almeida, Sasha Sheng และ Erik Gafni โดย Almeida เคยเป็นนักวิจัยที่ OpenAI มาก่อน
ตัว Jev ใช้ transformer architecture แต่ไม่ใช่ LLM เพราะไม่ได้สร้างข้อความเป็นหลัก บริษัทวางมันไว้สำหรับงาน automation เช่น ให้ระบบประเมินทางเลือกและตัดสินใจต่อ มากกว่าการสร้างข้อความหรือ code แบบเครื่องมือ AI ทั่วไป
จากโมเดลภาษาสู่โมเดลที่ส่งออกเป็นการตัดสินใจ
LLM เน้นสร้างข้อความ ส่วน Jev สร้างความน่าจะเป็น หรือ “การตัดสินใจที่ผ่านการปรับเทียบ” จึงเหมาะกับงาน automation มากกว่าการสร้างข้อความหรือ code
| Factor | LLM | Jev |
|---|---|---|
| ผลลัพธ์ | ข้อความ | ความน่าจะเป็น หรือการตัดสินใจที่ผ่านการปรับเทียบ |
| สถาปัตยกรรม | แหล่งข่าวไม่ได้ระบุ | transformer แต่ไม่ใช่ LLM |
| แนวทางใช้งาน | สร้างข้อความหรือ code | เหมาะกับการทำ automation |
แหล่งข่าวไม่ได้กล่าวถึงโมเดลรุ่นก่อนของ TypeSafe โดยตรง.
Jev จะเปลี่ยนงานอัตโนมัติอย่างไร
Jev เหมาะกับ flow ที่ต้องรับข้อมูลแล้วเลือกทางเดินต่อ โดยส่งออกเป็นความน่าจะเป็นหรือ “calibrated decisions” แทนข้อความ เช่น ประเมินหลายทางเลือกแล้วให้ระบบนำผลไปทำงานอัตโนมัติ
ถ้างานต้องตัดสินใจต่อเนื่อง ความเร็วที่ TypeSafe อ้างว่าสูงกว่า LLM อาจช่วยให้ flow เดินไวขึ้น ส่วนงานที่ต้องประมวลผลหลายรอบ การใช้โทเคนน้อยกว่า LLM ก็อาจลดภาระของระบบได้ จุดสำคัญคือ Jev ถูกวางมาเพื่อ automation ไม่ใช่การสร้างข้อความหรือ code.
Jev เทียบกับทางเลือกที่มีอยู่จริง
Jev ไม่ได้แข่งกับ LLM ด้วยการสร้างข้อความ แต่เปลี่ยนผลลัพธ์เป็น probabilities หรือ “calibrated decisions” จึงเหมาะกับงาน automation มากกว่า ส่วน LLM เด่นด้านการสร้างข้อความหรือ code
| Factor | Jev | LLM |
|---|---|---|
| ประเภทผลลัพธ์ | Probabilities หรือ “calibrated decisions” | ข้อความ |
| เหมาะกับงานอัตโนมัติ | เหมาะโดยเฉพาะ | ไม่เหมาะเท่า Jev สำหรับ automation |
| ความเร็ว | TypeSafe อ้างว่าเร็วกว่าอย่างมีนัยสำคัญ | ช้ากว่าเมื่อเทียบตามคำอ้างนี้ |
| การใช้โทเคน | ใช้โทเคนน้อยกว่ามากตามคำอ้าง | ใช้โทเคนมากกว่าเมื่อเทียบตามคำอ้างนี้ |
แหล่งข่าวไม่ได้เอ่ยชื่อคู่แข่งหรือโมเดลรายบริษัท จึงไม่ควรเติมชื่อทางเลือกอื่นเอง
จุดแข็งที่เห็นจากข้อมูล และคำถามที่ยังตอบไม่ได้
Jev ไม่ได้จำกัดอยู่กับการสร้างข้อความ แต่สร้าง probabilities หรือ “calibrated decisions” สำหรับงาน automation โดยบริษัทอ้างว่าเร็วกว่าและใช้โทเคนน้อยกว่า LLM จึงดึงดูดองค์กรขนาดใหญ่ได้เร็ว
ข้อดี
- +เหมาะกับงาน automation ที่ไม่ต้องสร้างข้อความ
- +บริษัทอ้างว่าเร็วกว่าและใช้โทเคนน้อยกว่า LLM
- +ได้รับความสนใจจากองค์กรขนาดใหญ่
ข้อเสีย
- −ไม่ใช่ LLM และไม่ได้สร้างข้อความ
- −แหล่งข่าวยังไม่อธิบายวิธีทำงานเชิงเทคนิคอย่างละเอียด
- −ตัวเลขการใช้งานโดย Fortune 500 เป็นคำกล่าวอ้างของบริษัท
- −ยังไม่มีผลทดสอบอิสระในแหล่งข่าว
มูลค่า 7.5 พันล้านดอลลาร์บอกอะไร และยังไม่บอกอะไร
มูลค่า 7.5 พันล้านดอลลาร์สะท้อนความเชื่อมั่นของนักลงทุนต่อทิศทางของ Jev แต่ไม่ได้แปลว่าโมเดลพิสูจน์ประสิทธิภาพแล้ว เงินระดมทุน $870 million ก็เช่นกัน เป็นหลักฐานว่าบริษัทระดมทุนได้สำเร็จ ไม่ใช่ผลทดสอบการใช้งานจริง
คำว่าใช้โทเคนน้อยกว่า LLM อาจช่วยลดภาระเมื่อเอาไปทำงานอัตโนมัติ แต่ต้องดูบริบท คุณภาพของ calibrated decisions และการนำไปเชื่อมกับระบบจริงด้วย ที่สำคัญ คำกล่าวว่าเร็วกว่าและใช้โทเคนน้อยกว่ามาจาก TypeSafe เอง จึงควรแยกออกจากข้อเท็จจริงที่ข่าวยืนยันได้
การประเมิน Jev ยังต้องดูผลทดสอบที่ตรวจสอบได้ ความสม่ำเสมอของผลลัพธ์ และต้นทุนแฝงในการใช้งานจริง ไม่ควรสรุปจากตัวเลขระดมทุนเพียงอย่างเดียว.
ทำไม Jev จึงโตเร็วผิดปกติ
Jev เปิดตัววันที่ 15 กันยายน แล้วกลายเป็นกระแสแทบจะทันที TypeSafe อ้างว่าหนึ่งในสามของบริษัท Fortune 500 ใช้งานแล้ว สะท้อนว่าตลาดองค์กรตอบรับเร็วมาก
เพียงไม่กี่สัปดาห์หลังเปิดตัว TypeSafe ระดมทุนได้ 870 ล้านดอลลาร์ รอบนี้นำโดย Andreessen Horowitz และมี Sequoia กับนักลงทุนเดิมอย่าง DCVC เข้าร่วมด้วย.
คำถามสำคัญก่อนตัดสินว่า Jev คืออนาคตของงานอัตโนมัติ
Jev น่าสนใจไม่ใช่เพราะสร้างข้อความได้ดีขึ้น แต่เพราะเปลี่ยนผลลัพธ์ของ AI เป็นความน่าจะเป็น หรือ “calibrated decisions” ที่คอมพิวเตอร์นำไปใช้ต่อได้ แนวทางนี้อาจเหมาะกับงานอัตโนมัติมากกว่าการให้โมเดลเขียนข้อความหรือโค้ด
แต่คำถามสำคัญคือ Jev ทำได้เร็วกว่าและใช้ tokens น้อยกว่า LLM จริงแค่ไหน รวมถึงใช้งานในระบบจริงได้ดีเพียงใด แหล่งข่าวนี้ยังไม่มีรายละเอียดการทดสอบหรือหลักฐานเปรียบเทียบ จึงต้องติดตามข้อมูลส่วนนี้ก่อนตัดสินว่า Jev คืออนาคตของงานอัตโนมัติหรือไม่