معرفی مدل هوش مصنوعی Jev: انقلابی ارزان و سریع برای اتوماسیون نرم‌افزار

معرفی مدل هوش مصنوعی Jev: وقتی دیگو آلمیدا به دنبال راه حلی نو بود

دیگو آلمیدا، پژوهشگر پیشین OpenAI و یکی از معماران اصلی تکنولوژی آموزش تقویتی از بازخورد انسانی (RLHF) که شاید مهم‌ترین نقش را در شکل‌گیری عصر کنونی هوش مصنوعی داشته است، پس از ترک OpenAI شرکت TypeSafe AI را تأسیس کرد. هدف او حل مشکلی بود که خود به خوبی آن را درک کرده بود: چیپست‌های فعلی زبانی بزرگ (LLM) اگرچه قادر به پردازش زبان انسانی هستند، اما برای خودکارسازی واقعی کارهای نرم‌افزاری چندان مناسب نیستند.

آلمیدا در مصاحبه‌ای با TechCrunch گفت: «ما رعد و برق را در شیشه‌ای حبس کرده‌ایم، اما این شیشه هنوز کاربرد عملی ندارد.» او معتقد است مشکل اصلی اینجاست که ما چهار سال است روی بهینه‌سازی برای زبان انسانی تمرکز کرده‌ایم، در حالی که کامپیوترها زبان متفاوتی دارند. این بینش، جرقه‌ای شد که به ظهور مدل جدید Jev انجامید.

Jev چیست؟ مدل غیرزبانی که پرواز می‌کند

مدل Jev یک مدل بزرگ زبانی (LLM) سنتی نیست. این مدل خروجی متنی تولید نمی‌کند، بلکه احتمال‌ها و تصمیماتی کالیبره‌شده ارائه می‌دهد. این تفاوت بنیادی، سه مزیت کلیدی به همراه دارد:

• هزینه بسیار پایین‌تر: توکن‌های خروجی رایگان هستند و توکن‌های ورودی بر اساس میلیارد محاسبه می‌شوند، نه میلیون.
• سرعت خیره‌کننده: نتیجه پردازش ۵ تا ۱۸ برابر سریع‌تر از مدل‌های زبانی بزرگ است.
• حذف کامل توهم: چون کاربران خروجی‌ها را از پیش تعریف می‌کنند، مدل امکان توهم‌زایی (Hallucination) ندارد.

«ما فکر می‌کنیم هوش مصنوعی قرار است همه‌جا ظاهر شود — نه به شکل اپلیکیشن‌های غول‌پیکر، بلکه بیشتر شبیه اینترنت اولیه، به صورت توزیع‌شده و فراگیر.» — دیگو آلمیدا، بنیان‌گذار TypeSafe AI

عملکرد Jev در مقایسه با رقبای بزرگ

توسعه‌دهندگان بلافاصله شیفتگان این مدل شدند. شرکت Vercel، پیشرو در زیرساخت‌های عامل‌محور (Agentic)، پس از آزمایش Jev در کنار مدل‌های OpenAI، نتایج شگفت‌انگیزی ثبت کرد. پرنیت شارما، مهندس نرم‌افزار این شرکت، گزارش داد که هنگام جایگزینی مدل ChatGPT Luna با Jev برای طبقه‌بندی دستورات امنیتی، سرعت پردازش بین ۵ تا ۱۸ برابر افزایش یافت و دقت نیز بهتر شد.

نیکول مودهولکر، مدیر ارشد فنی Bryo AI، مدل Jev را در کنار Gemini برای طبقه‌بندی ایمیل‌های کسب‌وکار آزمایش کرد. اگرچه Gemini از نظر دقت کمی برتری داشت، اما هزینه آن ۱۰ تا ۲۰ برابر بیشتر بود. نکته مهم‌تر برای مودهولکر، امتیازات اعتماد (Confidence Scores) مدل Jev بود: «تنها مدلی است که احتمال واقعی و قابل اطمینان برمی‌گرداند و این ویژگی آن را برای خودکارسازی workflows ایده‌آل می‌سازد.»

معماری و روش آموزش: داده‌های ترکیبی و RL Calibrated

TypeSafe AI هنوز جزئیات معماری مدل Jev را فاش نکرده است، اما ناظران خارجی حدس می‌زنند که این مدل بر پایه یک LLM با وزن‌های باز ساخته شده باشد. شرکت از Jev به عنوان یک «System One Model» یاد می‌کند — مدلی که بر شهود تمرکز دارد نه استدلال، و دقیقاً برای انجام کاری خاص طراحی شده است.

آلمیدا تأکید کرد که Jev منحصراً بر روی داده‌های مصنوعی (Synthetic Data) آموزش دیده و از تکنیکی به نام «تقویت یادگیری از تصمیمات کالیبره‌شده» استفاده می‌کند. او این رویکرد را یکی از بهترین تصمیمات زندگی حرفه‌ای‌اش دانست:

«نیمی از شرکت ما یک آزمایشگاه است که مالک کل حوزه داده‌های ترکیبیِ مبتنی بر اصول آماری است. این موضوع اکنون بزرگ‌ترین لذت زندگی من شده است.» — دیگو آلمیدا

کاربردهای عملی Jev: از مانیتورینگ عوامل تا مسیریابی هوشمند

یکی از جذاب‌ترین کاربردهای Jev، نظارت بر عوامل هوش مصنوعی (Agent Monitoring) است. آرمین روناجر، مدیر فنی Earendil و سازنده Pi (مدل harness منبع‌باز)، توضیح داد که استفاده از Jev برای ردیابی رفتار LLM‌ها و جلوگیری از Jailbreak به‌صرفه‌تر از استفاده از خود LLM است. او افزود:

• مدیریت توهم توسط کاربر: کاربر با دیدن امتیاز احتمال (مثلاً ۵۰٪ یا ۹۵٪) تصمیم می‌گیرد آیا خروجی قابل اعتماد است یا خیر.
• مدل‌ریوتینگ (Model Routing): تشخیص اینکه هر وظیفه به کدام مدل نیاز دارد، با Jev به‌صورت بلادرنگ و کم‌هزینه امکان‌پذیر می‌شود.
• هزینه و سرعت: هزینه پایین و سرعت بالای Jev، استفاده از آن را در لایه‌های متعدد سیستم‌های عامل‌محور کاملاً مقرون‌به‌صرفه می‌کند.

فلسفه Jev: پارادوکس جونس و آینده هوش مصنوعی توزیع‌شده

نام Jev از ویلیام استنلی جونس، اقتصاددان قرن نوزدهم گرفته شده که «پارادوکس جونس» را مطرح کرد: وقتی هزینه یک کالای اساسی کاهش می‌یابد، استفاده از آن به‌طور نامحدود افزایش می‌یابد. آلمیدا معتقد است کاهش چشمگیر هزینه هوش مصنوعی، منجر به گسترش بی‌سابقه‌ی نرم‌افزارهای هوشمند خواهد شد.

«آینده، شبکه‌ای از نرم‌افزارهای هوشمند توزیع‌شده خواهد بود که بیشتر شبیه اینترنت اولیه است تا اپلیکیشن‌های غول‌پیکر امروزی.» — دیگو آلمیدا

روناجر نیز پیش‌بینی می‌کند که با آشکار شدن فواید Jev، رقبا به‌زودی وارد این عرصه خواهند شد. او گفت: «به نظر می‌رسد چون LLM‌ها خیلی ارزان و یارانه‌دار هستند، هنوز نیازی به خلاقیت احساس نمی‌شد، اما این فاصله به‌زودی پر خواهد شد.»

دیدگاه دیگو آلمیدا نسبت به آینده TypeSafe AI

آلمیدا درباره آینده TypeSafe AI و جایگاه خود در اکوسیستم هوش مصنوعی دیدگاه مشخصی دارد. او TypeSafe را یک «آزمایشگاه مرزی» (Frontier Lab) به معنای متداول آن نمی‌داند و در پاسخ به سوالی درباره این موضوع گفت:

«محصول اصلی آزمایشگاه‌های مرزی، ترس یا هیاهوست. محصول اصلی ما هوش است. ما اینجا نیستیم تا شرط‌بندی کنیم بر ثروت بی‌نهایت، یا بت‌پرستی، یا ساختن خدا در یک دیتاسنتر. ما اینجا هستیم تا هوش واقعی بسازیم.»

TypeSafe در حال کار بر روی نسخه‌های جدید Jev در مدالیتی‌های مختلف است. امروز Jev به‌تنهایی در این کلاس مدل‌ها حضور دارد، اما آینده نزدیک شاهد ظهور رقبایی خواهد بود که همان مسیر را دنبال می‌کنند.