Jev набирает популярность: какие акции США могут выиграть?

В последние дни в лентах разработчиков ИИ всё чаще появляется новое имя: Jev.

Кто-то использует его для классификации научных статей, кто-то — для выбора инструментов, которые должен вызывать ИИ-агент, а кто-то подключает его к симулятору дронов, чтобы дрон выбирал действия для обхода препятствий. Такие платформы, как OpenRouter и Cloudflare, уже интегрировали эту новую модель, и одна за другой появляются демонстрации приложений на базе Jev.

Если Jev делает принятие решений ИИ быстрее и дешевле, какие американские компании могут от этого выиграть?

Прежде чем разбираться в инвестиционной логике, нужно понять, что такое Jev.

Решение задач с выбором

Jev — это модель принятия решений, выпущенная TypeSafe AI 15 сентября. Компания относит её к категории System One, то есть «Система 1», заимствуя концепцию быстрых суждений из основополагающей работы по поведенческой экономике «Думай медленно... решай быстро». Модель понимает текстовые описания и в основном выводит варианты, оценки и вероятности для дальнейшей обработки программным обеспечением.

Например, интернет-магазин получает сообщение: «Я вчера купил чашку, и с меня, похоже, дважды списали деньги. Можно проверить?»

Системе нужно решить несколько небольших вопросов: относится ли это к послепродажному обслуживанию или к финансам? Пользователь запрашивает счёт или возврат средств? Показывают ли существующие записи повторное списание?

Разработчик может заранее задать варианты, и Jev ответит на каждый из них. Затем программа сверяет заказ и платёжные записи и запускает соответствующий процесс обработки; когда нужно объяснить ситуацию клиенту, подключается модель, которая хорошо умеет формулировать ответы.

Это и есть базовый сценарий использования Jev: дать ей ситуацию, задать вопросы и позволить сделать выбор.

Универсальные большие модели тоже могут выполнять такие задачи. Привлекательность Jev в том, что она специально оптимизирована для классификации, оценки и выбора, что сокращает время и затраты на каждое отдельное суждение. Она передаёт результат напрямую программе, избавляя от необходимости генерировать пояснительный текст.

Если развить мысль, то вы ежедневно получаете тысячи отраслевых сообщений, но по-настоящему стоит внимательно прочитать лишь несколько десятков. Можно сначала поручить Jev определить, касается ли каждое сообщение интересующих вас компаний и содержит ли оно новую информацию, а затем попросить универсальную модель обобщить отобранное. Таким образом, универсальная модель обрабатывает только то, что заслуживает глубокого чтения, а множество простых суждений достаётся более дешёвой Jev.

Подобные эксперименты уже охватывают управление браузером, поиск и игры. В специальном разделе о Jev от Beating собраны такие проекты по назначению, описано, какие задачи выбора решает Jev в каждом из них, и приложены исходный код и некоторые демо-входы. На конкретных примерах легче понять, где может пригодиться эта способность «решать задачи с выбором».

Снижение затрат до минимума

Согласно опубликованным TypeSafe ценам, Jev стоит 0,042 доллара за миллион входных токенов, вывод бесплатный.

Смысл снижения затрат в том, что работы, которые раньше можно было проверять лишь выборочно, теперь можно проверять каждую запись. Записи службы поддержки можно классифицировать по одной, извлечённые данные — оценивать на релевантность по одному, а интеллектуальный агент может выполнять дополнительную фильтрацию перед каждым вызовом инструмента.

Например, программа анализа новостей раньше ежедневно отбирала только самые популярные статьи для передачи ИИ, а теперь может сначала проверить все статьи, а затем классифицировать их по компаниям, продуктам, заказам и кадровым изменениям. Информация, которая не стала популярной, но напрямую связана с важным предприятием, тоже может быть обнаружена.

Название Jev происходит от экономиста Джевонса, наиболее известного благодаря «парадоксу Джевонса». Разработчики надеются, что после удешевления суждений программное обеспечение будет использовать их чаще. Там, где раньше не стоило отдельно вызывать большую модель, теперь можно заново пересчитать экономическую целесообразность.

Jev и физические устройства

Разработчик Roman Slack сделал проект с дроном: в физическом симуляторе MuJoCo квадрокоптер преследует цель впереди, пролетая между столбами, балками и движущимися препятствиями.

Программа сначала преобразует данные о глубине и сегментации, полученные с камеры, и сообщает Jev, заблокирован ли путь впереди, с какой стороны есть свободное пространство и насколько высоко препятствие. Затем Jev выбирает одно из действий: сохранить курс, обойти слева, обойти справа, набрать высоту или затормозить.

Например, балка перекрывает весь проход, обойти слева или справа невозможно, но сверху есть пространство. Jev может выбрать набор высоты, а управляющая программа преобразует этот выбор в команды движения дрона.

Во время полёта разные модули выполняют свои функции. Jev решает, куда двигаться, управляющая программа отвечает за удержание равновесия, регулировку тяги двигателей и экстренное уклонение от препятствий. Камера предоставляет информацию об окружающей среде, модель принятия решений выбирает действие, а контроллер реализует его.

То же разделение труда можно понять на примере роботизированной руки, берущей чашку. Камера распознаёт положение чашки, датчики измеряют расстояние и усилие, контроллер регулирует движения пальцев, а модель принятия решений участвует в определении того, какую чашку взять сначала и что делать при столкновении с препятствием.

Если такие суждения станут дешёвыми и легко интегрируемыми, стоимость разработки автоматизированного оборудования может снизиться. Устройства, которые раньше были нерентабельны из-за дорогой разработки ПО и слишком узких сценариев использования, получат новые коммерческие возможности.

Это связывает Jev с рядом компаний. Больше устройств на заводах, складах и в домах приводит к большему спросу на сенсоры, электропитание, вычисления и управление движением.

Какие активы могут выиграть

Если рассуждать в этом направлении, стоит обратить внимание на компоненты, необходимые устройствам от восприятия окружающей среды до выполнения действий. Независимо от того, какую модель выберет программное обеспечение, роботу нужно знать, где он находится и что вокруг, и преобразовывать электроэнергию в точные движения.

Texas Instruments (TXN) — комплексные решения для восприятия и исполнения

Аналоговые микросхемы обрабатывают непрерывно меняющиеся сигналы, такие как напряжение и ток, а также выполняют задачи электропитания и управления приводами. Робототехническая продукция TXN включает сбор сигналов, управление двигателями, питание и встраиваемую обработку.

После того как робот решит поднять руку, именно эти компоненты отвечают за подачу тока на двигатель и контроль усилия. Если удешевление автоматизации приведёт к появлению большего числа роботов, манипуляторов и умных устройств, у TXN появится возможность продавать им больше сопутствующих микросхем.

Analog Devices (ADI) — более точное восприятие и управление движением.

Решения ADI для робототехники включают инерциальные датчики, интерфейсы для камер, промышленную связь и интерфейсы управления движением. Например, складскому роботу, заезжающему в плохо освещённый проход, нужно использовать инерциальную информацию для оценки собственного движения; когда несколько камер и датчиков работают одновременно, данные необходимо синхронно передавать процессору.

Чем сложнее задачи, выполняемые устройством, тем выше требования к точности восприятия, стабильности соединения и управлению движением. Выгода ADI заключается в предоставлении этих сопутствующих решений для большего числа автономных устройств.

STMicroelectronics (STM) — периферийный ИИ для устройств с низким энергопотреблением.

Так называемый периферийный ИИ позволяет устройству обрабатывать часть данных локально. Микроконтроллер STM32N6 от STM уже включает ускоритель для вычислений нейронных сетей и ориентирован на приложения, чувствительные к стоимости и энергопотреблению, связанные со зрением и звуком.

Например, небольшая камера может распознавать объекты локально, а промышленное оборудование — определять по звуку, нет ли отклонений в работе. Обсуждение вокруг Jev привлекло внимание инвесторов к таким сценариям: множество простых, повторяющихся интеллектуальных задач может быть перенесено на более дешёвые и компактные устройства. STM предлагает именно те вычислительные возможности, которые нужны таким устройствам.

onsemi (ON) — компоненты для зрения и силовые компоненты.

Продукция ON для робототехники включает датчики изображения, датчики глубины, а также силовые транзисторы и микросхемы драйверов двигателей. Первые два типа отвечают за сбор изображения и данных о расстоянии, а последние два типа — за управление током, необходимым для двигателей.

На примере складского транспортного робота: датчик изображения в камере фиксирует картинку полок впереди, датчик глубины измеряет расстояние до препятствий, а микросхема драйвера двигателя вместе с силовым транзистором управляет током, заставляя колёса вращаться. Если будет использоваться больше роботов и интеллектуальных камер, спрос на эти датчики и микросхемы может вырасти.

Помимо этих четырёх компаний, ещё три можно добавить в список для наблюдения.

NXP Semiconductors (NXPI)

Соответствующий бизнес: процессоры i.MX, микроконтроллеры, продукты для связи и управления

Выгода: предоставление вычислительных, коммуникационных и управляющих возможностей для большего числа роботов и промышленного оборудования

Qualcomm (QCOM)

Соответствующий бизнес: платформа Dragonwing для роботов, дронов и ИИ на конечных устройствах

Выгода: удовлетворение спроса на локальную обработку визуальных данных, вычисления и связь на устройствах

Cloudflare (NET)

Соответствующий бизнес: предоставление доступа к сторонней модели Jev и возможности её вызова

Выгода: когда разработчики используют Jev для распределения обращений в службу поддержки, фильтрации данных и планирования агентов, им также нужно развёртывать приложения, подключать данные и управлять вызовами. Возможность Cloudflare — удержать эти приложения на своей платформе.

Пока на ранней стадии

У Jev остаются нерешённые проблемы, включая точность суждений, разработку вопросов и способность сервиса поддерживать долгосрочную работу бизнеса.

Во-первых, заявления об отсутствии галлюцинаций у Jev могут вводить в заблуждение. Ограничение выбора вариантами A, B и C позволяет избежать возврата незнакомого программе варианта D, но модель всё равно может ошибиться. Возвращаясь к примеру со службой поддержки: то, что программа успешно считывает ответ «передать в финансовый отдел», не означает, что эта заявка действительно должна обрабатываться финансами.

Один разработчик протестировал Jev на восьми типах задач и выполнил 16 000 суждений. Он признал преимущества Jev в скорости и стоимости, но отметил, что вопросы и варианты нужно дорабатывать, чтобы охватить реальные ситуации. Он также хочет дождаться, пока поставщик накопит больше опыта эксплуатации и на рынке появятся альтернативы, прежде чем подключать модель к производственным процессам.

Сколько работы сможет взять на себя Jev, пока неизвестно, но одна тенденция уже проявилась: делегировать Jev множество повторяющихся суждений, а сложные задачи оставлять универсальным моделям.

Когда стоимость разработки и использования автоматизации снизится, наступит ли для аналоговых микросхем, периферийного ИИ и автономных устройств свой «момент ChatGPT»?