Jev มาแรง หุ้นสหรัฐฯ ตัวไหนเกี่ยวข้องบ้าง?

ช่วงไม่กี่วันที่ผ่านมา ชื่อใหม่ชื่อหนึ่งปรากฏขึ้นบ่อยครั้งบนไทม์ไลน์ของนักพัฒนา AI: Jev

บางคนใช้มันจัดหมวดหมู่เอกสารวิชาการ บางคนใช้มันเลือกเครื่องมือที่เอเจนต์ควรเรียกใช้ และบางคนนำมันไปเชื่อมต่อกับเครื่องจำลองโดรน เพื่อให้โดรนเลือกการเคลื่อนที่เพื่อหลบหลีกสิ่งกีดขวาง แพลตฟอร์มอย่าง OpenRouter และ Cloudflare ก็ได้เชื่อมต่อโมเดลใหม่นี้เช่นกัน และมีการสาธิตการใช้งาน Jev ปรากฏขึ้นอย่างต่อเนื่อง

หาก Jev ทำให้ AI ตัดสินใจได้เร็วขึ้นและถูกลง บริษัทหุ้นสหรัฐฯ แห่งใดบ้างที่มีโอกาสได้รับประโยชน์จากสิ่งนี้?

ก่อนจะเข้าใจตรรกะการลงทุน ต้องทำความเข้าใจก่อนว่า Jev คืออะไรกันแน่

การทำโจทย์ปรนัย

Jev คือโมเดลการตัดสินใจที่ TypeSafe AI เปิดตัวเมื่อวันที่ 15 กันยายน บริษัทเรียกหมวดหมู่ของมันว่า System One หรือ "ระบบหนึ่ง" โดยยืมแนวคิดการตัดสินใจอย่างรวดเร็วจากหนังสือบุกเบิกด้านเศรษฐศาสตร์พฤติกรรมเรื่อง "Thinking, Fast and Slow" (คิด, เร็วและช้า) มันสามารถเข้าใจคำอธิบายที่เป็นข้อความ และให้ผลลัพธ์หลักเป็นตัวเลือก คะแนน และความน่าจะเป็น เพื่อให้ซอฟต์แวร์นำไปประมวลผลต่อ

ตัวอย่างเช่น ร้านค้าออนไลน์แห่งหนึ่งได้รับข้อความว่า "ฉันซื้อแก้วเมื่อวานนี้ ดูเหมือนถูกหักเงินสองครั้ง ช่วยตรวจสอบได้ไหม?"

ระบบมีคำถามย่อยหลายข้อที่ต้องแก้ไข: เรื่องนี้เป็นของฝ่ายบริการหลังการขายหรือฝ่ายการเงิน? ผู้ใช้กำลังสอบถามบิลหรือขอคืนเงิน? บันทึกที่มีอยู่แสดงการหักเงินซ้ำหรือไม่?

นักพัฒนาสามารถกำหนดตัวเลือกไว้ล่วงหน้า แล้วให้ Jev ตอบแยกกัน จากนั้นโปรแกรมจะตรวจสอบคำสั่งซื้อและบันทึกการชำระเงิน แล้วเข้าสู่กระบวนการจัดการที่เกี่ยวข้อง เมื่อต้องอธิบายให้ลูกค้าฟัง ก็ส่งต่อให้โมเดลที่ถนัดด้านการสื่อสาร

นี่คือการใช้งานพื้นฐานของ Jev: ป้อนสถานการณ์ กำหนดคำถาม แล้วให้มันเลือก

โมเดลภาษาขนาดใหญ่ทั่วไปก็ทำงานเหล่านี้ได้เช่นกัน จุดดึงดูดของ Jev อยู่ที่การปรับให้เหมาะกับการจัดหมวดหมู่ การให้คะแนน และการเลือกโดยเฉพาะ ช่วยลดเวลาและค่าใช้จ่ายสำหรับการตัดสินใจเล็กๆ น้อยๆ มันส่งผลลัพธ์ตรงไปยังโปรแกรม โดยไม่ต้องสร้างคำอธิบายเพิ่มเติม

ต่อยอดไปอีก สมมติว่าคุณได้รับข้อความข่าวสารในอุตสาหกรรมหลายพันรายการต่อวัน แต่มีเพียงไม่กี่สิบรายการที่ควรค่าแก่การอ่านอย่างละเอียด คุณสามารถให้ Jev ตัดสินก่อนว่าข้อความแต่ละรายการเกี่ยวข้องกับบริษัทที่คุณสนใจหรือไม่ และมีข้อมูลใหม่หรือไม่ จากนั้นจึงให้โมเดลทั่วไปสรุปเนื้อหาที่คัดกรองแล้ว ด้วยวิธีนี้ โมเดลทั่วไปจะประมวลผลเฉพาะส่วนที่ควรค่าแก่การอ่านเชิงลึก ส่วนการตัดสินใจง่ายๆ จำนวนมากจะถูกส่งต่อให้ Jev ซึ่งมีต้นทุนต่ำกว่า

ความพยายามในลักษณะเดียวกันได้ขยายไปยังสถานการณ์ต่างๆ เช่น การใช้งานเบราว์เซอร์ การค้นหา และเกม Jev พิเศษ ของ Beating ได้รวบรวมโครงการเหล่านี้ตามการใช้งาน อธิบายว่า Jev รับผิดชอบการตัดสินใจใดบ้าง พร้อมแนบซอร์สโค้ดและลิงก์สาธิตบางส่วน เมื่อดูกรณีตัวอย่างจริง จะเข้าใจได้ง่ายขึ้นว่าความสามารถในการ "ทำโจทย์ปรนัย" นี้ใช้กับอะไรได้บ้าง

ลดต้นทุนให้ต่ำที่สุด

ตามราคาที่ TypeSafe ประกาศ Jev คิดค่าบริการ 0.042 ดอลลาร์สหรัฐต่อโทเค็นอินพุตหนึ่งล้านโทเค็น และเอาต์พุตฟรี

ความหมายของการลดต้นทุนคือ งานบางอย่างที่เดิมทำได้เพียงการสุ่มตรวจ ก็สามารถตรวจสอบทีละรายการได้ บันทึกการบริการลูกค้าสามารถจัดหมวดหมู่ทีละรายการ ข้อมูลที่ค้นคืนมาสามารถตัดสินความเกี่ยวข้องทีละรายการ และเอเจนต์อัจฉริยะก็สามารถกรองเพิ่มอีกครั้งก่อนเรียกใช้เครื่องมือแต่ละครั้ง

ตัวอย่างเช่น โปรแกรมวิเคราะห์ข่าวในอดีตอาจเลือกเฉพาะบทความที่ได้รับความนิยมสูงสุดส่งให้ AI ในแต่ละวัน แต่ตอนนี้สามารถตรวจสอบบทความทั้งหมดก่อน แล้วจัดหมวดหมู่ตามบริษัท ผลิตภัณฑ์ คำสั่งซื้อ และการเปลี่ยนแปลงบุคลากร ข้อมูลที่ไม่ได้รับความนิยมสูงแต่เกี่ยวข้องโดยตรงกับองค์กรสำคัญบางแห่ง ก็มีโอกาสถูกค้นพบเช่นกัน

ชื่อ Jev มาจากนักเศรษฐศาสตร์ Jevons ซึ่งผลงานที่โด่งดังที่สุดคือการเสนอ "Jevons Paradox" (ปฏิทรรศน์ของเจวอนส์) นักพัฒนาหวังว่าเมื่อการตัดสินใจถูกลง ซอฟต์แวร์จะใช้งานมันบ่อยขึ้น จุดที่เมื่อก่อนไม่คุ้มค่าที่จะเรียกใช้โมเดลขนาดใหญ่แยกต่างหาก ก็สามารถคำนวณต้นทุนใหม่ได้ทั้งหมด

Jev กับอุปกรณ์ทางกายภาพ

นักพัฒนา Roman Slack ได้สร้างโปรเจกต์โดรนขึ้นมา: ในเครื่องจำลองฟิสิกส์ MuJoCo โดรนสี่ใบพัดลำหนึ่งไล่ตามเป้าหมายด้านหน้า โดยบินผ่านเสา คานขวาง และสิ่งกีดขวางที่เคลื่อนที่ได้

โปรแกรมจะรวบรวมข้อมูลความลึกและการแบ่งส่วนที่ได้จากกล้องให้เป็นข้อมูลก่อน แล้วบอก Jev ว่าด้านหน้าถูกบังหรือไม่ ด้านซ้ายหรือขวามีช่องว่างหรือไม่ และสิ่งกีดขวางสูงเท่าใด จากนั้น Jev จะเลือกจากการกระทำต่างๆ เช่น รักษาเส้นทาง เลี้ยวซ้าย เลี้ยวขวา ไต่ระดับ หรือเบรก

ตัวอย่างเช่น คานขวางอันหนึ่งบังเส้นทางทั้งหมด เลี้ยวซ้ายหรือขวาไม่ได้ แต่ด้านบนยังมีพื้นที่ว่าง Jev สามารถเลือกไต่ระดับได้ แล้วโปรแกรมควบคุมจะแปลงตัวเลือกนี้เป็นคำสั่งการเคลื่อนที่ของโดรน

ระหว่างการบิน โมดูลต่างๆ ทำหน้าที่ของตัวเอง Jev ตัดสินว่าควรไปทางไหน โปรแกรมควบคุมรับผิดชอบการรักษาสมดุล ปรับแรงขับมอเตอร์ และหลบหลีกสิ่งกีดขวางฉุกเฉิน กล้องให้ข้อมูลสภาพแวดล้อม โมเดลการตัดสินใจเลือกการกระทำ และตัวควบคุมทำให้การกระทำเกิดขึ้น

การแบ่งงานแบบเดียวกันนี้สามารถเข้าใจได้จากการใช้แขนกลหยิบแก้ว กล้องระบุตำแหน่งของแก้ว เซนเซอร์วัดระยะทางและแรง ตัวควบคุมปรับการเคลื่อนไหวของนิ้ว และโมเดลการตัดสินใจมีส่วนร่วมในการตัดสินว่าควรหยิบแก้วใบไหนก่อน และเมื่อเจอสิ่งกีดขวางจะทำอย่างไร

หากการตัดสินใจประเภทนี้ถูกลงและเชื่อมต่อง่าย ต้นทุนการพัฒนาอุปกรณ์อัตโนมัติก็มีโอกาสลดลง อุปกรณ์ที่เมื่อก่อนไม่คุ้มค่าเพราะการพัฒนาซอฟต์แวร์แพงเกินไปและสถานการณ์การใช้งานน้อยเกินไป ก็จะมีพื้นที่เชิงพาณิชย์ใหม่

นี่จึงเชื่อมโยง Jev เข้ากับบริษัทบางแห่ง เมื่อมีอุปกรณ์เข้าสู่โรงงาน คลังสินค้า และบ้านเรือนมากขึ้น ก็หมายถึงความต้องการด้านการรับรู้ การจ่ายไฟ การประมวลผล และการควบคุมการเคลื่อนไหวที่มากขึ้น

หลักทรัพย์ใดบ้างที่อาจได้รับประโยชน์

เมื่อมองตามแนวคิดนี้ สิ่งที่น่าจับตามองคือชิ้นส่วนที่อุปกรณ์ต้องใช้ตั้งแต่การรับรู้สภาพแวดล้อมจนถึงการลงมือทำ ไม่ว่าซอฟต์แวร์จะเลือกโมเดลใด หุ่นยนต์หนึ่งตัวก็ต้องรู้ว่าตัวเองอยู่ที่ไหน มีอะไรอยู่รอบข้าง และแปลงพลังงานไฟฟ้าเป็นการเคลื่อนไหวที่แม่นยำ

Texas Instruments (TXN) ครอบคลุมอุปกรณ์เสริมด้านการรับรู้และการปฏิบัติการ

ชิปแอนะล็อกมีหน้าที่ประมวลผลสัญญาณที่เปลี่ยนแปลงต่อเนื่อง เช่น แรงดันและกระแสไฟฟ้า รวมถึงทำหน้าที่จ่ายไฟและขับเคลื่อน ผลิตภัณฑ์หุ่นยนต์ของ TXN ครอบคลุมการเก็บสัญญาณ การควบคุมมอเตอร์ แหล่งจ่ายไฟ และการประมวลผลแบบฝังตัว

หลังจากหุ่นยนต์ตัดสินใจยกแขนแล้ว กระแสไฟฟ้าจะถูกส่งไปยังมอเตอร์อย่างไร และควบคุมแรงอย่างไร ล้วนต้องใช้ชิ้นส่วนเหล่านี้ หากระบบอัตโนมัติที่ถูกลงนำมาซึ่งหุ่นยนต์ แขนกล และอุปกรณ์อัจฉริยะมากขึ้น TXN ก็มีโอกาสขายชิปเสริมให้อุปกรณ์เหล่านี้ได้มากขึ้น

Analog Devices (ADI) ตอบโจทย์การรับรู้และการเคลื่อนไหวที่แม่นยำยิ่งขึ้น

โซลูชันหุ่นยนต์ของ ADI เกี่ยวข้องกับการตรวจจับแรงเฉื่อย การเชื่อมต่อกล้อง การสื่อสารทางอุตสาหกรรม และอินเทอร์เฟซการควบคุมการเคลื่อนไหว ตัวอย่างเช่น หุ่นยนต์คลังสินค้าเข้าไปในช่องทางที่แสงไม่ดี ต้องใช้ข้อมูลแรงเฉื่อยประกอบการตัดสินการเคลื่อนไหวของตัวเอง เมื่อกล้องและเซนเซอร์หลายตัวทำงานพร้อมกัน ยังต้องซิงโครไนซ์ข้อมูลส่งไปยังโปรเซสเซอร์ด้วย

ยิ่งงานที่อุปกรณ์รับผิดชอบซับซ้อนขึ้น ความต้องการความแม่นยำในการรับรู้ ความเสถียรในการเชื่อมต่อ และการควบคุมการเคลื่อนไหวก็ยิ่งสูงขึ้น ตรรกะการได้รับประโยชน์ของ ADI คือการจัดหาอุปกรณ์เสริมเหล่านี้ในอุปกรณ์อัตโนมัติจำนวนมากขึ้น

STMicroelectronics (STM) ตอบโจทย์ AI บนอุปกรณ์ที่ใช้พลังงานต่ำ

สิ่งที่เรียกว่า Edge AI (เอจ AI) คือการให้อุปกรณ์ประมวลผลข้อมูลส่วนหนึ่งในเครื่อง ไมโครคอนโทรลเลอร์ STM32N6 ของ STM ได้รวมตัวเร่งความเร็วสำหรับการคำนวณโครงข่ายประสาทเทียมไว้แล้ว มุ่งเป้าไปที่การใช้งานด้านภาพและเสียงที่ไวต่อต้นทุนและพลังงาน

ตัวอย่างเช่น อุปกรณ์กล้องขนาดเล็กสามารถระบุวัตถุในเครื่องได้ และอุปกรณ์อุตสาหกรรมสามารถตัดสินจากเสียงว่าการทำงานผิดปกติหรือไม่ การถกเถียงเกี่ยวกับ Jev ดึงความสนใจของนักลงทุนไปสู่การใช้งานประเภทนี้: งานอัจฉริยะที่เรียบง่ายและซ้ำซากจำนวนมาก มีโอกาสเข้าสู่อุปกรณ์ที่ราคาถูกลงและขนาดเล็กลง STM มอบความสามารถในการประมวลผลที่อุปกรณ์ประเภทนี้ต้องการ

onsemi (ON) ตอบโจทย์อุปกรณ์ด้านภาพและกำลังไฟฟ้า

ผลิตภัณฑ์ที่ ON มอบให้หุ่นยนต์ ได้แก่ เซนเซอร์ภาพ เซนเซอร์ความลึก รวมถึงทรานซิสเตอร์กำลังและชิปขับเคลื่อนมอเตอร์ สองประเภทแรกทำหน้าที่เก็บภาพและข้อมูลระยะทาง สองประเภทหลังทำงานร่วมกันเพื่อควบคุมกระแสไฟฟ้าที่มอเตอร์ต้องการ

ยกตัวอย่างหุ่นยนต์ขนย้ายในคลังสินค้า เซนเซอร์ภาพในกล้องเก็บภาพชั้นวางสินค้าด้านหน้า เซนเซอร์ความลึกวัดระยะห่างจากสิ่งกีดขวาง ชิปขับเคลื่อนมอเตอร์ทำงานร่วมกับทรานซิสเตอร์กำลังเพื่อควบคุมกระแสไฟฟ้า ทำให้ล้อหมุนได้ เมื่อมีหุ่นยนต์และอุปกรณ์กล้องอัจฉริยะถูกใช้งานมากขึ้น ก็มีโอกาสเพิ่มความต้องการเซนเซอร์และชิปเหล่านี้

นอกจากสี่บริษัทนี้แล้ว ยังมีอีกสามบริษัทที่สามารถใส่ไว้ในรายการเฝ้าดูได้

NXP Semiconductors (NXPI)

ธุรกิจที่เกี่ยวข้อง: โปรเซสเซอร์ i.MX ไมโครคอนโทรลเลอร์ ผลิตภัณฑ์ด้านการเชื่อมต่อและการควบคุม

ตรรกะการได้รับประโยชน์: มอบความสามารถด้านการประมวลผล การสื่อสาร และการควบคุมให้กับหุ่นยนต์และอุปกรณ์อุตสาหกรรมจำนวนมากขึ้น

Qualcomm (QCOM)

ธุรกิจที่เกี่ยวข้อง: แพลตฟอร์ม Dragonwing สำหรับหุ่นยนต์ โดรน และ AI บนอุปกรณ์

ตรรกะการได้รับประโยชน์: รองรับความต้องการการประมวลผลภาพ การคำนวณ และการเชื่อมต่อในเครื่องของอุปกรณ์

Cloudflare (NET)

ธุรกิจที่เกี่ยวข้อง: ให้บริการเชื่อมต่อและเรียกใช้โมเดลบุคคลที่สามอย่าง Jev

ตรรกะการได้รับประโยชน์: เมื่อนักพัฒนาใช้ Jev สำหรับการคัดแยกงานบริการลูกค้า การกรองข้อมูล และการจัดตารางงานของเอเจนต์ พวกเขายังต้องปรับใช้แอปพลิเคชัน เชื่อมต่อข้อมูล และจัดการการเรียกใช้ โอกาสของ Cloudflare คือการทำให้แอปพลิเคชันเหล่านี้ทำงานอยู่บนแพลตฟอร์มของตัวเอง

ยังอยู่ในช่วงเริ่มต้น

Jev ยังมีปัญหาที่ต้องแก้ไขในปัจจุบัน ได้แก่ ความแม่นยำในการตัดสิน การออกแบบคำถาม และความสามารถของบริการในการรองรับธุรกิจที่ดำเนินงานระยะยาว

ประการแรก การโฆษณาว่า Jev "ไม่มีภาพหลอน" อาจทำให้เข้าใจผิดได้ การกำหนดให้มันเลือกได้เฉพาะ A, B, C เท่านั้น ช่วยป้องกันไม่ให้มันส่งค่า D ที่โปรแกรมไม่รู้จักกลับมา แต่มันก็ยังเลือกผิดได้ เมื่อกลับมาที่ตัวอย่างการบริการลูกค้า การที่โปรแกรมอ่านผล "ส่งต่อให้ฝ่ายการเงิน" ได้อย่างราบรื่น ไม่ได้หมายความว่าใบงานนั้นควรได้รับการจัดการโดยฝ่ายการเงินจริงๆ

มีนักพัฒนาคนหนึ่งทดสอบ Jev กับงานแปดประเภทและทำการตัดสิน 16,000 ครั้ง เขายอมรับข้อได้เปรียบด้านความเร็วและต้นทุนของ Jev แต่ก็พบว่าปัญหาและตัวเลือกยังต้องปรับเพิ่มเติมเพื่อให้ครอบคลุมสถานการณ์จริง เขายังหวังว่าจะรอให้ผู้ให้บริการสั่งสมประสบการณ์การดำเนินงานมากขึ้นและมีทางเลือกอื่นในตลาดก่อน แล้วจึงเชื่อมต่อกับธุรกิจการผลิต

ยังไม่ทราบว่า Jev จะรับงานได้มากน้อยเพียงใด แต่แนวโน้มหนึ่งได้ปรากฏขึ้นแล้ว: มอบการตัดสินใจซ้ำๆ จำนวนมากให้กับ Jev และปล่อยให้งานซับซ้อนเป็นหน้าที่ของโมเดลทั่วไป

เมื่อต้นทุนการพัฒนาและการใช้งานระบบอัตโนมัติลดลง ชิปแอนะล็อก Edge AI และอุปกรณ์อัตโนมัติ จะ迎来ช่วงเวลา ChatGPT ของตัวเองหรือไม่?