TypeSafe اولین مدل را برای ماشین‌هایی که Doom را بازی می‌کنند معرفی کرد

TypeSafe AI، یک استارتاپ با سرمایه 40 میلیون دلاری، روز سه‌شنبه با انتشار Jev خود را سازنده مدل‌های مرزی معرفی کرد، نوع جدیدی از مدل هوش مصنوعی که برای تعامل با ماشین‌ها به جای افراد در نظر گرفته شده است. به جای بازگرداندن زبان طبیعی در پاسخ به یک درخواست مبتنی بر متن، TypeSafe AI Jev را طراحی کرد تا تصمیمات احتمالی تایپ شده را برای استفاده توسط نرم افزارهای دیگر یا مدل های هوش مصنوعی برگرداند. ایمنی تایپ در برنامه نویسی راهی برای تشخیص خطاهایی است که هنگام پردازش یک نوع غیرمنتظره از داده ها توسط نرم افزار ایجاد می شود، همانطور که ممکن است اگر عملیاتی بخواهد یک عدد صحیح را بر یک رشته متنی تقسیم کند اتفاق بیفتد.

با ارائه مقادیر تایپ شده و ساختار یافته، Jev می تواند از تجزیه و اعتبارسنجی که باید برای پردازش پاسخ های متنی از LLM ها انجام شود، اجتناب کند. این رویکرد می تواند برای سناریوهایی مفید باشد که در آن تعاملات با یک سیستم هوش مصنوعی باید به مجموعه محدودی از پاسخ ها محدود شود. برای مثال، زمانی که داده‌های ساختاری که وضعیت بازی بازیکن را توصیف می‌کنند تغذیه می‌شود، می‌تواند Doom را بازی کند. اما به احتمال زیاد برای مرتب‌سازی مشکلات خدمات مشتری و سایر گردش‌های کاری تجاری استفاده می‌شود.

با Jev، توسعه‌دهنده با یک مقدار حالت شروع می‌کند، که می‌تواند یک شی JSON یا صرفا رشته‌ای مانند «کارت من دو بار شارژ شد» باشد. مدل با اطلاعات حالت از طریق مجموعه‌ای از سوالات اولیه (انتخاب، امتیاز، نوول) ارائه می‌شود، که هر یک نوع متفاوتی از پاسخ ساختاریافته با احتمالات را برمی‌گرداند. بنابراین سؤالی که از مدل می‌خواهد انتخاب کند که کدام یک از سه بخش باید به درخواست خدمات مشتری خاص رسیدگی کند، ممکن است برگردد: {"billing": 0.08، "Technical": 0.85، "Sales": 0.07}، با امتیاز اطمینان 0.82.

این برای شخصی که به دنبال پاسخ یک سوال است خیلی مفید نیست، اما برای یک توسعه دهنده نرم افزار، این ممکن است تنها چیزی باشد که یک عملکرد خدمات مشتری خاص را با اطمینان بیشتری اجرا کند. Jev یک مدل System One است که بر معماری متفاوتی به نام یادگیری تقویتی برای تصمیمات کالیبره شده (RLCD) متکی است. دیوگو آلمیدا، یکی از بنیانگذاران و مدیرعامل TypeSafe AI، محقق سابق OpenAI و یکی از مخترعان یادگیری تقویتی برای بازخورد انسانی (RLHF) و ChatGPT است.

آلمیدا در بیانیه‌ای گفت: «TypeSafe برای دنبال کردن یک مسیر جایگزین برای تحقیقات هوش مصنوعی، با تمرکز بر هوش مصنوعی بومی ماشین، تأسیس شد. من سال‌ها روی مدل‌هایی کار کردم که برای بهبود هوش مصنوعی در تعامل با مردم طراحی شده‌اند. اما اگر قرار است هوش مصنوعی نحوه انجام کار را به‌طور اساسی تغییر دهد، مردم نمی‌توانند تنها مصرف‌کنندگان هوش باشند.» در حالی که پاسخ‌های زبان طبیعی از افرادی مانند ChatGPT یا Claude را می‌توان در کد دیگری قرار داد تا مجموعه‌ای محدود از پاسخ‌ها را تولید کند، جذابیت Jev از کارایی آن ناشی می‌شود.

TypeSafe ادعا می کند که LLM ها معمولا زمان پاسخگویی متغیری دارند که می تواند به چند دقیقه طول بکشد. زمان پاسخ Jev ظاهرا از 70ms-500ms، 40x200x سریعتر از LLM های سنتی متغیر است. این مدل با استفاده از پردازش موازی به این سرعت دست می یابد. LLM ها مانند OpenAI's GPT-5.6 Terra توکن متن بعدی را در یک دنباله پیش بینی می کنند و بنابراین به صورت متوالی عمل می کنند. معماری System One همه خروجی ها را به یک کوئری برمی گرداند. نسخه ی نمایشی ارسال شده در وب سایت TypeSafe نشان می دهد که Jev در 0.114 ثانیه پاسخ می دهد، در مقایسه با 8.566 ثانیه برای OpenAI's GPT-5.6 Terra. سپس بحث هزینه مطرح می شود.

Jev 0.042 دلار / MTok برای ورودی و 0 دلار برای خروجی شارژ می کند. OpenAI GPT-5.6 Terra 2.00 دلار / MTok و 12 دلار / MTok برای خروجی هزینه دارد. و در مقایسه با یک مدل سطح بالا مانند Fable 5.1، Jev 238 برابر کمتر است. نام "Jev" اشاره ای به ویلیام استنلی جوونز، اقتصاددان انگلیسی قرن نوزدهم است، معروف به پارادوکس جیوونز، که استدلال می کرد که کارایی فناوری مربوط به استفاده از زغال سنگ باعث افزایش مصرف زغال سنگ به جای کاهش آن می شود. این نام همچنین نشان دهنده شرط صنعت هوش مصنوعی است که بازده توکن بیشتر مصرف توکن را حتی با کاهش قیمت توکن افزایش می دهد.

این شرط‌بندی فرض می‌کند که بازار توکن‌ها به اندازه بازار انرژی گسترده خواهد بود - فرضی که هنوز حل نشده است، زیرا بسیاری از افرادی که به ابزارهای هوش مصنوعی دسترسی دارند، فقط کاربرد آنها را ندارند یا به دلیل مخالفت‌های اخلاقی از ابزارهای هوش مصنوعی اجتناب می‌کنند. TypeSafe ادعا می کند که Jev عاری از توهم است، که واقعا مقایسه عادلانه ای نیست زیرا خروجی آن زبان طبیعی نیست. Jev در عوض پاسخ‌های ساختاریافته با احتمالات را برمی‌گرداند، و این مانع از احتمال نادرست بودن آن نمی‌شود.

مدل TypeSafe مانند استنادهای قانونی ساختگی منبع اطلاعات نادرست نخواهد بود، اما از آنجایی که پاسخ‌های آن توسط نرم‌افزار مصرف می‌شود، از آن نیز به همان شیوه استفاده نخواهد شد. جایی که این موضوع مربوط می شود هنگام رسیدگی به تماس ها و اتوماسیون ابزار عامل هوش مصنوعی است. این شرکت در پست وبلاگ خود ادعا می کند: "برخورداری از ابزار توهم در یک نماینده ناخوشایند است، اما اگر بخشی از یک سیستم با تضمین تأخیر باشد یا چندین لایه در اعماق یک زنجیره وابستگی مدفون باشد، یک معامله شکن مطلق است."

مدل‌های موجود، هر چقدر هم که باهوش باشند، همچنان توهم دارند و دارای خطاهای تایپی هستند.» به ادعای TypeSafe، Jev برای نرم‌افزار اتوماسیون هوش مصنوعی، برنامه‌های کاربردی بلادرنگ که نیاز به تصمیم‌گیری سریع دارند، نقشه هوش مصنوعی مشاغل را برای طبقه‌بندی مجموعه‌های بزرگ داده، تأیید ورودی‌های هوش مصنوعی و مهارهای مدل هوش مصنوعی کاهش می‌دهد، مناسب است. و اگر بتواند Doom را به همان اندازه که تبلیغ می‌شود بازی کند، ممکن است طولی نکشید که کاربران از Jev بخواهند در مورد هدف‌گیری پهپاد تصمیم‌گیری کند. ®