TypeSafe AI: مدل جدیدی که با سرعت و هزینه کمتر، قضاوت‌های احتمالی را انجام می‌دهد
شرکت TypeSafe AI که توسط یکی از بنیان‌گذاران ChatGPT تأسیس شده است، اخیراً از مدل جدیدی به نام Jev رونمایی کرده است. این مدل برخلاف مدل‌های زبانی بزرگ (LLM) که برای گفتگو طراحی شده‌اند، صرفاً بر انجام قضاوت‌های احتمالی تمرکز دارد و ادعا می‌شود صدها برابر سریع‌تر و ارزان‌تر از LLMها عمل می‌کند. این نوآوری در جامعه فناوری با استقبال و بحث‌های فراوانی روبرو شده است.
Jev: قضاوت سریع، نه گفتگو
یکی از موارد نمایشی که توسط TypeSafe AI منتشر شده، نشان می‌دهد که مدل Jev برای انجام یک وظیفه قضاوت مشابه، تنها ۰.۱۱۴ ثانیه زمان صرف کرده است، در حالی که GPT-5.6 Terra برای همین کار ۸.۵۶۶ ثانیه زمان نیاز داشته است. این مثال، پیام اصلی TypeSafe AI را برجسته می‌کند: همه وظایف هوش مصنوعی نیازمند یک مغز متفکر و قادر به گفتگو نیستند.
Jev که در تاریخ ۱۵ سپتامبر به طور رسمی معرفی شد، اولین محصول TypeSafe AI و “مدل سیستم یک” (System One Model) نام گرفته است. این مدل نه برای نوشتن مقاله، نه برای گفتگو و نه برای چت‌های روزمره طراحی شده است؛ بلکه تنها یک کار را انجام می‌دهد: قضاوت سریع.
بنیان‌گذار و چشم‌انداز TypeSafe AI
TypeSafe AI در سال ۲۰۲۴ در سانفرانسیسکو تأسیس شد. دیوگو آلِمیدا (Diogo Almeida)، بنیان‌گذار این شرکت، یکی از محققان سابق OpenAI است که در توسعه تکنیک‌هایی مانند RLHF (آموزش مدل با بازخورد انسانی)، InstructGPT، ChatGPT و GPT-4 نقش داشته و شاهد انتقال این محصولات از آزمایشگاه به دنیای واقعی بوده است.
شریک DCVC به نکته کلیدی اشاره می‌کند: TypeSafe AI قصد دارد مدل‌های قدرتمندتر را به فناوری‌ای تبدیل کند که توسعه‌دهندگان بتوانند به طور قابل اعتماد و در مقیاس بزرگ در محصولات خود ادغام کنند، نه اینکه صرفاً در ویدئوهای نمایشی باقی بمانند. به عبارت دیگر، هوشمندی مدل دیگر بزرگترین چالش نیست؛ بلکه جلب “اعتماد” توسعه‌دهندگان به قضاوت‌های مدل، مسئله‌ای است که در ادامه راه با آن روبرو خواهند شد.
آلمیدا خود این موضوع را صریح‌تر بیان می‌کند: “من سال‌ها صرف تحقیق بر روی مدل‌هایی کردم که در تعامل با انسان‌ها بهتر عمل کنند. اما اگر هوش مصنوعی قرار است اساساً نحوه انجام کارها را تغییر دهد، انسان نباید تنها مصرف‌کننده هوش باشد.”
نام‌گذاری و فلسفه Jev
نام Jev دارای دو لایه ارجاع و همچنین بیانگر انتظارات شرکت از خود است. “سیستم یک” از طبقه‌بندی روانشناس دانیل کانمن در کتاب “تفکر، سریع و کند” وام گرفته شده است: سیستم یک، شهودی و سریع است، در حالی که سیستم دو، استدلالی و کند. Jev با سیستم یک هم‌راستا است و مسئولیت قضاوت‌هایی را بر عهده دارد که نیازی به تفکر عمیق ندارند و باید در کسری از ثانیه پاسخ داده شوند.
نام “Jev” نیز از “پارادوکس جِوُنز” (Jevons paradox) که توسط اقتصاددان ویلیام استنلی جِوُنز مطرح شد، گرفته شده است: هرچه یک منبع کارآمدتر و ارزان‌تر استفاده شود، انسان‌ها به جای صرفه‌جویی، بیشتر از آن استفاده می‌کنند. TypeSafe به وضوح امیدوار است که Jev نیز مسیری مشابه را طی کند؛ به طوری که با ارزان بودن، توسعه‌دهندگان آن را در گوشه و کنار بیشتری از برنامه‌های خود که پیش از این از هوش مصنوعی در آنها صرفه‌جویی می‌شد، به کار گیرند.
منطق عملیاتی و خروجی Jev
از نظر منطق عملیاتی، Jev و مدل‌های زبانی بزرگ (LLM) دو سازوکار متفاوت دارند. LLMها با تولید توکن به توکن، مانند تایپ کردن، پاسخ‌ها را تولید می‌کنند. در مقابل، Jev یک وضعیت متنی بدون فرمت ثابت را به عنوان ورودی دریافت کرده و با یک محاسبه موازی، مستقیماً “تصمیمات احتمالی نوع‌بندی شده” را خروجی می‌دهد. شکل ظاهری پاسخ از قبل با استفاده از یک “اسکیما” (Schema) که می‌توان آن را به عنوان قوانین فیلدهای یک فرم پرکردنی در نظر گرفت، تعریف شده است.
این مدل تنها سه نوع عملیات اولیه را ارائه می‌دهد: انتخاب (انتخاب یکی از حداکثر ۲۵۵ گزینه از پیش تعیین شده)، امتیازدهی (اختصاص یک امتیاز عددی) و قضاوت درست/نادرست (همراه با احتمال). هر پاسخ با یک امتیاز اطمینان کالیبره شده همراه است. به زبان ساده، این امتیاز به اندازه‌ای دقیق است که در آمار تعداد زیادی از موارد، برنامه‌ها می‌توانند از آن برای تصمیم‌گیری در مورد تأیید خودکار، ارجاع به انسان یا بازبینی توسط مدل استدلالی استفاده کنند.
روش آموزش و ادعای عدم توهم
در روش آموزش، TypeSafe روش اختصاصی خود به نام RLCD (یادگیری تقویتی تصمیم‌گیری کالیبره شده) را ابداع کرده است که با روش‌های رایج صنعت مانند RLHF و RLVR متفاوت است. از آنجایی که فرمت خروجی از ابتدا توسط اسکیما قفل شده است، TypeSafe ادعا می‌کند که Jev قادر به تولید خطاهای نوعی نیست و حتی از عبارت “توهم‌زا نیست” استفاده می‌کند.
سرعت و هزینه: مزیت اصلی Jev
اعداد و ارقام، بزرگترین نقطه قوت Jev هستند. این شرکت ادعا می‌کند که تأخیر سرتاسری این مدل بین ۷۰ تا ۵۰۰ میلی‌ثانیه است، در حالی که LLMها برای وظایف مشابه به ۳ تا ۳۲۹ ثانیه زمان نیاز دارند. این به معنای سرعت ۴۰ تا ۲۰۰ برابر بیشتر و هزینه ۴۰ تا ۴۰۰ برابر کمتر است.
TypeSafe با مقایسه میانگین عملکرد GPT-6 Astra و Claude Fable 5.1، اعلام کرده است که Jev تا ۱۹۳.۶ برابر سریع‌تر و ۴۴۴.۶ برابر ارزان‌تر است و در عین حال، سطح هوشمندی آن “مشابه” LLMهای موجود است. از نظر قیمت، Jev برای هر میلیون توکن ورودی ۰.۰۴۲ دلار دریافت می‌کند و خروجی رایگان است. در مقایسه، LLMها معمولاً بین ۰.۲۰ تا ۱۰ دلار هزینه دارند و GPT-5.6 Terra برای ورودی ۲ دلار و برای خروجی ۱۲ دلار هزینه دارد. TypeSafe ادعا می‌کند که هزینه Jev ۲۳۸ برابر ارزان‌تر از قیمت پایه Fable 5.1 است.
محدودیت‌ها و کاربردهای واقعی
البته، سرعت و ارزانی بالا با محدودیت‌های قابل توجهی همراه است. Jev قادر به گفتگو، نوشتن کد یا توضیح دلیل قضاوت خود نیست. این مدل فقط متن را پردازش می‌کند و قادر به خواندن تصاویر، صدا یا ویدئو نیست. پاسخ‌های آن نیز همیشه در چارچوب گزینه‌های از پیش تعریف شده قفل شده‌اند و نمی‌توانند از آن خارج شوند.
امتیاز کالیبره شده نیز صرفاً دقت کلی در آمار دسته‌های بزرگ را بیان می‌کند و تضمین نمی‌کند که هر مورد خاص درست باشد. رسانه فناوری The Register اشاره کرده است که مقایسه “عدم توهم‌زایی” با LLMها منصفانه نیست، زیرا خروجی ساختاریافته و زبان طبیعی دو چیز کاملاً متفاوت هستند و عدم وجود توهم به معنای هوشمندی واقعی‌تر مدل نیست. در حال حاضر، Jev در مرحله دسترسی زودهنگام قرار دارد و کاربران باید در وب‌سایت رسمی برای ورود به لیست انتظار ثبت‌نام کنند و هنوز همه به آن دسترسی ندارند.
کاربردهای واقعی Jev، آن دسته از وظایفی هستند که از ابتدا باید توسط برنامه قضاوت می‌شدند، اما به دلیل نبود گزینه‌های بهتر، به اجبار در LLMها گنجانده شده‌اند. این شامل مواردی مانند طبقه‌بندی و مسیریابی درخواست‌ها، پردازش فاکتورها، تفکیک تماس‌های پشتیبانی مشتری، فیلتر کردن هشدارهای امنیتی، پردازش داده‌های حجیم، بررسی خروجی عوامل هوش مصنوعی، شناسایی حملات “فرار از زندان” (jailbreak) یا ایجاد یک لایه حفاظتی برای خروجی LLMها می‌شود. TypeSafe حتی Jev را برای نمایش سرعت بالای خود در بازی DOOM به کار گرفته است که با ۱۰ پرس‌وجو در ثانیه، هزینه تقریبی ۷ دلار در ساعت دارد.
