نوع جدیدی از مدل هوش مصنوعی این هفته برای اولین بار عرضه شد، و برای مدلی که بر اساس معماری ترانسفورماتور ساخته شده است، کار غیرعادی انجام می دهد: هرگز یک کلمه متن تولید نمی کند. به گفته TechCrunch، Jev که توسط استارت‌آپ دو ساله TypeSafe AI منتشر شد، در عوض احتمالات کالیبره شده را خروجی می‌دهد - آنچه شرکت تصمیمات تایپ‌شده، کالیبره شده می‌نامد - که خود را به عنوان یک جایگزین ارزان و سریع برای مدل‌های زبان بزرگ برای طبقه‌بندی، مسیریابی و کارهای اتوماسیون قرار می‌دهد.

این شرکت توسط دیوگو آلمیدا، محقق OpenAI که به ساخت ChatGPT کمک کرد و به اختراع یادگیری تقویتی از بازخورد انسانی (RLHF) کمک کرد، تأسیس شد، تکنیک آموزشی که به طور گسترده با شکل‌دهی به نسل فعلی دستیاران هوش مصنوعی شناخته می‌شود. تقاضا برای مدل جدید به اندازه کافی شدید بود که TypeSafe برای مدت کوتاهی توانایی سرویس دهی به برخی از کاربران API را پس از راه اندازی از دست داد. For more context on this story, see our ongoing latest AI developments.

چرا زبان ChatGPT Pioneer رها شده است

مسیر Almeida به یک مدل غیر متنی با ناامیدی در OpenAI آغاز شد. آلمیدا با تشریح ناامیدی خود از اینکه علیرغم قابلیت‌های ChatGPT، این فناوری از اتوماسیون واقعی کوتاهی می‌کند، به TechCrunch گفت: «ما رعد و برق را در یک بطری داریم، اما مفید نیست. "از آن زمان من با این مشکل دست و پنجه نرم می کردم. مدتی طول کشید تا به این نتیجه برسم: مشکل این است که ما در حال بهینه سازی برای زبان انسان هستیم... ما چهار سال است که در زبان انسانی فوق العاده خوب بوده ایم، اما برای اتوماسیون مفید نیست زیرا کامپیوترها به زبان دیگری صحبت می کنند."

دو سال پیش، آلمیدا OpenAI را ترک کرد تا TypeSafe AI را تأسیس کند و این پایان نامه را دنبال کند. نتیجه Jev است، یک مدل مبتنی بر ترانسفورماتور که شرکت اصرار دارد یک مدل زبان بزرگ نیست. جایی که یک LLM متنی با پایان باز تولید می‌کند، Jev احتمالات را در مجموعه‌ای از خروجی‌هایی که کاربر از قبل تعریف کرده است، برمی‌گرداند - طرحی که شرکت می‌گوید توهم را از نظر ساختاری غیرممکن می‌کند، زیرا مدل فقط می‌تواند با گزینه‌هایی که ارائه شده است پاسخ دهد.

افزایش بهره وری بخش اصلی زمین است. به گفته TechCrunch، توکن‌های خروجی Jev رایگان هستند و توکن‌های ورودی به جای میلیون‌ها میلیارد اندازه‌گیری می‌شوند. این شرکت Jev را به عنوان یک «مدل سیستم یک» توصیف می‌کند که به جای استدلال بر روی شهود تمرکز دارد و می‌گوید که منحصراً بر روی داده‌های مصنوعی با استفاده از تکنیکی که Almeida آن را یادگیری تقویتی از تصمیم‌های کالیبره شده می‌نامد، آموزش دیده است.

TypeSafe معماری Jev را مخفی نگه داشته است، اگرچه ناظران خارجی گمان می کنند که این سیستم بر روی یک LLM با وزن باز ساخته شده است. آلمیدا به TechCrunch گفت: «نیمی از [شرکت ما] آزمایشگاهی است که اساساً کل این زیرشاخه از داده‌های مصنوعی که از نظر آماری به خوبی درک شده است را در اختیار دارد، و این اکنون لذت زندگی من است.

نتایج اولیه توسعه‌دهنده: سریع‌تر و ارزان‌تر

پذیرندگان اولیه دستاوردهای قابل توجهی را در آزمایش گزارش کردند. پرانیت شارما، مهندس نرم‌افزار در Vercel، به TechCrunch گفت که شرکت او از ChatGPT Luna 5.6 OpenAI برای اجرای طبقه‌بندی‌کننده‌ای که دستورات ایمنی را بررسی می‌کند، استفاده کرده است. پس از تغییر حجم کاری به Jev، ورسل نتایج را 5 تا 18 برابر سریعتر و با دقت بیشتری دید.

نیکیل مودولکار، مدیر ارشد فناوری Bryo AI، مقایسه متفاوتی انجام داد: طبقه‌بندی ایمیل‌های تجاری با Jev در برابر Gemini گوگل. در آزمایش او، Gemini کمی دقیق تر بود، اما 10 تا 20 برابر گران تر بود. برای Mudholkar، با ارزش ترین دارایی Jev، عدم اطمینان آن بود. او به TechCrunch گفت: «این تنها موردی است که احتمال واقعی را ارائه می‌کند که آن را برای خودکارسازی گردش کار ایده‌آل می‌کند.

ماموران در حال تماشای عوامل، بدون قبض

فراتر از جایگزینی LLM ها در وظایف طبقه بندی، TypeSafe استدلال می کند که Jev می تواند آنها را کنترل کند. استفاده از عوامل هوش مصنوعی برای نظارت بر عوامل دیگر به سرعت گران می شود، اما Almeida ادعا می کند که سرعت و مشخصات هزینه Jev ردیابی ردیابی های عامل LLM و جلوگیری از فرار از زندان در زمان واقعی را عملی می کند.

آرمین روناچر، مدیر ارشد فناوری Earendil و سازنده مدل منبع باز هارنس Pi، به TechCrunch گفت که این رویکرد مسئولیت عدم اطمینان را به توسعه‌دهنده منتقل می‌کند. روناچر گفت: "این مشکل توهم را کمی به کاربر منتقل می کند." "کاربر باید بگوید، بسیار خوب، اگر این فقط با احتمال 50٪ برگردد، شاید این یک سکه است، و من آن را نادیده می‌گیرم. اما اگر 95٪ باشد، مطمئنا، می‌توانم کاری با آن انجام دهم."

Ronacher همچنین مسیریابی مدل را به عنوان یک مورد استفاده امیدوارکننده معرفی کرد: پیش‌بینی اینکه آیا یک حجم کاری معین به یک مدل خاص و گران‌تر نیاز دارد یا خیر. انجام این مرتب‌سازی با یک LLM پرهزینه خواهد بود، اما تأخیر و قیمت پایین Jev می‌تواند مسیریابی بلادرنگ را عملی کند.

نامی برگرفته از علم اقتصاد

این مدل از نام ویلیام استنلی جوونز، اقتصاددان قرن نوزدهمی که پشت پارادوکس جیوونز است، نامگذاری شده است - مشاهده این که با ارزان‌تر شدن یک کالا، مصرف آن نیز افزایش می‌یابد. شرط Almeida این است که کاهش هزینه های هوش تصمیم گیری منجر به استقرار آن در همه جا خواهد شد، نه فقط در چت بات های پرچمدار.

آلمیدا به TechCrunch گفت: «ما فکر می‌کنیم نرم‌افزار هوشمندی در سرتاسر مکان وجود خواهد داشت که ظهور و توزیع می‌شود... بسیار بیشتر از آنچه که می‌دانید مانند برنامه‌های بزرگی که مردم در حال تلاش برای ساخت آن هستند، شبیه اینترنت اولیه است.

این که آیا رقبا از آنها پیروی می کنند یا خیر، یک سوال باز باقی می ماند. روناچر به TechCrunch گفت: "ما باید این را زودتر از جهات می دیدیم، اما احتمالاً چون LLM ها بسیار ارزان و یارانه ای هستند، اغلب لازم نیست هنوز خلاق باشید." TypeSafe نسخه های اضافی Jev را در مدالیته های جدید برنامه ریزی می کند.

در مورد اینکه آیا TypeSafe به عنوان یک آزمایشگاه مرزی به حساب می‌آید، آلمیدا پاسخی واضح ارائه کرد: "محصول اصلی آزمایشگاه‌های مرزی ترس یا هیاهو است. من دوست دارم محصول اصلی ما هوش باشد... [اما ما] آزمایشگاهی به معنای شرط‌بندی بر روی ثروت بی‌نهایت، یا یک دین، یا ساختن خدا در مرکز داده یا آنچه امروز است، نیستیم."

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →