Jevが爆発的に話題に、米国株関連銘柄を総まとめ

ここ数日、AI開発者のタイムラインに新たな名前が頻繁に現れている。Jevだ。

論文の分類に使う人もいれば、Agentが呼び出すべきツールの選定に使う人もいる。ドローンシミュレーターに組み込み、障害物を回避する動作をドローンに選択させる人もいる。OpenRouterやCloudflareなどのプラットフォームもこの新モデルを導入し、Jevをめぐる応用デモが次々と登場している。

もしJevがAIの意思決定をより速く、より安くするなら、どの米国株企業が恩恵を受けるチャンスがあるのか。

投資ロジックを理解する前に、まずJevとは何かを明確にしよう。

選択問題を解く

JevはTypeSafe AIが9月15日に発表した意思決定モデルだ。同社はそのカテゴリーをSystem One、すなわち「システム1」と呼び、行動経済学の開祖的作品『ファスト&スロー』における迅速な判断の概念を借りている。テキスト記述を理解し、主に選択肢、スコア、確率を出力して、ソフトウェアが引き続き処理できるようにする。

例を挙げよう。あるネットショップにメッセージが届いた。「昨日カップを買ったのですが、二重に請求されたようです。確認してもらえますか？」

システムにはいくつかの小さな問題を解決する必要がある。この件はアフターサービスか財務か？ユーザーは請求書を確認しているのか、返金を求めているのか？既存の記録に重複請求が示されているか？

開発者は事前に選択肢を規定し、Jevにそれぞれ回答させることができる。その後、プログラムが注文と支払い記録を照合し、対応する処理フローに入る。顧客に説明する必要がある場合は、表現が得意なモデルに任せる。

これがJevの基本的な使い方だ。状況を与え、問題を規定し、選択させる。

汎用大規模モデルも同様にこれらのタスクを完了できる。Jevの魅力は、分類、スコアリング、選択に特化して最適化し、小さな判断のために払う時間とコストを削減することにある。結果を直接プログラムに渡し、説明文を生成するプロセスを省く。

さらに応用すると、毎日何千もの業界メッセージを受け取るが、実際に精読する価値があるのは数十件だけだ。まずJevに各メッセージが関心のある企業に関連するか、新しい情報を含むかを判断させ、次に汎用モデルに選別された内容を要約させる。こうすれば、汎用モデルは深く読む価値のある部分だけを処理し、大量の簡単な判断はより低コストのJevに任せられる。

同様の試みはブラウザ操作、検索、ゲームなどのシナリオにも広がっている。動察Beatingの Jev特集 では、用途別にこれらのプロジェクトを整理し、Jevがその中でどの判断を担当するかを紹介し、ソースコードと一部のデモ入口も添付している。具体的な案例と照らし合わせることで、この「選択問題を解く」能力がどこで使えるかをより理解しやすくなる。

コストを最低限に削減

TypeSafeが公表した価格によると、Jevは100万入力トークンあたり0.042ドル、出力は無料だ。

コスト削減の意義は、本来なら抜き取り検査しかできなかった作業を、一件ずつチェックする能力があることだ。カスタマーサービスの記録を一件ずつ分類し、検索で得た資料を一件ずつ関連性を判断し、インテリジェントエージェントがツールを呼び出す前にさらに一度スクリーニングすることもできる。

例えば、ニュース分析プログラムが過去には毎日最も話題の記事だけをAIに渡していたが、今では全記事をまずチェックし、企業、製品、注文、人事異動で分類できる。それほど話題になっていなくても、ある重要な企業と直接関連する情報も見つけ出せる機会がある。

Jevの命名は経済学者ジェヴォンズに由来し、彼の最も有名な業績は「ジェヴォンズのパラドックス」を提唱したことだ。開発者は判断が安くなれば、ソフトウェアがそれをより頻繁に使うようになると期待している。過去には大規模モデルを一回呼び出す価値がなかった場所でも、コスト計算をやり直せる。

Jevと物理デバイス

開発者のRoman Slackはドローンプロジェクトを作った。MuJoCo物理シミュレーターで、四旋翼ドローンが前方の目標を追跡し、途中で柱、梁、移動障害物を通過する。

プログラムはまずカメラから得た深度、セグメンテーション情報をデータに整理し、前方が塞がれているか、左右どちらに隙間があるか、障害物の高さをJevに伝える。Jevはさらに、針路維持、左に回避、右に回避、上昇、ブレーキなどの動作から選択する。

例えば、一本の梁が通路全体を塞ぎ、左右どちらにも回り込めないが、上方には空間がある。Jevは上昇を選択でき、制御プログラムがこの選択をドローンの運動指令に変換する。

飛行中は異なるモジュールがそれぞれの役割を果たす。Jevはどこへ進むべきかを判断し、制御プログラムはバランス維持、モーター推力の調整、緊急回避を担当する。カメラが環境情報を提供し、意思決定モデルが動作を選択し、コントローラーが動作を実現させる。

同じ分業はロボットアームでカップを掴むことでも理解できる。カメラがカップの位置を識別し、センサーが距離と力を測定し、コントローラーが指の動作を調整し、意思決定モデルがどのカップを先に取るか、障害物に遭遇したらどうするかの判断に関与する。

このような判断が安く、簡単に接続できるようになれば、自動化設備を開発するコストが下がる機会がある。過去にはソフトウェア開発が高すぎ、使用シーンが小さすぎて採算が合わなかった設備にも、新たな商業空間が生まれる。

これがJevをいくつかの企業と結びつける。より多くのデバイスが工場、倉庫、家庭に入ることは、より多くの知覚、給電、計算、運動制御の需要を意味する。

どの銘柄が恩恵を受ける可能性があるか

この思路で見ると、注目すべきはデバイスが環境を知覚してから動作を実行するまでに必要な部品だ。ソフトウェアがどのようなモデルを選択しても、ロボットは自分がどこにいて、周囲に何があるかを知り、電力を正確な動作に変換する必要がある。

テキサス・インスツルメンツ (TXN)、知覚と実行をカバーする配套

アナログチップは電圧、電流などの連続的に変化する信号を処理し、給電と駆動タスクも担う。TXNのロボット製品は信号収集、モーター制御、電源及び組み込み処理をカバーする。

ロボットが手を上げると決めた後、電流をどうモーターに送るか、力をどう制御するかは、これらの部品が必要だ。より安価な自動化がより多くのロボット、ロボットアーム、スマートデバイスをもたらせば、TXNはこれらのデバイスにより多くの配套チップを販売する機会がある。

アナログ・デバイセズ (ADI)、より正確な知覚と運動に対応。

ADIのロボットソリューションは慣性センシング、カメラ接続、産業通信、運動制御インターフェースに関わる。例えば倉庫ロボットが光の悪い通路に入ると、慣性情報を組み合わせて自身の運動を判断する必要がある。複数のカメラとセンサーが同時に動作する場合、データを同期してプロセッサに送る必要がある。

デバイスが担う作業が複雑になるほど、知覚精度、接続安定性、運動制御への要求が高くなる。ADIの恩恵ロジックは、より多くの自律デバイスにこれらの配套を提供することにある。

STマイクロエレクトロニクス (STM)、低消費電力デバイス上のAIに対応。

いわゆるエッジAIとは、デバイスがデータの一部をローカルで処理することだ。STMのSTM32N6マイクロコントローラーはニューラルネットワーク計算用のアクセラレータを既に統合し、コスト、消費電力に敏感な視覚、音声などのアプリケーションに向けている。

例えば、小型カメラデバイスがローカルで物体を識別し、産業設備が音で運転異常を判断できる。Jevをめぐる議論は、投資家の注意をこのような用途に向けている。大量の簡単で反復的な知的タスクが、より低価格でより小型のデバイスに入る機会がある。STMが提供するのは、まさにこのようなデバイスが必要とする処理能力だ。

オン・セミコンダクター (ON)、視覚とパワーデバイスに対応。

ONがロボットに提供する製品には、イメージセンサー、深度センサー、及びパワートランジスタとモータードライバICが含まれる。前二種類は画面と距離データの収集を担当し、後二種類はモーターに必要な電流の制御に協力する。

倉庫搬送ロボットを例にすると、カメラ内のイメージセンサーが前方の棚の画面を収集し、深度センサーが障害物との距離を測定し、モータードライバICがパワートランジスタと協力して電流を制御し、車輪を回転させる。より多くのロボットとスマートカメラデバイスが投入されれば、これらのセンサーとチップの需要を増やす機会がある。

この四社以外に、さらに三社をウォッチリストに入れられる。

NXPセミコンダクターズ (NXPI)

関連事業：i.MXプロセッサ、マイクロコントローラー、接続と制御製品

恩恵ロジック：より多くのロボットと産業設備に計算、通信、制御能力を提供

クアルコム (QCOM)

関連事業：ロボット、ドローン、デバイス端AI向けのDragonwingプラットフォーム

恩恵ロジック：デバイスがローカルで視覚、計算、接続タスクを処理する需要を受け持つ

Cloudflare (NET)

関連事業：Jevサードパーティモデルの接続と呼び出しを提供

恩恵ロジック：開発者がJevをカスタマーサービス振り分け、資料選別、インテリジェントエージェントスケジューリングに使う場合、アプリケーションの展開、データ接続、呼び出し管理も必要だ。Cloudflareの機会は、これらのアプリケーションを自社プラットフォーム上で稼働させ続けることにある。

まだ初期段階

Jevには現在も解決すべき問題があり、判断精度、問題設計、及びサービスが長期的に稼働する業務を支えられるかが含まれる。

まず、Jevの「ゼロ幻覚」という宣伝は誤解を招きやすい。A、B、Cの中からのみ選択するよう規定すれば、プログラムが認識しないDを返すことを避けられるが、それでも間違って選択する。カスタマーサービスの例に戻ると、プログラムが「財務に回す」とスムーズに読み取れても、このチケットが本当に財務で処理すべきだという意味ではない。

ある開発者はJevで八種類のタスクをテストし、16,000回の判断を完了した。彼はJevの速度とコスト優位性を認めつつ、問題と選択肢が実際の状況をカバーするにはさらに調整が必要だと発見した。また、サプライヤーがより多くの運用経験を蓄積し、市場に代替案が出現するまで、生産業務に接続するのを待ちたいと望んでいる。

Jevがどれだけの仕事を担えるかは現時点では不明だが、一つの傾向は既に現れている。大量の反復判断をJevに任せ、複雑なタスクを汎用モデルに残す。

自動化の開発と使用コストが下がるとき、アナログチップ、エッジAI、自律デバイスは、自分たちのChatGPTモーメントを迎えるのだろうか？