Jev 爆火，美股相关标的全梳理

ในช่วงไม่กี่วันที่ผ่านมา ชื่อใหม่ชื่อหนึ่งปรากฏขึ้นบ่อยครั้งบนไทม์ไลน์ของนักพัฒนา AI นั่นคือ Jev

บางคนใช้มันจัดหมวดหมู่บทความวิชาการ บางคนใช้มันเลือกเครื่องมือที่ Agent ควรเรียกใช้ และบางคนก็ต่อมันเข้ากับเครื่องจำลองโดรน เพื่อให้โดรนเลือกการเคลื่อนไหวในการหลบหลีกสิ่งกีดขวาง แพลตฟอร์มอย่าง OpenRouter และ Cloudflare ก็ได้เชื่อมต่อโมเดลใหม่นี้เช่นกัน และการสาธิตการใช้งานที่เกี่ยวข้องกับ Jev ก็ปรากฏขึ้นอย่างต่อเนื่อง

หาก JEV ทำให้ AI ตัดสินใจได้เร็วขึ้นและถูกลง บริษัทจดทะเบียนในตลาดหุ้นสหรัฐฯ บริษัทใดบ้างที่มีโอกาสได้รับประโยชน์?

ก่อนที่จะเข้าใจตรรกะการลงทุน ต้องทำความเข้าใจก่อนว่าแท้จริงแล้ว Jev คืออะไร

การทำข้อสอบแบบเลือกตอบ

Jev คือโมเดลการตัดสินใจที่ TypeSafe AI เปิดตัวเมื่อวันที่ 15 กันยายน บริษัทเรียกหมวดหมู่ที่มันสังกัดว่า System One หรือ "ระบบหนึ่ง" โดยยืมแนวคิดการตัดสินใจอย่างรวดเร็วจากหนังสือบุกเบิกเศรษฐศาสตร์พฤติกรรมอย่าง "Thinking, Fast and Slow" มันสามารถเข้าใจคำอธิบายที่เป็นข้อความ และส่งออกตัวเลือก คะแนน และความน่าจะเป็นเป็นหลัก เพื่อให้ซอฟต์แวร์นำไปประมวลผลต่อ

ยกตัวอย่างเช่น ร้านค้าออนไลน์แห่งหนึ่งได้รับข้อความว่า "เมื่อวานฉันซื้อแก้วไปหนึ่งใบ ดูเหมือนจะถูกหักเงินสองครั้ง ช่วยตรวจสอบให้หน่อยได้ไหม?"

ระบบมีคำถามย่อยหลายข้อที่ต้องแก้ไข เรื่องนี้อยู่ในความรับผิดชอบของฝ่ายบริการหลังการขายหรือฝ่ายการเงิน? ผู้ใช้กำลังสอบถามเกี่ยวกับบิลหรือขอเงินคืน? บันทึกที่มีอยู่แสดงการหักเงินซ้ำหรือไม่?

นักพัฒนาสามารถกำหนดตัวเลือกไว้ล่วงหน้า และให้ Jev ตอบแยกกัน จากนั้นโปรแกรมจะตรวจสอบคำสั่งซื้อและบันทึกการชำระเงิน และเข้าสู่กระบวนการดำเนินการที่เกี่ยวข้อง เมื่อต้องอธิบายให้ลูกค้าฟัง ก็จะมอบหมายให้โมเดลที่เก่งด้านการสื่อสารแทน

นี่คือการใช้งานพื้นฐานของ Jev: ให้สถานการณ์แก่它 กำหนดคำถาม และให้มันเลือก

โมเดลภาษาขนาดใหญ่ทั่วไปก็สามารถทำงานเหล่านี้ได้เช่นกัน จุดดึงดูดของ Jev อยู่ที่การปรับแต่งเฉพาะสำหรับการจัดหมวดหมู่ การให้คะแนน และการเลือก ซึ่งช่วยลดเวลาและค่าใช้จ่ายในการตัดสินใจเล็กๆ น้อยๆ มันส่งผลลัพธ์ให้โปรแกรมโดยตรง ตัดขั้นตอนการสร้างคำอธิบายออกไป

ขยายความต่ออีกหน่อย สมมติคุณได้รับข้อความในอุตสาหกรรมนับพันข้อความต่อวัน แต่มีเพียงไม่กี่สิบข้อความที่คุ้มค่าแก่การอ่านอย่างละเอียด คุณสามารถให้ Jev ตัดสินก่อนว่าข้อความแต่ละข้อเกี่ยวข้องกับบริษัทที่คุณสนใจหรือไม่ และมีข้อมูลใหม่หรือไม่ จากนั้นจึงให้โมเดลทั่วไปสรุปเนื้อหาที่คัดกรองแล้ว ด้วยวิธีนี้ โมเดลทั่วไปจะประมวลผลเฉพาะส่วนที่คุ้มค่าแก่การอ่านเชิงลึก ส่วนการตัดสินใจง่ายๆ จำนวนมากจะมอบหมายให้ Jev ที่มีต้นทุนต่ำกว่า

ความพยายามในลักษณะเดียวกันนี้ได้ขยายไปสู่การใช้งานบนเบราว์เซอร์ การค้นหา และเกมแล้ว หัวข้อพิเศษ Jev ของ动察 Beating ได้รวบรวมโครงการเหล่านี้ตามการใช้งาน แนะนำว่า Jev รับผิดชอบการตัดสินใจใดบ้าง พร้อมแนบซอร์สโค้ดและทางเข้าสาธิตบางส่วน การเทียบกับกรณีศึกษาที่ konkret จะช่วยให้เข้าใจได้ง่ายขึ้นว่าความสามารถใน "การทำข้อสอบแบบเลือกตอบ" นี้สามารถนำไปใช้ที่ใดได้บ้าง

ลดต้นทุนให้ต่ำที่สุด

ตามราคาที่ TypeSafe ประกาศ Jev คิดค่าบริการ 0.042 ดอลลาร์ต่ออินพุตหนึ่งล้านโทเค็น และเอาต์พุตฟรี

ความหมายของการลดต้นทุนอยู่ที่ว่า งานบางอย่างที่เดิมทำได้เพียงการสุ่มตรวจ ก็สามารถตรวจสอบทีละรายการได้ บันทึกบริการลูกค้าสามารถจัดหมวดหมู่ทีละรายการ ข้อมูลที่ค้นหามาสามารถตัดสินความเกี่ยวข้องทีละรายการ และ Agent ยังสามารถกรองเพิ่มอีกครั้งก่อนเรียกใช้เครื่องมือแต่ละครั้ง

ตัวอย่างเช่น โปรแกรมวิเคราะห์ข่าวชุดหนึ่งในอดีตจะเลือกเฉพาะบทความที่ร้อนแรงที่สุดส่งให้ AI วันละหนึ่งครั้ง แต่ตอนนี้สามารถตรวจสอบบทความทั้งหมดก่อน แล้วจัดหมวดหมู่ตามบริษัท ผลิตภัณฑ์ คำสั่งซื้อ และการเปลี่ยนแปลงด้านบุคลากร ข้อมูลที่ไม่ได้รับความสนใจมากนักแต่เกี่ยวข้องโดยตรงกับบริษัทสำคัญแห่งหนึ่งก็มีโอกาสถูกค้นพบเช่นกัน

ชื่อของ Jev มาจากนักเศรษฐศาสตร์ Jevons ซึ่งความสำเร็จที่รู้จักกันดีที่สุดของเขาคือการเสนอ "Jevons Paradox" นักพัฒนาหวังว่าเมื่อการตัดสินใจถูกลง ซอฟต์แวร์จะใช้มันบ่อยขึ้น ทุกที่ที่ในอดีตไม่คุ้มค่าที่จะเรียกใช้โมเดลขนาดใหญ่เพียงครั้งเดียว ก็สามารถคำนวณบัญชีต้นทุนใหม่ได้ทั้งหมด

Jev กับอุปกรณ์ทางกายภาพ

นักพัฒนา Roman Slack ได้ทำโครงการโดรนขึ้นมาโครงการหนึ่ง: ในเครื่องจำลองฟิสิกส์ MuJoCo โดรนสี่ใบพัด一架ติดตามเป้าหมายข้างหน้า โดยบินผ่านเสา คาน และสิ่งกีดขวางที่เคลื่อนที่ตลอดทาง

โปรแกรมจะจัดระเบียบข้อมูลความลึกและการแบ่งส่วนที่ได้จากกล้องให้เป็นข้อมูลก่อน แล้วบอก Jev ว่าข้างหน้าถูกปิดกั้นหรือไม่ ด้านซ้ายหรือด้านขวามีช่องว่าง และสิ่งกีดขวางสูงเท่าใด จากนั้น Jev จะเลือกจาก การรักษาทิศทางการบิน การเลี้ยวซ้าย การเลี้ยวขวา การไต่ระดับ และการเบรก

ตัวอย่างเช่น คานหนึ่งท่อนปิดกั้นทางเดินทั้งหมด ทั้งซ้ายและขวาเลี่ยงไม่ได้ แต่ด้านบนยังมีช่องว่าง Jev สามารถเลือกไต่ระดับ และโปรแกรมควบคุมจะแปลงตัวเลือกนี้เป็นคำสั่งการเคลื่อนไหวของโดรน

ในระหว่างการบิน โมดูลต่างๆ ต่างทำหน้าที่ของตน Jev ตัดสินว่าควรไปทางไหน โปรแกรมควบคุมรับผิดชอบการรักษาสมดุล การปรับแรงขับของมอเตอร์ และการหลบหลีกฉุกเฉิน กล้องให้ข้อมูลสภาพแวดล้อม โมเดลการตัดสินใจเลือกการกระทำ และตัวควบคุมทำให้การกระทำนั้นเกิดขึ้น

การแบ่งหน้าที่แบบเดียวกันนี้สามารถเข้าใจได้ผ่านการที่แขนกลหยิบแก้ว กล้องระบุตำแหน่งของแก้ว เซ็นเซอร์วัดระยะทางและแรง ตัวควบคุมปรับการเคลื่อนไหวของนิ้ว และโมเดลการตัดสินใจมีส่วนร่วมในการตัดสินว่าควรหยิบแก้วใบใดก่อน และจะทำอย่างไรเมื่อเจอสิ่งกีดขวาง

หากการตัดสินใจลักษณะนี้ถูกลงและเชื่อมต่อได้ง่าย ต้นทุนในการพัฒนาอุปกรณ์อัตโนมัติก็มีโอกาสลดลง อุปกรณ์ที่ในอดีตไม่คุ้มค่าเพราะการพัฒนาซอฟต์แวร์แพงเกินไปและกรณีการใช้งานเล็กเกินไป ก็จะมีพื้นที่ทางธุรกิจใหม่เกิดขึ้น

สิ่งนี้เชื่อมโยง Jev เข้ากับบริษัทบางแห่ง อุปกรณ์更多ที่เข้าสู่โรงงาน คลังสินค้า และบ้านเรือน หมายถึงความต้องการด้านการรับรู้ การจ่ายไฟ การประมวลผล และการควบคุมการเคลื่อนไหวที่มากขึ้น

หุ้นใดบ้างที่อาจได้รับประโยชน์

มองตามแนวคิดนี้ สิ่งที่ควรจับตาคือชิ้นส่วนที่อุปกรณ์ต้องใช้ตั้งแต่การรับรู้สภาพแวดล้อมไปจนถึงการดำเนินการ ไม่ว่าโมเดลที่ซอฟต์แวร์เลือกจะเป็นเช่นไร หุ่นยนต์一台ก็ยังต้องรู้ว่าตัวเองอยู่ที่ไหน มีอะไรอยู่รอบข้าง และแปลงพลังงานไฟฟ้าให้เป็นการกระทำที่แม่นยำ

Texas Instruments (TXN) ครอบคลุมชิ้นส่วนประกอบด้านการรับรู้และการดำเนินการ

ชิปแอนะล็อกรับผิดชอบการประมวลผลสัญญาณที่เปลี่ยนแปลงต่อเนื่อง เช่น แรงดันไฟฟ้าและกระแสไฟฟ้า รวมถึงภาระการจ่ายไฟและการขับเคลื่อน ผลิตภัณฑ์หุ่นยนต์ของ TXN ครอบคลุมการเก็บสัญญาณ การควบคุมมอเตอร์ แหล่งจ่ายไฟ และการประมวลผลแบบฝังตัว

หลังจากหุ่นยนต์ตัดสินใจยกมือขึ้น จะส่งกระแสไฟฟ้าไปยังมอเตอร์อย่างไร จะควบคุมแรงอย่างไร ล้วนต้องอาศัยชิ้นส่วนเหล่านี้ หากระบบอัตโนมัติที่ถูกลงนำมาซึ่งหุ่นยนต์ แขนกล และอุปกรณ์อัจฉริยะที่มากขึ้น TXN ก็มีโอกาสขายชิปประกอบให้อุปกรณ์เหล่านี้ได้มากขึ้น

Analog Devices (ADI) สอดคล้องกับการรับรู้และการเคลื่อนไหวที่แม่นยำยิ่งขึ้น

โซลูชันหุ่นยนต์ของ ADI เกี่ยวข้องกับการรับรู้เชิง慣性 การเชื่อมต่อกล้อง การสื่อสารอุตสาหกรรม และอินเทอร์เฟซการควบคุมการเคลื่อนไหว ตัวอย่างเช่น หุ่นยนต์ในคลังสินค้าที่เข้าสู่ทางเดินที่มีแสงไม่ดี จำเป็นต้องรวมข้อมูลเชิง慣性เพื่อตัดสินการเคลื่อนไหวของตนเอง เมื่อกล้องและเซ็นเซอร์หลายตัวทำงานพร้อมกัน ยังต้องส่งข้อมูลไปยังโปรเซสเซอร์ให้ซิงค์กัน

ยิ่งอุปกรณ์รับผิดชอบงานที่ซับซ้อนมากเท่าใด ข้อกำหนดต่อความแม่นยำในการรับรู้ ความเสถียรในการเชื่อมต่อ และการควบคุมการเคลื่อนไหวก็ยิ่งสูงขึ้น ตรรกะการได้รับประโยชน์ของ ADI อยู่ที่การจัดหาชิ้นส่วนประกอบเหล่านี้ให้อุปกรณ์อัตโนมัติมากขึ้น

STMicroelectronics (STM) สอดคล้องกับ AI บนอุปกรณ์ที่ใช้พลังงานต่ำ

สิ่งที่เรียกว่า Edge AI คือการให้อุปกรณ์ประมวลผลข้อมูลบางส่วนในเครื่อง ไมโครคอนโทรลเลอร์ STM32N6 ของ STM ได้รวมตัวเร่งความเร็วสำหรับการคำนวณโครงข่ายประสาทเทียมไว้แล้ว มุ่งเป้าไปยังการใช้งานด้านการมองเห็นและเสียงที่อ่อนไหวต่อต้นทุนและพลังงาน

ตัวอย่างเช่น อุปกรณ์กล้องขนาดเล็กสามารถ识别วัตถุในเครื่องได้ อุปกรณ์อุตสาหกรรมสามารถตัดสินจากการฟังเสียงว่าการทำงานผิดปกติหรือไม่ การอภิปราย حول Jev ได้ดึงความสนใจของนักลงทุนมาสู่การใช้งานประเภทนี้ งานอัจฉริยะง่ายๆ ที่ทำซ้ำๆ จำนวนมากมีโอกาสเข้าสู่อุปกรณ์ที่มีราคาต่ำลงและขนาดเล็กลง สิ่งที่ STM จัดหาให้ก็คือความสามารถในการประมวลผลที่อุปกรณ์ประเภทนี้ต้องการ

onsemi (ON) สอดคล้องกับอุปกรณ์ด้านการมองเห็นและกำลังไฟฟ้า

ผลิตภัณฑ์ที่ ON จัดหาให้หุ่นยนต์ ได้แก่ เซ็นเซอร์ภาพ เซ็นเซอร์วัดความลึก รวมถึงทรานซิสเตอร์กำลังและชิปขับเคลื่อนมอเตอร์ สองประเภทแรกมีหน้าที่เก็บข้อมูลภาพและระยะทาง สองประเภทหลังมีหน้าที่จ่ายกระแสไฟฟ้าที่จำเป็นสำหรับควบคุมมอเตอร์

ยกตัวอย่างหุ่นยนต์ขนย้ายในคลังสินค้า เซ็นเซอร์ภาพในกล้องเก็บภาพชั้นวางสินค้าด้านหน้า เซ็นเซอร์วัดความลึกวัดระยะทางกับสิ่งกีดขวาง ชิปขับเคลื่อนมอเตอร์จ่ายกระแสไฟฟ้าร่วมกับทรานซิสเตอร์กำลังเพื่อให้ล้อหมุน หากมีหุ่นยนต์และอุปกรณ์กล้องอัจฉริยะถูกนำไปใช้งานมากขึ้น ก็มีโอกาสเพิ่มความต้องการเซ็นเซอร์และชิปเหล่านี้

นอกจากสี่บริษัทนี้แล้ว ยังมีอีกสามบริษัทที่สามารถใส่ไว้ในรายการเฝ้าติดตามได้

NXP Semiconductors (NXPI)

ธุรกิจที่เกี่ยวข้อง: โปรเซสเซอร์ i.MX ไมโครคอนโทรลเลอร์ ผลิตภัณฑ์ด้านการเชื่อมต่อและการควบคุม

ตรรกะการได้รับประโยชน์: จัดหาความสามารถด้านการประมวลผล การสื่อสาร และการควบคุมให้หุ่นยนต์และอุปกรณ์อุตสาหกรรมมากขึ้น

Qualcomm (QCOM)

ธุรกิจที่เกี่ยวข้อง: แพลตฟอร์ม Dragonwing สำหรับหุ่นยนต์ โดรน และ AI บนอุปกรณ์

ตรรกะการได้รับประโยชน์: รองรับความต้องการของอุปกรณ์ในการประมวลผลการมองเห็น การคำนวณ และการเชื่อมต่อในเครื่อง

Cloudflare (NET)

ธุรกิจที่เกี่ยวข้อง: จัดหาการเชื่อมต่อและการเรียกใช้โมเดลบุคคลที่สามของ Jev

ตรรกะการได้รับประโยชน์: เมื่อนักพัฒนาใช้ Jev สำหรับการจัดเส้นทางบริการลูกค้า การคัดกรองข้อมูล และการจัดตาราง Agent ยังจำเป็นต้องปรับใช้แอปพลิเคชัน เชื่อมต่อข้อมูล และจัดการการเรียกใช้ โอกาสของ Cloudflare คือการทำให้แอปพลิเคชันเหล่านี้ยังคงทำงานอยู่บนแพลตฟอร์มของตนเอง

ยังอยู่ในช่วงเริ่มต้น

Jev ยังคงมีปัญหาที่ต้องแก้ไขในปัจจุบัน รวมถึงความแม่นยำในการตัดสินใจ การออกแบบคำถาม และความสามารถของบริการในการรองรับธุรกิจที่ทำงานระยะยาว

ประการแรก การโฆษณาว่า Jev "ไม่มีภาพลวง" ทำให้เข้าใจผิดได้ง่าย การกำหนดให้มันเลือกได้เพียง A, B, C สามารถหลีกเลี่ยงการที่มันส่งคืน D ที่โปรแกรมไม่รู้จักได้ แต่ก็ยังคงเลือกผิดได้ ย้อนกลับไปที่ตัวอย่างบริการลูกค้า โปรแกรมสามารถอ่านค่า "ส่งให้ฝ่ายการเงิน" ได้อย่างราบรื่น แต่ไม่ได้หมายความว่าตั๋วงานนี้ควรถูกจัดการโดยฝ่ายการเงินจริงๆ

มีนักพัฒนาคนหนึ่งใช้ Jev ทดสอบงานแปดประเภทและทำการตัดสินใจ 16,000 ครั้ง เขายอมรับข้อได้เปรียบด้านความเร็วและต้นทุนของ Jev พร้อมกับพบว่าคำถามและตัวเลือกยังต้องปรับปรุงเพิ่มเติมเพื่อให้ครอบคลุมสถานการณ์จริง เขาหวังว่าจะรอให้ผู้ให้บริการสะสมประสบการณ์ด้านการดำเนินงานมากขึ้นและมีทางเลือกอื่นในตลาดเกิดขึ้นก่อน จึงค่อยเชื่อมต่อกับธุรกิจจริง

ปัจจุบันยังไม่อาจทราบได้ว่า Jev สามารถรับผิดชอบงานได้มากน้อยเพียงใด แต่แนวโน้มหนึ่งได้ปรากฏขึ้นแล้ว: มอบการตัดสินใจซ้ำๆ จำนวนมากให้ JEV และเก็บงานที่ซับซ้อนไว้ให้โมเดลทั่วไป

เมื่อต้นทุนการพัฒนาและการใช้งานระบบอัตโนมัติลดลง ชิปแอนะล็อก Edge AI และอุปกรณ์อัตโนมัติ จะได้พบช่วงเวลา ChatGPT ของตัวเองหรือไม่?