Jev คืออะไร และทำไมต้องแยก AI คุยกับ AI ตัดสินใจ
Jev คือ AI decision engine หรือโมเดล AI ตัดสินใจแบบ System One Model ที่ไม่ได้ออกแบบมาเพื่อสนทนากับมนุษย์ แต่เพื่อรับสถานะข้อมูลที่มีโครงสร้างชัดเจน แล้วส่งคืนผลลัพธ์แบบมีชนิดข้อมูลและค่าความน่าจะเป็นภายในไม่กี่มิลลิวินาที เพื่อให้ซอฟต์แวร์นำไปใช้ตัดสินใจขั้นต่อไปได้โดยตรง โดยไม่ต้องสร้างข้อความภาษามนุษย์ยาวๆ
หัวใจสำคัญคือ เจฟ โมเดล AI ไม่ใช่แชตบอตและไม่ใช่ LLM อย่าง ChatGPT หรือ Gemini โมเดลภาษาขนาดใหญ่ถูกออกแบบมาให้เขียนข้อความทีละโทเคน ทำสรุป เขียนโค้ด และคุยกับคนเก่งมาก แต่กลับไม่เหมาะกับงานที่ต้องตัดสินใจสั้นๆ ซ้ำๆ จำนวนมาก เช่น คัดกรองอีเมล ประเมินความเสี่ยง อนุมัติคำสั่ง หรือคัดทิ้งข้อมูลขยะก่อนเข้า LLM แนวคิดของ Jev คือการตัดขั้นตอนสร้างข้อความออกไป รับข้อมูลสถานะหรือสเตต แล้วคืนค่าที่ถูกกำหนดชนิดไว้ล่วงหน้าพร้อมค่าความน่าจะเป็น ทำให้ระบบอื่นใช้ต่อได้ทันทีโดยไม่ต้องแปลงภาษากลับเป็นโค้ดอีกรอบ ใครที่ยังคิดว่า AI มีหน้าที่แค่คุยกับคน กำลังพลาดโอกาสสำคัญของยุค AI ตัดสินใจในเบื้องหลังซอฟต์แวร์
ทำไม Jev ถึงเร็วกว่า LLM 193 เท่า และความเร็วนี้แปลว่าอะไรในโลกจริง
จุดขายที่ทำให้หลายคนหันมามอง Jev คือความเร็ว TypeSafe ระบุว่าในการทดสอบ Workflow Evals Jev ทำงานเร็วกว่า LLM อย่าง GPT-6 Astra หรือ Fable 5.1 สูงสุดประมาณ 193.6 เท่า และใช้ต้นทุนประมวลผลต่ำกว่าประมาณ 444.6 เท่า นี่ไม่ใช่ตัวเลขเล็กๆ ในโลกที่ทุกมิลลิวินาทีหมายถึงเงิน เวลา และประสบการณ์ผู้ใช้
เหตุผลที่ Jev ทำได้ถึงระดับนี้ เพราะโมเดลตัดขั้นตอนสร้างข้อความออกจากวงจร ไม่ต้องวนลูปสร้างโทเคนทีละตัวแบบ System Two Model แต่ประเมินคำถามที่มีประเภทกำหนดไว้ล่วงหน้าในครั้งเดียว แล้วส่งคืนคำตอบที่เป็น Choice Score หรือ Noul พร้อมค่าความน่าจะเป็น พูดง่ายๆ คือจากเดิมที่ต้องให้ LLM เขียนยืดยาวเพื่อให้โปรแกรมมาแยกประโยคเป็นคำสั่งอีกที Jev ข้ามทุกขั้นตรงไปที่เลขและตัวเลือกที่เครื่องอ่านได้ทันที ความเร็วระดับนี้ไม่ได้มีไว้ทำเท่ แต่คือการเปิดประตูงานที่เคย “แพงเกินกว่าจะใช้ AI ตัดสินใจทุกครั้ง” ให้กลายเป็นของธรรมดา ตั้งแต่กรองคำค้นหาในระบบ RAG ไปจนถึงการอนุมัติคำสั่งในระบบธุรกรรมความถี่สูง
Typed AI Model ทำงานอย่างไร และต่างจาก LLM ตรงไหน
Jev เป็น typed AI model หมายความว่าผลลัพธ์ทุกอย่างมีชนิดข้อมูลชัดเจนและชุดคำตอบจำกัด ทำให้เหมาะกับงานที่พื้นที่คำตอบถูกกำหนดไว้ เช่น การเลือกหมวดหมู่ การให้คะแนน หรือการตัดสินใจใช่หรือไม่ใช่พร้อมค่าความน่าจะเป็น เมื่อโมเดลรู้ว่าต้องตอบในกรอบที่กำหนด มันสามารถประมวลผลคำถามหลายตัวแบบขนาน และส่งคืนค่าที่เครื่องนำไปใช้ต่อได้ทันที
TypeSafe ออกแบบ Jev ให้รองรับ primitive สามแบบคือ Choice Score และ Noul ซึ่งคือรูปแบบการเลือกตัวเลือก การให้คะแนนในสเกลจำกัด และการให้ความน่าจะเป็นของคำตอบแบบใช่หรือไม่ใช่ตามลำดับ ตรงนี้คือความต่างสำคัญกับ LLM ทั่วไปที่ถูกจัดเป็น System Two Model เพราะต้องอาศัยกระบวนการสร้างโทเคนตามลำดับเพื่อหาคำตอบ ขณะที่ Jev เป็น System One Model รุ่นแรกที่เน้นความเร็วและการตัดสินใจ ส่งผลลัพธ์กลับมาเป็นค่าที่มีประเภทชัดเจนโดยไม่สร้างข้อความหรืออธิบายเหตุผลยืดยาว งานที่ต้องการความยืดหยุ่นสูงด้านภาษาอาจยังต้องใช้ LLM แต่สำหรับงานที่คำตอบอยู่ในกรอบชัดเจน Typed AI model แบบนี้ให้ทั้งความเร็วและความปลอดภัยเชิงชนิดข้อมูล
จาก Crypto ถึง Pokémon และ Search: ตัวอย่างที่พิสูจน์ว่า Jev ไม่ได้มีไว้แค่โชว์กราฟความเร็ว
ความน่าสนใจของ Jev คือไม่หยุดอยู่ที่เดโมหรือเบนช์มาร์ก นักพัฒนานำ AI decision engine ตัวนี้ไปใช้กับงานจริง ตั้งแต่สัญญาณซื้อขายคริปโต เกม AI ไปจนถึงระบบค้นหาเฉพาะโดเมน แนวคิดคือปล่อยให้ Jev ทำงานเป็นชั้นตัดสินใจความเร็วสูงด้านหน้า ส่วน LLM ทำหน้าที่คิดเชิงลึกและสร้างภาษาด้านหลัง
ตัวอย่างที่ชวนจำคือโปรเจกต์ที่ให้ Jev เล่น Pokémon Red จนชนะ Elite Four และ Champion และเข้าสู่ Hall of Fame โดยใช้เวลาน้อยกว่าหนึ่งสัปดาห์ตามหน้าข้อมูลโปรเจกต์ Jev ไม่อ่านหน้าจอ ไม่สร้างข้อความหรือภาพ แต่เลือกจากรายการตัวเลือกที่ผูกกับข้อเท็จจริง โดยให้ค่าความน่าจะเป็นของแต่ละทางเลือก ขณะเดียวกัน Claude Opus 5 ซึ่งเป็น LLM คอยตรวจบันทึกเกมและปรับคำอธิบายตัวเลือกเมื่อ Jev ติดทางตัน เพื่อเป็นเหมือนโค้ชที่ช่วยแก้จุดบอดของโมเดล บทเรียนสำคัญคือ เมื่อเราปล่อยให้โมเดลเฉพาะทางทำสิ่งที่ถนัด เช่น การตัดสินใจที่มีโครงสร้าง และใช้ LLM เป็นผู้ช่วยเชิงกลยุทธ์ เราได้ระบบที่ทั้งเร็วและไกลกว่าการเอาแชตบอตตัวเดียวไปทำทุกอย่าง
เมื่อไรควรใช้ Jev แทนที่จะโยนงานทุกอย่างให้ ChatGPT
Jev ถูกออกแบบมาสำหรับงานแบบ Structured Decision หรือการตัดสินใจที่มีโครงสร้างชัดเจน เช่น ระบบได้รับข้อมูลตามเงื่อนไข แล้วต้องคำนวณ ประเมินความน่าจะเป็น หรือเลือกผลลัพธ์ที่เหมาะสม โดยไม่จำเป็นต้องสร้างข้อความยาวเหมือน AI สนทนา เพราะใช้ typed outputs ทำให้เหมาะกับสถานการณ์ที่พื้นที่คำตอบถูกกำหนดไว้ชัดเจน และขั้นตอนแรกๆ ในเวิร์กโฟลว์มีลักษณะซ้ำๆ และเป็นโครงสร้าง เช่น การคัดกรองเอกสารก่อนเข้า RAG การจัดหมวดคำค้นหา หรือการกำหนดว่าควรส่งคำถามไปโดเมนไหนของระบบค้นหา
ในมุมสถาปัตยกรรม AI นี่คือการปรับมุมคิดจาก “โมเดลสารพัดประโยชน์ตัวเดียว” ไปสู่ “ชุดเครื่องมือเฉพาะทาง” ที่แก้คอขวดผลิตภาพเฉพาะจุด TypeSafe พัฒนา System One Model เพื่อให้ AI ตัดสินใจและสร้างผลลัพธ์สำหรับระบบคอมพิวเตอร์ได้โดยตรง โดยปล่อยให้ LLM ทำสิ่งที่เก่งคือการอธิบาย เหตุผลเชิงลึก และการสร้างเนื้อหา คำถามที่นักพัฒนาต้องถามตัวเองจึงไม่ใช่ “จะใช้ AI ตัวไหนดี” แต่คือ “ขั้นตอนไหนในระบบที่ต้องการความเร็วและความสม่ำเสมอของการตัดสินใจมากกว่าความยืดหยุ่นของภาษา” เพราะสุดท้าย Jev คือชั้นตัดสินใจความเร็วสูงที่ถูกสร้างมาเพื่อเปิดทางให้โมเดลหนักๆ ทำหน้าที่ในจุดที่มีคุณค่าแท้จริง
