TypeSafe เปิดตัว Jev โมเดลเอไอสายตัดสินใจ เร็วกว่า LLM 193 เท่า

⬛️ ชื่อของ Jev มาจากนักเศรษฐศาสตร์

เจฟ (Jev) ถูกตั้งชื่อตาม วิลเลียม สแตนลีย์ เจวอนส์ (William Stanley Jevons) นักเศรษฐศาสตร์ชาวอังกฤษ เจ้าของแนวคิด Jevons Paradox หรือ ปรากฏการณ์ย้อนแย้งของเจวอนส์  อธิบายว่า "เมื่อเทคโนโลยีช่วยให้เราใช้ทรัพยากรได้มีประสิทธิภาพและราคาถูกลง เราอาจไม่ได้ใช้ทรัพยากรน้อยลง แต่กลับใช้มากขึ้น เพราะต้นทุนที่ลดลงทำให้ผู้คนสามารถนำทรัพยากรนั้นไปใช้งานได้มากกว่าเดิม ตัวอย่างเช่น หากรถยนต์ประหยัดน้ำมันขึ้นมาก ผู้คนอาจตัดสินใจขับรถบ่อยและไกลขึ้น จนการใช้น้ำมันโดยรวมไม่ได้ลดลงตามที่คาด"

ทีม TypeSafe มองว่า AI อาจเกิดปรากฏการณ์แบบเดียวกันได้ หากการให้ AI วิเคราะห์และตัดสินใจมีต้นทุนถูกลงมาก บริษัทต่าง ๆ ก็อาจนำ AI ไปใช้กับงานจำนวนมากขึ้น จากเดิมที่ AI มักอยู่ในรูป Chatbot หรือ Coding Agent ช่วยเขียนโปรแกรม และอาจกลายเป็นระบบเบื้องหลังที่ทำงานอยู่ในซอฟต์แวร์แทบทุกประเภท เช่น คัดกรองอีเมล ตรวจสอบธุรกรรม จัดหมวดหมู่ข้อมูล อนุมัติคำสั่ง หรือประเมินความเสี่ยง กล่าวคือ ยิ่งต้นทุนการตัดสินใจของ AI ถูกลง ความต้องการใช้ AI ก็อาจยิ่งเพิ่มขึ้นอย่างมหาศาล

แนวคิดสำคัญของ Jev คือ การตัดขั้นตอนสร้างข้อความออกจากกระบวนการ AI แทนที่จะให้โมเดลสร้างคำตอบทีละ Token แล้วให้ซอฟต์แวร์นำข้อความกลับมาแยกและตรวจสอบอีกครั้ง แต่ Jev รับข้อมูลสถานะหรือ State แล้วคืนผลเป็นค่าที่มีประเภทกำหนดไว้ล่วงหน้า พร้อมค่าความน่าจะเป็น เพื่อให้โปรแกรมนำผลไปใช้ตัดสินใจต่อได้โดยตรง

⬛️ ผู้ร่วมพัฒนาเทคโนโลยีเบื้องหลัง ChatGPT

ไดโอโก อัลเมดา (Diogo Almeida) ผู้ก่อตั้ง TypeSafe AI เคยทำงานที่ OpenAI และมีส่วนร่วมกับงานวิจัยที่ช่วยให้โมเดลภาษาสามารถเข้าใจคำสั่งและโต้ตอบกับมนุษย์ได้ดีขึ้น ซึ่งต่อมากลายเป็นส่วนหนึ่งของพื้นฐานเทคโนโลยีที่นำไปสู่แชตจีพีที (ChatGPT) หลังออกจาก OpenAI เขาก่อตั้ง TypeSafe AI และใช้เวลาประมาณ 2 ปี พัฒนาเทคโนโลยี AI รูปแบบใหม่โดยยังไม่เปิดเผยต่อสาธารณะ

จุดเริ่มต้นของ TypeSafe AI มาจากคำถามสำคัญว่า ในเมื่อ AI สามารถพูดคุยและตอบคำถามมนุษย์ได้เก่งขึ้นมากแล้ว ทำไมใดเราจึงยังไม่เห็น AI ที่สามารถทำงานอัตโนมัติแทนมนุษย์ถูกใช้งานแพร่หลาย 

บริษัทมองว่าปัญหาส่วนหนึ่งอยู่ที่โมเดลภาษาขนาดใหญ่ หรือ Large Language Model (LLM) เช่น ChatGPT และ Gemini ถูกออกแบบมาให้สร้างภาษาและข้อความที่มนุษย์อ่านเข้าใจ แต่การทำงานของระบบซอฟต์แวร์ต้องการผลลัพธ์ที่เป็นข้อมูลชัดเจน มีโครงสร้าง และสามารถนำไปใช้ตัดสินใจหรือสั่งงานขั้นต่อไปได้ทันที

TypeSafe AI จึงพัฒนา System One Model ซึ่งเน้นให้ AI ตัดสินใจและสร้างผลลัพธ์สำหรับระบบคอมพิวเตอร์ได้โดยตรง แนวคิดนี้ได้รับแรงบันดาลใจจากหนังสือ Thinking, Fast and Slow ของแดเนียล คาห์เนแมน (Daniel Kahneman) ที่แบ่งกระบวนการคิดของมนุษย์ออกเป็น 2 รูปแบบ โดย System One คือ การคิดและตัดสินใจอย่างรวดเร็ว ส่วน System Two คือ การคิดวิเคราะห์อย่างช้า ๆ และใช้เหตุผลมากกว่า 

⬛️ ความแตกต่างของ System One Model และ System Two Model

โมเดลแบบ System One Model  ใช้การคิดที่รวดเร็ว ใช้สัญชาตญาณ และทำงานแบบขนาน (Parallel) เช่น การรับรู้ทางอารมณ์จากใบหน้าทันที ส่วน System Two Model การคิดที่ช้า ไตร่ตรอง และเป็นไปตามลำดับขั้นตอน (Sequential) เช่น การคำนวณเลขคณิตที่ซับซ้อน

โมเดลแบบ LLM ทั่วไปในปัจจุบัน หรือมีการทำงานคล้าย GPT-6 Astra หรือ Fable 5.1 ถูกจัดว่าเป็น System Two Model เนื่องจากต้องอาศัยการสร้าง Token ทีละตัวตามลำดับ (Token Loop) เพื่อหาคำตอบ แต่ Jev ถูกออกแบบมาให้เป็น System One Model รุ่นแรกของโลก โดยเน้นความเร็วและการตัดสินใจ ส่งผลลัพธ์กลับมาเป็นค่าที่ระบุประเภทชัดเจนทันที โดยไม่ต้องเขียนอธิบายเหตุผลหรือสร้างข้อความใดๆ

จุดแตกต่างสำคัญ คือ โมเดลแบบ LLM ถูกสร้างให้ทำงานได้หลากหลาย ตั้งแต่ตอบคำถาม เขียนบทความ สรุปข้อมูล เขียนโปรแกรม ไปจนถึงวิเคราะห์เอกสาร 

ในขณะที่ Jev ถูกทีมงาน TypeSafe ออกแบบให้เน้นงานแบบ Structured Decision หรือการตัดสินใจที่มีโครงสร้างชัดเจน เช่น ระบบได้รับข้อมูลตามเงื่อนไขที่กำหนด แล้วต้องคำนวณ ประเมินความน่าจะเป็น หรือเลือกผลลัพธ์ที่เหมาะสม ระบบจึงไม่จำเป็นต้องสร้างข้อความยาวแบบ AI สนทนาในทุกขั้นตอน

⬛️ เจาะลึก 3 รูปแบบคำถามพื้นฐานของ Jev

Jev ถูกออกแบบมาให้ตัดสินใจโดยไม่ต้องสร้างข้อความยาวเหมือน ChatGPT หรือ Gemini แต่ใช้รูปแบบคำถามพื้นฐานที่เรียกว่า Primitives เพียง 3 แบบ ได้แก่ Choice, Score และ Noul ทำให้ซอฟต์แวร์สามารถนำผลการตัดสินใจของ AI ไปใช้งานต่อได้ทันที

Choice การเลือกหนึ่งคำตอบจากหลายตัวเลือก ใช้เมื่อต้องตัดสินใจว่าสิ่งที่ได้รับควรอยู่ในกลุ่มใด เช่น ข่าวหนึ่งชิ้นเป็นข่าว AI อวกาศ หุ่นยนต์ หรือวิทยาศาสตร์ Jev จะประเมินทุกตัวเลือกแล้วเลือกคำตอบที่เหมาะสมที่สุด พร้อมค่าความน่าจะเป็น เพื่อให้ระบบรู้ด้วยว่า AI มั่นใจกับการตัดสินใจนั้นมากน้อยเพียงใด

Score การให้คะแนนตามระดับที่กำหนด ใช้เมื่อต้องประเมินว่าสิ่งใดมีระดับมากหรือน้อยเพียงใด เช่น ข่าวสำคัญแค่ไหน หรือคำร้องเรียนของลูกค้าเร่งด่วนเพียงใด นักพัฒนาสามารถกำหนดระดับ เช่น 1-10 แล้วให้ Jev ประเมินคะแนน จากนั้นซอฟต์แวร์นำคะแนนไปตั้งเงื่อนไขต่อ เช่น ข่าวที่ได้ 8 คะแนนขึ้นไปจึงถูกส่งต่อให้ AI เขียนเป็นข่าว

Noul การประเมินว่าข้อความเป็นจริงหรือไม่ ใช้กับคำถามหรือเงื่อนไขที่มีผลลัพธ์สองทาง เช่น อีเมลนี้เป็น Spam หรือไม่ หรือข่าวนี้ควรส่งให้มนุษย์ตรวจสอบหรือไม่ โดย Jev จะประเมินออกมาเป็นค่าความน่าจะเป็น หรือ Probability ระหว่าง 0 ถึง 1 แทนการตอบเพียง Yes หรือ No เช่น ค่า 0.93 หมายถึงโมเดลประเมินว่าข้อความหรือเงื่อนไขนั้นมีโอกาสเป็นจริงประมาณ 93% ขณะที่ค่าประมาณ 0.5 หมายถึงโมเดลยังไม่แน่ใจ  

⬛️ Jev ทำงานเร็วกว่าโมเดล LLM สูงสุด 193.6 เท่า ?

TypeSafe ระบุว่า ในการทดสอบที่เรียกว่า Workflow Evals ซึ่งเป็นชุดทดสอบจำลองขั้นตอนการทำงานของระบบ Jev สามารถทำงานเร็วกว่า LLM เช่น GPT-6 Astra หรือ Fable 5.1 สูงสุดประมาณ 193.6 เท่า และมีต้นทุนในการประมวลผลต่ำกว่าประมาณ 444.6 เท่า 

โดยคำว่า Workflow ในที่นี้หมายถึงลำดับงานหลายขั้นตอนที่ AI ต้องทำต่อเนื่องกัน ตั้งแต่รับข้อมูล วิเคราะห์ ตัดสินใจ ไปจนถึงส่งผลลัพธ์ให้ระบบอื่นนำไปใช้งานต่อ

สำหรับการทำงานเร็วในที่นี้รวมเวลาตั้งแต่ระบบได้รับคำสั่ง จนกระทั่งส่งผลลัพธ์สุดท้ายกลับมา ไม่ได้วัดเฉพาะความเร็วในการคำนวณของโมเดลเพียงขั้นตอนเดียว ดังนั้นตัวเลข 70-500 มิลลิวินาที จึงใช้แสดงว่ากระบวนการทั้งหมดสามารถเสร็จสิ้นได้เร็วมากแค่ไหน 

ในการประเมิน TypeSafe ยังใช้สิ่งที่เรียกว่า Reference Probability หรือค่าความน่าจะเป็นอ้างอิง โดยนำค่าเฉลี่ยจากคำตอบของ จีพีที-6 แอสตรา (GPT-6 Astra) และ ฟาเบิล 5.1 (Fable 5.1) มาเป็นค่าตั้งต้นสำหรับตรวจสอบว่า Jev ให้ผลลัพธ์ใกล้เคียงกับโมเดล AI ระดับสูงมากน้อยเพียงใด วิธีนี้จึงไม่ได้เปรียบเทียบเพียงว่าโมเดลใดตอบเร็วกว่า แต่พยายามตรวจสอบคุณภาพของการตัดสินใจควบคู่กันไปด้วย

อย่างไรก็ตาม ตัวเลขเร็วกว่า 193.6 เท่า และต้นทุนต่ำกว่า 444.6 เท่า ยังไม่ควรตีความว่า Jev สามารถเอาชนะ LLM อย่าง ChatGPT หรือ Claude ได้หลายร้อยเท่าในทุกประเภทงาน เนื่องจาก Benchmark หรือชุดทดสอบดังกล่าวถูกพัฒนาและดำเนินการโดย TypeSafe เอง และบริษัทก็ยอมรับว่า Workflow ที่ใช้ทดสอบสร้างขึ้นโดยทีม Model Capabilities ภายในบริษัท จึงอาจมีอคติ หรือความเอนเอียงของชุดทดสอบที่เอื้อต่อจุดแข็งของ Jev อยู่บ้าง 

แม้ว่าจะมีความเร็วมากขึ้นหลายเท่าแต่ Jev ยังมีจุดอ่อนอยู่ เช่น การคำนวณเลข การนับ การเปรียบเทียบวันที่ และคำถามที่ต้องใช้การอนุมานหลายขั้น ดังนั้น งานคำนวณควรให้ Code ทำโดยตรง แล้วส่งผลลัพธ์ที่คำนวณเสร็จแล้วให้ Jev ใช้ประกอบการตัดสินใจ นอกจากนี้ยังพบว่า Jev มักตีความคำถามแบบตรงไปตรงมา และมีจุดอ่อนในเรื่องคำถามที่มีความซับซ้อนหลายชั้น

⬛️ ผู้สนใจศึกษาเริ่มใช้งาน Jev ทำอย่างไร? 

ปัจจุบัน Jev ไม่ใช่ AI Chatbot สำหรับผู้ใช้ทั่วไปแบบ ChatGPT หรือ Gemini แต่ให้บริการในรูปแบบ API สำหรับนักพัฒนา เพื่อนำความสามารถของ Jev ไปเชื่อมต่อกับแอปพลิเคชัน ซอฟต์แวร์ หรือระบบ AI Agent โดยส่งข้อมูลเข้าไปให้ Jev ประเมินและตัดสินใจ ก่อนนำผลลัพธ์ไปใช้ควบคุมขั้นตอนการทำงานของระบบต่อไป

TypeSafe AI คิดค่าบริการตามปริมาณข้อมูลขาเข้า หรือ Input Tokens ขณะที่ข้อมูลขาออก หรือ Output Tokens ไม่คิดค่าบริการ เนื่องจาก Jev ไม่ได้สร้างข้อความยาวแบบ LLM แต่คืนผลการตัดสินใจที่มีโครงสร้าง เช่น การเลือกตัวเลือก การให้คะแนน หรือค่าความน่าจะเป็น จึงเหมาะกับงาน Automation และ AI Agent ที่ต้องตัดสินใจจำนวนมากอย่างรวดเร็ว

อย่างไรก็ตาม Jev ยังอยู่ในสถานะ Early Access เทคโนโลยีช่วงเริ่มต้นที่ยังไม่ได้รับการพิสูจน์ในวงกว้าง ตัวเลขด้านความเร็วและต้นทุนส่วนใหญ่ยังมาจากการทดสอบของ TypeSafe เอง สิ่งที่ต้องติดตามต่อไป คือ ความแม่นยำ การปรับเทียบค่าความมั่นใจ และความน่าเชื่อถือเมื่อถูกนำไปใช้งานจริงในระบบ Production ขององค์กรภายนอก