Những ngày gần đây, trên dòng thời gian của các nhà phát triển AI liên tục xuất hiện một cái tên mới: Jev.

Có người dùng nó để phân loại bài báo, có người dùng nó để chọn công cụ mà Agent nên gọi, còn có người tích hợp nó vào trình mô phỏng drone, để drone chọn động tác vòng qua chướng ngại vật. Các nền tảng như OpenRouter, Cloudflare cũng đã tích hợp mô hình mới này, và các bản demo ứng dụng xoay quanh Jev liên tục xuất hiện.

Nếu JEV giúp AI ra quyết định nhanh hơn, rẻ hơn, thì những công ty cổ phiếu Mỹ nào có cơ hội hưởng lợi từ đó?

Trước khi hiểu logic đầu tư, cần làm rõ Jev rốt cuộc là gì.

Làm câu hỏi trắc nghiệm

Jev là mô hình ra quyết định do TypeSafe AI ra mắt ngày 15 tháng 9. Công ty gọi loại mô hình này là System One, tức "Hệ thống một", mượn khái niệm phán đoán nhanh trong tác phẩm mở đường của kinh tế học hành vi "Tư duy nhanh và chậm". Nó có thể hiểu mô tả bằng văn bản, chủ yếu xuất ra lựa chọn, điểm số và xác suất, để phần mềm tiếp tục xử lý.

Lấy một ví dụ. Một cửa hàng online nhận được tin nhắn: "Hôm qua tôi mua một cái cốc, hình như bị trừ tiền hai lần, có thể kiểm tra giúp không?"

Hệ thống có vài câu hỏi nhỏ cần giải quyết: việc này thuộc bộ phận hậu mãi hay tài chính? Người dùng đang tra cứu hóa đơn hay yêu cầu hoàn tiền? Hồ sơ hiện có có cho thấy bị trừ tiền trùng không?

Nhà phát triển có thể quy định trước các lựa chọn, để Jev lần lượt trả lời. Sau đó, chương trình đối chiếu đơn hàng và hồ sơ thanh toán, đi vào quy trình xử lý tương ứng; khi cần giải thích cho khách hàng, lại giao cho mô hình giỏi diễn đạt.

Đây là cách dùng cơ bản của Jev: đưa tình huống, quy định câu hỏi, để nó đưa ra lựa chọn.

Mô hình lớn đa dụng cũng có thể hoàn thành những nhiệm vụ này. Sức hút của Jev nằm ở việc tối ưu chuyên biệt cho phân loại, chấm điểm và lựa chọn, giảm thời gian và chi phí cho một phán đoán nhỏ. Nó đưa kết quả trực tiếp cho chương trình, bỏ qua quá trình tạo ra một đoạn giải thích.

Mở rộng thêm, mỗi ngày bạn nhận hàng nghìn tin tức ngành, thực sự đáng đọc kỹ chỉ có vài chục tin. Có thể để Jev phán đoán mỗi tin có liên quan đến công ty bạn quan tâm không, có chứa thông tin mới không, rồi để mô hình đa dụng tóm tắt nội dung đã lọc. Như vậy, mô hình đa dụng chỉ xử lý phần đáng đọc sâu, còn lượng lớn phán đoán đơn giản giao cho Jev có chi phí thấp hơn.

Những thử nghiệm tương tự đã mở rộng đến các tình huống như thao tác trình duyệt, tìm kiếm và trò chơi. Chuyên đề Jev của Động Sát Beating đã sắp xếp các dự án này theo mục đích sử dụng, giới thiệu Jev chịu trách nhiệm phán đoán nào trong đó, kèm theo mã nguồn và một phần lối vào demo. Đối chiếu với các trường hợp cụ thể, sẽ dễ hiểu hơn khả năng "làm câu hỏi trắc nghiệm" này có thể dùng ở đâu.

Chi phí cắt giảm đến mức tối thiểu

Theo mức giá công bố của TypeSafe, Jev tính phí 0,042 USD cho mỗi triệu token đầu vào, đầu ra miễn phí.

Ý nghĩa của việc giảm chi phí nằm ở chỗ, một số công việc trước đây chỉ có thể kiểm tra lấy mẫu, nay đã có khả năng kiểm tra từng mục một. Hồ sơ chăm sóc khách hàng có thể được phân loại từng mục, tài liệu được truy xuất có thể được đánh giá mức độ liên quan từng mục, và mỗi lần tác nhân thông minh gọi công cụ cũng có thể sàng lọc thêm một lần.

Ví dụ, một chương trình phân tích tin tức trước đây mỗi ngày chỉ chọn ra những bài viết hot nhất để giao cho AI, giờ đây có thể kiểm tra toàn bộ bài viết trước, rồi phân loại theo công ty, sản phẩm, đơn hàng và thay đổi nhân sự. Những thông tin không có độ hot cao nhưng liên quan trực tiếp đến một doanh nghiệp quan trọng nào đó cũng có cơ hội được tìm ra.

Tên gọi Jev được lấy từ nhà kinh tế học Jevons, thành tựu nổi tiếng nhất của ông là đưa ra "Nghịch lý Jevons". Các nhà phát triển hy vọng rằng sau khi việc phán đoán trở nên rẻ hơn, phần mềm sẽ sử dụng nó thường xuyên hơn. Những chỗ trước đây không đáng để gọi riêng một lần mô hình lớn, đều có thể tính lại bài toán chi phí.

Jev và thiết bị vật lý

Nhà phát triển Roman Slack đã thực hiện một dự án máy bay không người lái: trong trình mô phỏng vật lý MuJoCo, một chiếc drone bốn cánh bay theo mục tiêu phía trước, xuyên qua các cột trụ, dầm ngang và chướng ngại vật di động trên đường đi.

Chương trình trước tiên sắp xếp thông tin độ sâu và phân đoạn thu được từ camera thành dữ liệu, cho Jev biết phía trước có bị chặn không, bên trái hay bên phải có khoảng trống, chướng ngại vật cao bao nhiêu. Jev sau đó chọn từ các hành động như giữ hướng bay, vòng sang trái, vòng sang phải, leo lên, phanh lại.

Ví dụ, một dầm ngang chặn toàn bộ lối đi, cả trái lẫn phải đều không vòng qua được, nhưng phía trên vẫn còn không gian. Jev có thể chọn leo lên, chương trình điều khiển lại chuyển lựa chọn này thành lệnh chuyển động cho drone.

Trong quá trình bay, các mô-đun khác nhau đảm nhận các vai trò riêng. Jev phán đoán nên đi hướng nào, chương trình điều khiển chịu trách nhiệm giữ thăng bằng, điều chỉnh lực đẩy động cơ và tránh chướng ngại vật khẩn cấp. Camera cung cấp thông tin môi trường, mô hình quyết định chọn hành động, bộ điều khiển khiến hành động xảy ra.

Sự phân công tương tự cũng có thể được hiểu qua việc cánh tay robot gắp cốc. Camera nhận diện vị trí của cốc, cảm biến đo khoảng cách và lực, bộ điều khiển điều chỉnh chuyển động của ngón tay, mô hình quyết định tham gia phán đoán nên lấy cốc nào trước, gặp chướng ngại vật thì làm thế nào.

Nếu loại phán đoán này trở nên rẻ và dễ tích hợp, chi phí phát triển thiết bị tự động hóa sẽ có cơ hội giảm xuống. Những thiết bị trước đây không đáng làm vì phát triển phần mềm quá đắt, kịch bản sử dụng quá nhỏ, cũng sẽ có không gian thương mại mới.

Điều này kết nối Jev với một số công ty. Nhiều thiết bị hơn đi vào nhà máy, kho hàng và gia đình đồng nghĩa với nhu cầu lớn hơn về cảm biến, cấp nguồn, tính toán và điều khiển chuyển động.

Những cổ phiếu nào có thể hưởng lợi

Theo hướng suy nghĩ này, đáng chú ý là các linh kiện mà thiết bị cần để từ cảm nhận môi trường đến thực thi hành động. Dù phần mềm chọn mô hình nào, một robot vẫn cần biết mình đang ở đâu, xung quanh có gì, và chuyển đổi điện năng thành hành động chính xác.

Texas Instruments (TXN), bao phủ linh kiện đi kèm cho cảm biến và thực thi

Chip analog chịu trách nhiệm xử lý các tín hiệu biến đổi liên tục như điện áp, dòng điện, đồng thời đảm nhận nhiệm vụ cấp nguồn và điều khiển. Sản phẩm robot của TXN bao phủ thu thập tín hiệu, điều khiển động cơ, nguồn điện và xử lý nhúng.

Sau khi robot quyết định nâng tay, việc dòng điện được truyền đến động cơ như thế nào, lực được kiểm soát ra sao, đều cần đến các linh kiện này. Nếu tự động hóa rẻ hơn mang lại nhiều robot, cánh tay robot và thiết bị thông minh hơn, TXN có cơ hội bán thêm nhiều chip đi kèm cho các thiết bị này.

Analog Devices (ADI), tương ứng với cảm biến và chuyển động chính xác hơn.

Giải pháp robot của ADI liên quan đến cảm biến quán tính, kết nối camera, truyền thông công nghiệp và giao diện điều khiển chuyển động. Ví dụ, robot kho hàng khi đi vào lối đi thiếu ánh sáng cần kết hợp thông tin quán tính để phán đoán chuyển động của bản thân; khi nhiều camera và cảm biến hoạt động đồng thời, còn cần đồng bộ dữ liệu gửi đến bộ xử lý.

Công việc mà thiết bị đảm nhận càng phức tạp, yêu cầu về độ chính xác cảm biến, độ ổn định kết nối và điều khiển chuyển động càng cao. Logic hưởng lợi của ADI là cung cấp những linh kiện đi kèm này trong nhiều thiết bị tự động hơn.

STMicroelectronics (STM), tương ứng với AI trên thiết bị tiêu thụ điện năng thấp.

Cái gọi là edge AI, tức là để thiết bị xử lý một phần dữ liệu ngay tại chỗ. Vi điều khiển STM32N6 của STM đã tích hợp bộ tăng tốc dùng cho tính toán mạng nơ-ron, hướng đến các ứng dụng thị giác, âm thanh nhạy cảm về chi phí và điện năng tiêu thụ.

Ví dụ, một thiết bị camera nhỏ có thể nhận diện vật thể ngay tại chỗ, một thiết bị công nghiệp có thể dựa vào âm thanh để phán đoán vận hành có bất thường không. Các thảo luận xoay quanh Jev đã hướng sự chú ý của nhà đầu tư đến loại ứng dụng này: một lượng lớn nhiệm vụ thông minh đơn giản, lặp đi lặp lại, có cơ hội đi vào các thiết bị có giá thấp hơn, kích thước nhỏ hơn. STM cung cấp chính năng lực xử lý mà loại thiết bị này cần.

onsemi (ON), tương ứng với các linh kiện quang học và công suất.

Các sản phẩm ON cung cấp cho robot bao gồm cảm biến hình ảnh, cảm biến độ sâu, cũng như transistor công suất và chip điều khiển động cơ. Hai loại đầu chịu trách nhiệm thu thập dữ liệu hình ảnh và khoảng cách, hai loại sau phối hợp với dòng điện cần thiết để điều khiển động cơ.

Lấy robot vận chuyển trong kho làm ví dụ, cảm biến hình ảnh trong camera thu thập hình ảnh của kệ hàng phía trước, cảm biến độ sâu đo khoảng cách với chướng ngại vật, chip điều khiển động cơ phối hợp với transistor công suất để điều khiển dòng điện, làm cho bánh xe quay. Càng nhiều robot và thiết bị camera thông minh được đưa vào sử dụng, càng có cơ hội tăng nhu cầu đối với các cảm biến và chip này.

Ngoài bốn công ty này, còn có ba công ty có thể đưa vào danh sách theo dõi.

NXP (NXPI)

Mảng kinh doanh liên quan: bộ xử lý i.MX, vi điều khiển, sản phẩm kết nối và điều khiển

Logic hưởng lợi: cung cấp khả năng tính toán, liên lạc và điều khiển cho nhiều robot và thiết bị công nghiệp hơn

Qualcomm (QCOM)

Mảng kinh doanh liên quan: nền tảng Dragonwing dành cho robot, máy bay không người lái và AI trên thiết bị

Logic hưởng lợi: đảm nhận nhu cầu xử lý cục bộ các tác vụ thị giác, tính toán và kết nối trên thiết bị

Cloudflare (NET)

Mảng kinh doanh liên quan: cung cấp khả năng truy cập và gọi các mô hình bên thứ ba của Jev

Logic hưởng lợi: khi nhà phát triển sử dụng Jev cho phân luồng chăm sóc khách hàng, sàng lọc tài liệu và điều phối tác nhân thông minh, họ vẫn cần triển khai ứng dụng, kết nối dữ liệu, quản lý việc gọi. Cơ hội của Cloudflare là giữ cho các ứng dụng này chạy trên nền tảng của mình.

Vẫn còn ở giai đoạn đầu

Jev hiện vẫn còn những vấn đề cần giải quyết, bao gồm độ chính xác trong phán đoán, thiết kế câu hỏi, và liệu dịch vụ có thể hỗ trợ hoạt động kinh doanh chạy dài hạn hay không.

Đầu tiên, tuyên truyền về "không ảo giác" của Jev dễ gây hiểu lầm. Quy định nó chỉ được chọn trong A, B, C có thể tránh việc nó trả về D mà chương trình không nhận biết, nhưng nó vẫn có thể chọn sai. Quay lại ví dụ chăm sóc khách hàng, chương trình đọc ra "chuyển cho tài chính" một cách suôn sẻ, không có nghĩa là phiếu công việc này thực sự nên do bộ phận tài chính xử lý.

Có nhà phát triển đã dùng Jev để kiểm thử tám loại tác vụ, hoàn thành 16.000 lần phán đoán, anh ấy công nhận lợi thế về tốc độ và chi phí của Jev, đồng thời nhận thấy các câu hỏi và lựa chọn vẫn cần điều chỉnh thêm để bao quát tình huống thực tế. Anh ấy cũng mong đợi sau khi nhà cung cấp tích lũy thêm kinh nghiệm vận hành và thị trường xuất hiện giải pháp thay thế, rồi mới tích hợp vào hoạt động sản xuất.

Hiện chưa thể biết Jev có thể đảm nhận bao nhiêu công việc, nhưng một xu hướng đã xuất hiện: giao nhiều phán đoán lặp lại cho JEV, để các tác vụ phức tạp cho mô hình đa dụng.

Khi chi phí phát triển và sử dụng tự động hóa giảm xuống, chip mô phỏng, AI biên và thiết bị tự chủ liệu có đón khoảnh khắc ChatGPT của riêng mình?

Chào mừng bạn tham gia cộng đồng chính thức của BlockBeats:

Nhóm Telegram đăng ký: https://t.me/theblockbeats

Nhóm Telegram thảo luận: https://t.me/BlockBeats_App

Tài khoản Twitter chính thức: https://twitter.com/BlockBeatsAsia