‏اوج و سقوط هیاهوی Jev: درسی درباره بازاریابی هوش مصنوعی

Alex Ewerlöf تو این مقاله سراغ Jev رفته؛ مدلی که حدود یه ماه پیش معرفی شد و همه‌جا ازش حرف زدن. به گفته‌ی نویسنده، Jev در اصل یه classifier همه‌کاره‌ست (یعنی مدلی که سریع یه قضاوت یا دسته‌بندی انجام می‌ده) و نکته‌ی جالبش اینه که لازم نیست با کلی داده آموزشش بدی. ولی نه چیزی می‌بینه و نه استدلال می‌کنه، و ارزون بودنش هم دقیقاً از همین‌جا میاد.

نویسنده اطلاعیه‌ی معرفی Jev رو قدم به قدم مرور می‌کنه و الگوی بازاریابیش رو نشون می‌ده: اسم بردن از آدم‌ها و مفاهیم معروف (سازنده‌ی سابق ChatGPT، پارادوکس Jevons، منحنی Pareto، «System One» کانمن)، ادعاهای بزرگ مثل «نمی‌تونه توهم بزنه»، اصطلاحات مبهم مثل روش آموزشی RLCD بدون هیچ جزئیات فنی، و درام؛ مثلاً اینکه پروژه‌ی Laya ایده‌ی مدل‌های تصمیم‌گیر غیر autoregressive رو حدود یه سال و نیم قبل نشون داده بود.

به گفته‌ی نویسنده، «توهم نزدن» تو Jev فقط یعنی خروجی با schema جور درمیاد، نه اینکه جواب منطقاً درست باشه. مدل‌های زبانی معمولی هم با یه حلقه‌ی کنترلی مثل type checker یا JSON schema parser همین کارو می‌کنن، فقط Jev سریع‌تره. وقتی آدم‌ها بیشتر امتحانش کردن، دیدن هنوز اشتباه می‌کنه و مدل‌های open-weight تو نسبت کارایی به هزینه ازش بهترن. مزیت واقعیش اینه که می‌شه روی edge و به‌صورت لوکال اجراش کرد.

نویسنده بعد یه مرور سریع از پیشرفت‌های چند سال اخیر می‌کنه: مدل‌های instruction-tuned، function call، harnessهای کدنویسی، ایجنت‌ها، MCP، sandbox، skill، حافظه و context بزرگ‌تر. به نظرش همه‌ی این‌ها پیشرفت تدریجی و واقعی‌ان، ولی بخش زیادی از داغ بودن هوش مصنوعی به خاطر درام‌های اطرافشه: ژئوپلیتیک، حباب بدهی، ایمنی و اثرش روی شغل‌ها.

از نظر نویسنده، چیزهایی که واقعاً بازی رو عوض می‌کنن هنوز حل نشدن: استدلال انتزاعی (یه System 2 واقعی)، یادگیری پیوسته در لحظه، embodiment یعنی گذاشتن هوش مصنوعی تو بدن ربات با واکنش لحظه‌ای، و اقتصاد اجرا. مغز ما با حدود ۲۰ وات کار می‌کنه، در حالی که صنعت داره از گیگاوات حرف می‌زنه. توصیه‌ی آخرش اینه که جلوی پرچم‌های قرمز بازاریابی حواسمون جمع باشه و به بنچمارک‌هایی که شبیه کار واقعی ما نیستن اعتماد نکنیم.

نکات کلیدی:

• Jev یه classifier سریع و ارزونه که بدون آموزش تخصصی زیاد کار می‌کنه، ولی چیزی نمی‌بینه و استدلال هم نمی‌کنه.
• ادعای «توهم نزدن» Jev فقط یعنی خروجی با schema جوره، نه اینکه جواب درست باشه.
• پروژه‌ی Laya ایده‌ی مشابه رو حدود ۱.۵ سال قبل از Jev نشون داده بود.
• مدل‌های open-weight تو نسبت کارایی به هزینه برای خیلی از کارها از Jev جلوترن؛ مزیت Jev اجرای لوکاله.
• پرچم‌های قرمز بازاریابی: اسم بردن از معروف‌ها، اصطلاحات مبهم، ابهام عمدی، انتظارات بادکرده و درام.
• مشکلات حل‌نشده: استدلال انتزاعی، یادگیری پیوسته، embodiment و هزینه‌ی انرژی.