Jev se vuelve viral: ¿qué valores estadounidenses están relacionados?

Estos días, un nombre nuevo aparece con frecuencia en las líneas de tiempo de los desarrolladores de IA: Jev.

Algunos lo usan para clasificar artículos académicos, otros para elegir qué herramientas debe invocar un agente, y otros lo integran en simuladores de drones para que el dron elija la acción para esquivar obstáculos. Plataformas como OpenRouter y Cloudflare también han integrado este nuevo modelo, y las demostraciones de aplicaciones en torno a Jev aparecen una tras otra.

Si JEV hace que las decisiones de la IA sean más rápidas y baratas, ¿qué empresas estadounidenses podrían beneficiarse?

Antes de entender la lógica de inversión, primero hay que aclarar qué es exactamente Jev.

Resolver preguntas de opción múltiple

Jev es un modelo de decisión lanzado por TypeSafe AI el 15 de septiembre. La empresa denomina a su categoría System One, es decir, «sistema uno», tomando prestado el concepto de juicio rápido de la obra fundacional de la economía conductual, Pensar rápido, pensar despacio. Puede comprender descripciones de texto y produce principalmente opciones, puntuaciones y probabilidades para que el software las procese.

Por ejemplo, una tienda en línea recibe un mensaje: «Ayer compré una taza y parece que me cobraron dos veces, ¿pueden revisarlo?»

El sistema tiene varias preguntas pequeñas que resolver: ¿este asunto corresponde a posventa o a finanzas? ¿El usuario está consultando la factura o pidiendo un reembolso? ¿Los registros existentes muestran un cargo duplicado?

El desarrollador puede definir de antemano las opciones para que Jev responda por separado. Luego, el programa verifica el pedido y los registros de pago, y entra en el flujo de procesamiento correspondiente; cuando hay que explicar algo al cliente, se recurre a un modelo bueno en expresión.

Este es el uso básico de Jev: darle una situación, definir las preguntas y dejar que elija.

Los modelos grandes de propósito general también pueden realizar estas tareas. El atractivo de Jev radica en estar optimizado específicamente para clasificar, puntuar y elegir, reduciendo el tiempo y el coste de un pequeño juicio. Entrega el resultado directamente al programa, ahorrando el proceso de generar una explicación.

Yendo más allá, si recibes miles de mensajes del sector cada día, solo unas decenas merecen una lectura detallada. Puedes dejar que Jev determine primero si cada mensaje involucra a empresas que te interesan y si contiene información nueva, y luego que un modelo general resuma el contenido filtrado. Así, el modelo general solo procesa la parte que merece una lectura profunda, y los muchos juicios simples se dejan a Jev, que es más barato.

Intentos similares ya se han extendido a escenarios como la operación de navegadores, búsquedas y juegos. El especial de Jev de Beating recopila estos proyectos por uso, explica qué juicios realiza Jev en cada uno e incluye el código fuente y algunas entradas de demostración. Con casos concretos, es más fácil entender dónde se puede aplicar esta capacidad de «resolver preguntas de opción múltiple».

Reducir el coste al mínimo

Según los precios publicados por TypeSafe, Jev cobra 0,042 dólares por millón de tokens de entrada, y la salida es gratuita.

La importancia de la reducción de costes es que algunos trabajos que antes solo se podían muestrear ahora pueden revisarse uno por uno. Los registros de atención al cliente se pueden clasificar uno a uno, los datos recuperados se pueden juzgar uno a uno por relevancia, y los agentes inteligentes pueden hacer un filtrado adicional antes de invocar cada herramienta.

Por ejemplo, un programa de análisis de noticias que antes solo seleccionaba los artículos más populares para la IA ahora puede revisar primero todos los artículos y clasificarlos por empresa, producto, pedido y cambios de personal. La información que no es muy popular pero está directamente relacionada con una empresa importante también tiene la oportunidad de ser encontrada.

El nombre Jev proviene del economista Jevons, cuyo logro más conocido es la «paradoja de Jevons». Los desarrolladores esperan que, cuando el juicio se abarate, el software lo use con más frecuencia. Donde antes no valía la pena invocar un modelo grande por separado, ahora se puede recalcular la cuenta de costes.

Jev y los dispositivos físicos

El desarrollador Roman Slack hizo un proyecto de dron: en el simulador físico MuJoCo, un cuadricóptero sigue un objetivo delante, atravesando columnas, vigas y obstáculos móviles.

El programa primero organiza los datos de profundidad y segmentación obtenidos por la cámara, y le dice a Jev si el camino está bloqueado, de qué lado hay espacio y qué altura tiene el obstáculo. Luego Jev elige entre acciones como mantener el rumbo, rodear por la izquierda, rodear por la derecha, ascender o frenar.

Por ejemplo, una viga bloquea todo el pasillo, no se puede rodear por ningún lado, pero hay espacio arriba. Jev puede elegir ascender, y el programa de control convierte esa elección en comandos de movimiento del dron.

Durante el vuelo, los distintos módulos cumplen cada uno su función. Jev juzga hacia dónde ir, el programa de control se encarga de mantener el equilibrio, ajustar el empuje de los motores y la evasión de emergencia. La cámara proporciona información del entorno, el modelo de decisión elige la acción y el controlador hace que la acción ocurra.

La misma división del trabajo se puede entender con un brazo robótico que agarra una taza. La cámara identifica la posición de la taza, los sensores miden la distancia y la fuerza, el controlador ajusta los movimientos de los dedos, y el modelo de decisión participa en juzgar qué taza agarrar primero y qué hacer tras encontrar un obstáculo.

Si este tipo de juicios se vuelve barato y fácil de integrar, el coste de desarrollar equipos automatizados tiene la oportunidad de bajar. Los equipos que antes no eran rentables porque el desarrollo de software era demasiado caro y el escenario de uso demasiado pequeño tendrán un nuevo espacio comercial.

Esto conecta a Jev con algunas empresas. Más dispositivos entrando en fábricas, almacenes y hogares significa más demanda de percepción, alimentación, computación y control de movimiento.

Qué valores podrían beneficiarse

Siguiendo esta línea de pensamiento, lo que merece atención son los componentes que un dispositivo necesita desde la percepción del entorno hasta la ejecución de acciones. Independientemente del modelo que elija el software, un robot necesita saber dónde está y qué hay a su alrededor, y convertir la electricidad en movimientos precisos.

Texas Instruments (TXN), cobertura de percepción y ejecución

Los chips analógicos se encargan de procesar señales que varían continuamente, como voltaje y corriente, y también asumen tareas de alimentación y accionamiento. Los productos de robótica de TXN cubren adquisición de señales, control de motores, alimentación y procesamiento embebido.

Después de que el robot decide levantar la mano, cómo se envía la corriente al motor y cómo se controla la fuerza requieren estos componentes. Si una automatización más barata trae más robots, brazos robóticos y dispositivos inteligentes, TXN tendrá la oportunidad de vender más chips complementarios a estos equipos.

Analog Devices (ADI), para una percepción y un movimiento más precisos.

Las soluciones robóticas de ADI incluyen detección inercial, conexión de cámaras, comunicación industrial e interfaces de control de movimiento. Por ejemplo, un robot de almacén que entra en un pasillo con poca luz necesita combinar información inercial para juzgar su propio movimiento; cuando varias cámaras y sensores trabajan a la vez, también hay que sincronizar los datos y enviarlos al procesador.

Cuanto más complejo sea el trabajo que asume un dispositivo, mayores serán los requisitos de precisión de percepción, estabilidad de conexión y control de movimiento. La lógica de beneficio de ADI es proporcionar estos complementos en más dispositivos autónomos.

STMicroelectronics (STM), para IA en dispositivos de bajo consumo.

La llamada IA en el borde consiste en que el dispositivo procese una parte de los datos localmente. El microcontrolador STM32N6 de STM ya integra un acelerador para cálculos de redes neuronales, orientado a aplicaciones de visión y sonido sensibles al coste y al consumo.

Por ejemplo, un pequeño dispositivo de cámara puede identificar objetos localmente, y un equipo industrial puede juzgar por el sonido si el funcionamiento es anómalo. La discusión en torno a Jev ha dirigido la atención de los inversores hacia este tipo de usos: muchas tareas inteligentes simples y repetitivas tienen la oportunidad de entrar en dispositivos más baratos y pequeños. STM proporciona precisamente la capacidad de procesamiento que estos dispositivos necesitan.

onsemi (ON), para componentes de visión y potencia.

Los productos que ON ofrece para robótica incluyen sensores de imagen, sensores de profundidad, transistores de potencia y chips de control de motores. Los dos primeros se encargan de captar imágenes y datos de distancia, y los dos últimos colaboran en el control de la corriente necesaria para los motores.

Tomando como ejemplo un robot de transporte de almacén, el sensor de imagen de la cámara capta la imagen de las estanterías delanteras, el sensor de profundidad mide la distancia a los obstáculos, y el chip de control de motores, junto con los transistores de potencia, controla la corriente para que giren las ruedas. Si se ponen en uso más robots y dispositivos de cámara inteligentes, habrá oportunidad de aumentar la demanda de estos sensores y chips.

Además de estas cuatro empresas, hay otras tres que se pueden poner en la lista de observación.

NXP Semiconductors (NXPI)

Negocios relacionados: procesadores i.MX, microcontroladores, productos de conectividad y control

Lógica de beneficio: proporcionar capacidad de computación, comunicación y control a más robots y equipos industriales

Qualcomm (QCOM)

Negocios relacionados: plataforma Dragonwing para robótica, drones e IA en el dispositivo

Lógica de beneficio: asumir la demanda de procesamiento local de visión, computación y conectividad en los dispositivos

Cloudflare (NET)

Negocios relacionados: proporcionar acceso e invocación del modelo de terceros Jev

Lógica de beneficio: cuando los desarrolladores usan Jev para enrutamiento de atención al cliente, filtrado de datos y programación de agentes, también necesitan desplegar aplicaciones, conectar datos y gestionar invocaciones. La oportunidad de Cloudflare es hacer que estas aplicaciones se ejecuten en su propia plataforma.

Todavía en una fase temprana

Jev todavía tiene problemas por resolver, como la precisión del juicio, el diseño de las preguntas y si el servicio puede soportar un negocio que funcione a largo plazo.

En primer lugar, la publicidad de «cero alucinaciones» de Jev puede dar lugar a malentendidos. Estipular que solo puede elegir entre A, B y C puede evitar que devuelva una D que el programa no reconoce, pero aún puede equivocarse. Volviendo al ejemplo de atención al cliente, que el programa pueda leer correctamente «pasar a finanzas» no significa que ese ticket realmente deba ser gestionado por finanzas.

Un desarrollador probó Jev en ocho tipos de tareas y completó 16.000 juicios; reconoce las ventajas de velocidad y coste de Jev, pero también descubrió que las preguntas y opciones aún necesitan ajustes para cubrir situaciones reales. También espera que el proveedor acumule más experiencia operativa y que aparezcan alternativas en el mercado antes de integrarlo en producción.

Aún no se sabe cuánto trabajo puede asumir Jev, pero ya ha aparecido una tendencia: dejar muchos juicios repetitivos a JEV y las tareas complejas a los modelos generales.

Cuando el coste de desarrollo y uso de la automatización baje, ¿los chips analógicos, la IA en el borde y los dispositivos autónomos tendrán su propio momento ChatGPT?