Jev bùng nổ, cổ phiếu Mỹ nào liên quan?

Mấy ngày nay, 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 kết nối nó vào trình mô phỏng máy bay không người lái, để máy bay không người lái chọn động tác tránh chướng ngại vật. Các nền tảng như OpenRouter, Cloudflare cũng đã tích hợp mô hình mới này, các bản demo ứng dụng xoay quanh Jev liên tục xuất hiện.

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

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

Làm bài trắc nghiệm

Jev là mô hình ra quyết định do TypeSafe AI ra mắt vào ngày 15 tháng 9. Công ty gọi danh mục mà nó thuộc về là System One, tức là "hệ thống một", mượn khái niệm phán đoán nhanh trong tác phẩm kinh điển khai sáng kinh tế học hành vi "Tư duy, nhanh và chậm". Nó có thể hiểu mô tả văn bản, chủ yếu xuất ra lựa chọn, điểm số và xác suất, để phần mềm tiếp tục xử lý.

Ví dụ. Một cửa hàng trực tuyến 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 mấy vấn đề 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 lặp không?

Nhà phát triển có thể quy định trước các lựa chọn, để Jev trả lời từng câu. 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, thì giao cho mô hình giỏi diễn đạt.

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

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

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

Những thử nghiệm tương tự đã mở rộng sang các kịch bản như thao tác trình duyệt, tìm kiếm và trò chơi. Chuyên đề Jev của Beating đã sắp xếp các dự án này theo mục đích sử dụng, giới thiệu Jev đảm nhận những phán đoán nào trong đó, kèm theo mã nguồn và một số lối vào demo. Đối chiếu với các trường hợp cụ thể, sẽ dễ hiểu hơn khả năng "làm bài trắc nghiệm" này có thể dùng ở đâu.

Cắt giảm chi phí đến mức thấp nhất

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

Ý nghĩa của việc giảm chi phí là ở chỗ, một số công việc trước đây chỉ có thể kiểm tra ngẫu nhiên, giờ có khả năng kiểm tra từng mục một. Hồ sơ chăm sóc khách hàng có thể phân loại từng mục, dữ liệu truy xuất được có thể phán đoán mức độ liên quan từng mục, 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 bài viết hot nhất giao cho AI, giờ có thể kiểm tra toàn bộ bài viết trước, rồi phân loại theo công ty, sản phẩm, đơn hàng và biến động nhân sự. Những thông tin không hot nhưng liên quan trực tiếp đến một doanh nghiệp quan trọng nào đó, cũng có cơ hội được tìm ra.

Tên Jev được đặt theo nhà kinh tế học Jevons, thành tựu nổi tiếng nhất của ông là đề xuất "Nghịch lý Jevons". Nhà phát triển hy vọng sau khi phán đoán trở nên rẻ hơn, phần mềm sẽ sử dụng nó thường xuyên hơn. Những nơi trước đây không đáng 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 làm một dự án máy bay không người lái: trong trình mô phỏng vật lý MuJoCo, một chiếc máy bay không người lái bốn cánh quạt theo dõi mục tiêu phía trước, trên đường bay xuyên qua cột trụ, dầm ngang và chướng ngại vật di động.

Chương trình trước tiên sắp xếp thông tin độ sâu và phân đoạn mà camera thu được 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 lại chọn từ các động tác giữ hướng bay, vòng trái, vòng phải, leo cao, phanh.

Ví dụ, một dầm ngang chặn toàn bộ lối đi, trái phải đều không vòng qua được, nhưng phía trên vẫn còn không gian. Jev có thể chọn leo cao, chương trình điều khiển lại chuyển lựa chọn này thành lệnh chuyển động của máy bay không người lái.

Trong quá trình bay, các mô-đun khác nhau đảm nhận chức năng 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 khẩn cấp. Camera cung cấp thông tin môi trường, mô hình ra quyết định chọn động tác, bộ điều khiển khiến động tác xảy ra.

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

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

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

Những mã nào có thể hưởng lợi

Nhìn theo hướng này, điều đáng chú ý là các linh kiện mà thiết bị cần từ cảm nhận môi trường đến thực hiện động tác. Bất kể phần mềm chọn mô hình nào, một con robot đều cần biết mình đang ở đâu, xung quanh có gì, và biến điện năng thành động tác chính xác.

Texas Instruments (TXN), phụ kiện bao phủ cảm biến và thực thi

Chip tương tự chịu trách nhiệm xử lý các tín hiệu biến đổi liên tục như điện áp, dòng điện, cũng đảm nhận nhiệm vụ cấp điện và dẫn động. 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 giơ tay, dòng điện được đưa đến động cơ thế nào, lực được kiểm soát ra sao, đều cần những linh kiện này. Nếu tự động hóa rẻ hơn mang lại nhiều robot, cánh tay robot và thiết bị thông minh hơn, TXN sẽ có cơ hội bán nhiều chip phụ kiện hơn 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 đi vào lối đi thiếu sáng, cần kết hợp thông tin quán tính để phán đoán chuyển động của chính nó; nhiều camera và cảm biến hoạt động đồng thời, còn cần đồng bộ dữ liệu gửi đến bộ xử lý.

Công việc 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 phụ kiện này trong nhiều thiết bị tự hành hơn.

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

Cái gọi là AI biên, chính là để thiết bị xử lý một phần dữ liệu 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 với chi phí và điện năng tiêu thụ.

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

onsemi (ON), tương ứng với linh kiện thị giác và công suất.

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

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

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

NXP Semiconductors (NXPI)

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

Logic hưởng lợi: cung cấp năng lực tính toán, truyền thông và điều khiển cho nhiều robot và thiết bị công nghiệp hơn

Qualcomm (QCOM)

Mảng liên quan: nền tảng Dragonwing hướng đến robot, máy bay không người lái và AI trên thiết bị

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

Cloudflare (NET)

Mảng liên quan: cung cấp quyền truy cập và gọi mô hình bên thứ ba Jev

Logic hưởng lợi: khi nhà phát triển dùng Jev cho phân luồng chăm sóc khách hàng, sàng lọc dữ liệu và điều phối tác nhân thông minh, họ còn cần triển khai ứng dụng, kết nối dữ liệu, quản lý lời gọi. Cơ hội của Cloudflare là để những 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 của phán đoán, thiết kế câu hỏi, và liệu dịch vụ có thể hỗ trợ hoạt động kinh doanh lâu dài hay không.

Trước tiên, việc quảng bá Jev "không ảo giác" dễ khiến người ta hiểu lầm. Quy định nó chỉ được chọn trong A, B, C, có thể tránh việc nó trả về một D mà chương trình không nhận biết, nhưng nó vẫn có thể chọn sai. Quay lại ví dụ chăm sóc khách hàng, chương trình có thể đọc trơn tru "giao cho tài chính", không có nghĩa là phiếu yêu cầu này thực sự nên do tài chính xử lý.

Có nhà phát triển dùng Jev kiểm tra tám loại nhiệm vụ, hoàn thành 16.000 lần phán đoán, anh ấy công nhận ưu thế về tốc độ và chi phí của Jev, đồng thời phát hiện vấn đề và lựa chọn còn cần điều chỉnh thêm, mới có thể bao phủ tình huống thực tế. Anh ấy cũng hy vọng chờ nhà cung cấp tích lũy thêm kinh nghiệm vận hành, thị trường xuất hiện phương án thay thế, rồi mới tích hợp vào hoạt động sản xuất.

Jev có thể đảm nhận bao nhiêu công việc hiện chưa thể biết, nhưng một xu hướng đã xuất hiện: giao lượng lớn phán đoán lặp lại cho Jev, để nhiệm vụ phức tạp cho mô hình đa năng.

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