ここ数日、AI開発者のタイムラインに新たな名前が頻繁に現れている：Jev。

論文の分類に使う人もいれば、Agentが呼び出すべきツールの選別に使う人もおり、ドローンのシミュレーターに組み込んで障害物を回避する動作を選ばせる人もいる。OpenRouterやCloudflareなどのプラットフォームもこの新モデルを導入し、Jevをめぐる応用デモが次々と登場している。

もしJEVがAIの意思決定をより速く、より安くするなら、どの米国株企業が恩恵を受けるチャンスがあるのか？

投資ロジックを理解する前に、まずJevとは何かを明らかにする必要がある。

選択問題を解く

JevはTypeSafe AIが9月15日に発表した意思決定モデルである。同社はこのカテゴリーをSystem One、すなわち「システム1」と呼んでおり、行動経済学の開祖之作『ファスト&スロー』における迅速な判断の概念を借りている。テキスト記述を理解し、主に選択肢、スコア、確率を出力して、ソフトウェアが引き続き処理できるようにする。

例を挙げよう。あるネットショップにメッセージが届いた：「昨日カップを買ったのですが、二重に請求されたようです。確認してもらえますか？」

システムにはいくつかの小さな問題を解決する必要がある：これはアフターサービスと財務のどちらに属するか？ユーザーは請求書の照会か返金要求か？既存の記録に重複請求が示されているか？

開発者は事前に選択肢を規定し、Jevにそれぞれ回答させることができる。その後、プログラムが注文と支払い記録を照合し、対応する処理フローに進む。顧客に説明が必要な場合は、表現が得意なモデルに任せる。

これがJevの基本的な使い方である：状況を与え、問題を規定し、選択させる。

汎用大規模モデルも同様にこれらのタスクを完了できる。Jevの魅力は、分類、スコアリング、選択に特化して最適化し、小さな判断のために払う時間とコストを削減することにある。結果を直接プログラムに渡し、説明文を生成するプロセスを省く。

さらに応用すると、毎日何千件もの業界メッセージを受け取るが、本当に精読に値するのは数十件だけである。まずJevに各メッセージが関心のある企業に関わるか、新しい情報を含むかを判断させ、次に汎用モデルに選別された内容を要約させる。こうすれば、汎用モデルは深く読む価値のある部分だけを処理し、大量の簡単な判断はより低コストのJevに任せられる。

同様の試みはブラウザ操作、検索、ゲームなどのシーンにも広がっている。動察BeatingのJev特集では、用途別にこれらのプロジェクトを整理し、Jevがその中でどの判断を担当するかを紹介し、ソースコードと一部のデモ入口も添付している。具体的な事例と照らし合わせることで、この「選択問題を解く」能力がどこで使えるかをより理解しやすくなる。

コストを最小限に抑える

TypeSafeが公表した価格によると、Jevは100万入力トークンあたり0.042ドルで、出力は無料です。

コスト削減の意義は、これまで抜き取り検査しかできなかった作業を、一件ずつ確認できるようになることにあります。カスタマーサービスの記録を一件ずつ分類したり、検索で得た資料の関連性を一件ずつ判断したり、エージェントがツールを呼び出す前に毎回もう一度フィルタリングしたりすることが可能になります。

例えば、ニュース分析プログラムがこれまで毎日最も話題の記事だけをAIに渡していたのが、今では全記事をまずチェックし、企業、製品、注文、人事異動ごとに分類できるようになります。話題性は低くても、ある重要な企業に直接関連する情報も見つけ出せるようになります。

Jevの名前は経済学者ジェヴォンズに由来し、彼の最も有名な功績は「ジェヴォンズのパラドックス」の提唱です。開発者は、判断が安くなればソフトウェアがそれをより頻繁に使うようになると期待しています。これまで大規模モデルを一度呼び出す価値がなかった場面でも、コストを再計算できるようになります。

Jevと物理デバイス

開発者のRoman Slackはドローンプロジェクトを作りました。MuJoCo物理シミュレータ内で、クアッドコプターが前方のターゲットを追跡し、途中で支柱、梁、移動障害物をくぐり抜けます。

プログラムはまず、カメラから得た深度とセグメンテーション情報をデータとして整理し、前方が遮られているか、左右どちらに隙間があるか、障害物の高さをJevに伝えます。Jevはそこから、航向維持、左へ回避、右へ回避、上昇、ブレーキなどの動作を選択します。

例えば、梁が通路全体を塞いでいて左右どちらにも回り込めないが、上方には空間がある場合。Jevは上昇を選ぶことができ、制御プログラムがその選択をドローンの運動指令に変換します。

飛行中は異なるモジュールがそれぞれの役割を担います。Jevはどこへ向かうべきかを判断し、制御プログラムはバランスの維持、モーター推力の調整、緊急回避を担当します。カメラが環境情報を提供し、意思決定モデルが動作を選択し、コントローラが動作を実現します。

同じ役割分担は、ロボットアームでカップをつかむ場合にも当てはまります。カメラがカップの位置を認識し、センサーが距離と力を測定し、コントローラが指の動きを調整し、意思決定モデルがどのカップを先に取るか、障害物に遭遇したらどうするかの判断に関わります。

この種の判断が安価で接続しやすくなれば、自動化デバイスの開発コストも下がる可能性があります。これまでソフトウェア開発が高すぎ、用途が狭すぎて採算が合わなかったデバイスにも、新たなビジネスの余地が生まれます。

これでJevがいくつかの企業と結びつく。より多くのデバイスが工場、倉庫、家庭に入るということは、より多くの知覚、電力供給、計算、モーション制御の需要を意味する。

どの銘柄が恩恵を受ける可能性があるか

この考え方に沿って見ると、注目すべきはデバイスが環境を知覚してから動作を実行するまでに必要な部品だ。ソフトウェアがどのようなモデルを選んでも、ロボットは自分がどこにいて、周囲に何があるかを知り、電力を正確な動作に変換する必要がある。

テキサス・インスツルメンツ（TXN）、知覚と実行を支える配套

アナログチップは電圧や電流など連続的に変化する信号を処理し、電力供給や駆動の役割も担う。TXNのロボット製品は信号収集、モーター制御、電源、組み込み処理をカバーしている。

ロボットが腕を上げると決めた後、電流をどうモーターに送り、力をどう制御するかには、これらの部品が必要だ。より安価な自動化がより多くのロボット、ロボットアーム、スマートデバイスをもたらせば、TXNはこれらのデバイスにより多くの配套チップを販売する機会を得る。

アナログ・デバイセズ（ADI）、より精密な知覚と運動に対応。

ADIのロボットソリューションは慣性センシング、カメラ接続、産業通信、モーション制御インターフェースに関わる。例えば倉庫ロボットが光の乏しい通路に入る場合、慣性情報を組み合わせて自身の動きを判断する必要がある。複数のカメラやセンサーが同時に動作する場合、データを同期してプロセッサに送る必要もある。

デバイスが担う作業が複雑になるほど、知覚精度、接続安定性、モーション制御への要求は高まる。ADIの恩恵ロジックは、より多くの自律デバイスにこれらの配套を提供することにある。

STマイクロエレクトロニクス（STM）、低消費電力デバイス上のAIに対応。

いわゆるエッジAIとは、デバイスがデータの一部をローカルで処理することだ。STMのSTM32N6マイクロコントローラーはニューラルネットワーク計算用のアクセラレータをすでに統合しており、コストや消費電力に敏感な視覚、音声などのアプリケーションに向けられている。

例えば、小型カメラデバイスがローカルで物体を識別したり、産業機器が音に基づいて運転が異常かどうかを判断したりできる。Jevをめぐる議論は、投資家の注目をこのような用途に引き寄せた。大量の単純で反復的な知的タスクが、より低価格でより小型のデバイスに入る機会がある。STMが提供するのは、まさにこうしたデバイスに必要な処理能力だ。

オンセミ（ON）、視覚とパワーデバイスに対応。

ONがロボットに提供する製品には、イメージセンサー、深度センサー、およびパワートランジスタとモータドライバICが含まれる。前者2つは映像と距離データの収集を担当し、後者2つはモータ制御に必要な電流を供給する。

倉庫搬送ロボットを例にとると、カメラ内のイメージセンサーが前方の棚の映像を取得し、深度センサーが障害物との距離を測定し、モータドライバICがパワートランジスタと連携して電流を制御し、車輪を回転させる。より多くのロボットやスマートカメラデバイスが導入されれば、これらのセンサーとチップの需要が増加する可能性がある。

これら4社以外に、ウォッチリストに加えられる3社がある。

NXPセミコンダクターズ（NXPI）

関連事業：i.MXプロセッサ、マイクロコントローラ、接続・制御製品

受益ロジック：より多くのロボットや産業機器に計算、通信、制御能力を提供

クアルコム（QCOM）

関連事業：ロボット、ドローン、エッジAI向けDragonwingプラットフォーム

受益ロジック：デバイス上で視覚、計算、接続タスクをローカル処理する需要を取り込む

Cloudflare（NET）

関連事業：Jevサードパーティモデルの接続と呼び出しを提供

受益ロジック：開発者がJevをカスタマーサポートの振り分け、資料の選別、エージェントのスケジューリングに活用する際、アプリケーションのデプロイ、データ接続、呼び出し管理が必要となる。Cloudflareの機会は、これらのアプリケーションを自社プラットフォーム上で実行させ続けることにある。

まだ初期段階

Jevには現在も解決すべき課題があり、判断の正確性、問題設計、およびサービスが長期的に運用される業務を支えられるかが含まれる。

まず、Jevの「ゼロハルシネーション」という宣伝は誤解を招きやすい。A、B、Cの中から選ぶよう規定することで、プログラムが認識しないDを返すことは避けられるが、それでも間違った選択をする可能性がある。カスタマーサポートの例に戻ると、プログラムが「財務に回す」と正常に読み取れたとしても、このチケットが本当に財務で処理されるべきであることを意味するわけではない。

ある開発者が Jev を使って8種類のタスクをテストし、16,000回の判断を完了した。彼は Jev の速度とコストの優位性を認める一方で、問題と選択肢は実際の状況をカバーするためにさらに調整が必要だと気づいた。また、サプライヤーがより多くの運用経験を積み、市場に代替案が登場するまで、本番業務への導入を待ちたいと考えている。

Jev がどれだけの作業を担えるかは現時点では不明だが、一つの傾向がすでに現れている：大量の反復的な判断を JEV に任せ、複雑なタスクは汎用モデルに残すというものだ。

自動化の開発と利用コストが下がれば、アナログ半導体、エッジ AI、自律デバイスは、自らの ChatGPT モーメントを迎えるのだろうか？

BlockBeats の公式コミュニティに参加しよう：

Telegram 公式チャンネル：https://t.me/theblockbeats

Telegram 交流グループ：https://t.me/BlockBeats_App

Twitter 公式アカウント：https://twitter.com/BlockBeatsAsia