معظم نماذج الذكاء الاصطناعي التي نستخدمها اليوم صُممت لتكتب: إجابة، كود، تقرير، رسالة أو محادثة. لكن ماذا لو كان المطلوب من الذكاء الاصطناعي ليس أن يكتب، بل أن يتخذ قرارًا سريعًا يمكن للبرنامج استخدامه مباشرة؟ هنا تأتي فكرة Jev من TypeSafe AI.
TypeSafe تطلق على هذه الفئة اسم System One Models: نماذج لا تركز على توليد النص الحر، بل على تحويل حالة غير منظمة إلى مخرجات مهيكلة ومحددة الأنواع، مع احتمالات ودرجات ثقة يمكن إدخالها مباشرة في Workflow أو تطبيق أو Agent.
المصدر الرسمي: TypeSafe AI — Introducing System One Models and Jev.
الفكرة في سطر واحد
بدل أن تسأل نموذجًا لغويًا: «هل هذا العميل معرض لإلغاء الاشتراك؟ ولماذا؟» ثم تحصل على فقرة تحتاج إلى قراءة وتحليل، يمكنك بناء استدعاء يعيد شيئًا أقرب إلى قرار منظم مثل: مستوى الخطر، احتمال الإلغاء، درجة الثقة، والمسار التالي الذي يجب أن ينفذه النظام.
هذا يجعل Jev أقرب إلى دالة ذكاء داخل البرنامج من كونه شات بوت. تدخل إليه بيانات أو State، ويعيد Typed Probabilistic Decisions يمكن للكود التعامل معها مباشرة.
شاهد الإعلان الأصلي
منشور المؤسس Diogo Almeida على X يتضمن فيديو الإعلان وعرض الفكرة الأساسية للنموذج:
ما الفرق عن LLM عادي؟
النموذج اللغوي التقليدي يولد Tokens بالتتابع. هذه المرونة ممتازة للمحادثة والكتابة والبرمجة، لكنها تعني أن المخرج قد يتغير في الشكل، يحتاج Parsing وValidation، وقد يخرج أحيانًا عن البنية المطلوبة.
أما Jev، بحسب TypeSafe، فلا يحاول كتابة أي نص ممكن. أنت تحدد بنية المخرجات مسبقًا، والنموذج يعيد قيمًا Type-safe ضمن هذه البنية، مع احتمالات وثقة. كما تستخدم الشركة Parallel Sampling بدل الاعتماد على توليد سلسلة طويلة من الكلمات واحدة بعد أخرى.
ما هو RLCD؟
تقول TypeSafe إنها طورت أسلوب تدريب تسميه Reinforcement Learning for Calibrated Decisions — RLCD. الفكرة ليست تحسين الإجابة لأنها تبدو أفضل للبشر فقط، بل تدريب النموذج على إعطاء قرارات احتمالية أكثر معايرة: عندما يقول إن ثقته 90%، يجب أن تكون هذه الثقة ذات معنى إحصائي مفيد للنظام الذي سيعتمد عليها.
وهذا مهم في الأتمتة؛ لأن البرنامج لا يحتاج دائمًا «نعم أو لا». أحيانًا يحتاج: نفّذ تلقائيًا إذا تجاوزت الثقة 95%، اطلب مراجعة بشرية بين 70% و95%، وارفض القرار إذا كانت الثقة أقل.
أين يمكن استخدامه؟
- Routing: تحديد أين تذهب التذكرة أو المهمة أو الطلب.
- Scoring: إعطاء درجة خطر أو أولوية أو احتمال.
- Classification: تصنيف رسائل، ملفات، معاملات أو حالات تشغيل.
- Guardrails: فحص مخرجات نموذج آخر أو اكتشاف محاولات Jailbreak.
- AI Agents: جعله طبقة قرار سريعة داخل الوكيل بدل استخدام LLM كبير لكل قرار صغير.
- Real-time applications: حالات تحتاج قرار AI بزمن قصير داخل تجربة المستخدم.
مثال: وكيل خدمة عملاء
تخيل Agent يستقبل رسالة عميل. ليس من الضروري استدعاء نموذج ضخم ليكتب تحليلًا طويلًا في كل خطوة. طبقة قرار أسرع يمكن أن تحدد أولًا: هل الرسالة شكوى؟ هل فيها مخاطرة مالية؟ ما القسم المناسب؟ هل تحتاج تصعيدًا فوريًا؟ ثم يُستدعى LLM كبير فقط عندما نحتاج صياغة الرد أو تنفيذ Reasoning أعمق.
إذا أثبتت الفكرة نفسها في الإنتاج، فقد يصبح هذا النوع من النماذج مكملًا للـLLM لا بديلًا عنه: LLM للتفكير واللغة، وSystem One Model للقرارات السريعة المتكررة داخل الكود.
ماذا عن السرعة والتكلفة؟
TypeSafe تقول إن Jev يعمل بزمن استجابة إجمالي يقارب 70–500 ملي ثانية في أمثلتها، وتضع سعر الإدخال عند $0.042 لكل مليون Token مع مخرجات تصفها بأنها منخفضة التكلفة إلى حد عدم احتسابها. وفي منشور الإطلاق، تعرض الشركة مقارنات تصل إلى عشرات أو مئات المرات في السرعة والكلفة لبعض مهام القرار.
هذه أرقام مهمة، لكنها حتى الآن نتائج ومقارنات منشورة من TypeSafe نفسها. لا ينبغي قراءتها كحكم مستقل بأن Jev أسرع من كل LLM في كل مهمة؛ المقارنة تخص مهامًا ذات شكل System One، والنموذج أصلًا يتنازل عن توليد النص الحر.
هل فعلًا «لا يهلوس»؟
هذه النقطة تحتاج دقة. TypeSafe تقول إن Jev لا يهلوس لأنه لا يولد Strings حرة والمخرجات مقيدة بالـSchema والأنواع المحددة مسبقًا. هذا يعني أن النموذج لا يفترض أن يعيد لك أداة أو حقلًا أو صيغة خارج البنية المسموحة.
لكن Type-safe لا تعني Infallible. يمكن أن يكون شكل القرار صحيحًا 100% ومع ذلك تكون قيمة القرار نفسها خاطئة. فإذا كان الحقل المسموح هو risk = low | medium | high، يستطيع النظام دائمًا إرجاع واحدة من هذه القيم بطريقة صحيحة بنيويًا، لكنه قد يختار التصنيف غير الصحيح.
لذلك القيمة الحقيقية ستكون في دقة القرار، جودة المعايرة، وثبات الأداء خارج اختبارات الشركة—not فقط في منع أخطاء الـSchema.
هل هو بديل لـChatGPT أو Claude؟
لا. المقارنة المباشرة ستكون مضللة. Jev ليس نموذجًا عامًا للمحادثة والكتابة، ولا يحاول أن يكون كذلك. إذا أردت كتابة مقال، تحليل ملف طويل بالمحادثة، إنشاء كود مع شرح، أو نقاش مفتوح، فأنت ما زلت في عالم LLMs.
Jev يستهدف مشكلة أخرى: كيف تجعل الذكاء الاصطناعي جزءًا يمكن الاعتماد عليه داخل Software Workflow يحتاج قرارات كثيرة، سريعة، مهيكلة، ومصحوبة بدرجة ثقة.
لماذا الفكرة مهمة للوكلاء؟
الوكلاء الحاليون يعتمدون كثيرًا على استدعاء LLM لاتخاذ كل قرار تقريبًا: أي أداة أستخدم؟ هل أحتاج متابعة؟ هل النتيجة مقبولة؟ هل أرسلها للمستخدم؟ هذا يعطي مرونة كبيرة، لكنه يزيد التأخير والكلفة ويجعل كل خطوة معرضة لإخراج غير متوقع.
فئة مثل System One قد تسمح ببنية هجينة: نموذج لغوي كبير للتخطيط والمهام الصعبة، ونموذج قرار أسرع للـRouting والتحقق والتقييم والـGuardrails. إذا نجحت، فهذه ليست مجرد «نسخة أسرع من شات بوت»، بل طبقة مختلفة داخل معمارية Agentic Systems.
ما الذي نحتاج إثباته لاحقًا؟
Jev ما زال في Early Access. الأسئلة المهمة الآن ليست فقط عن Demo الإطلاق، بل عن الأداء على بيانات شركات مختلفة، ثبات المعايرة، سهولة تعريف Schemas كبيرة، قدرة النموذج على التعامل مع الحالات الغامضة، ومقارنات مستقلة أمام نماذج قوية تستخدم Structured Outputs.
إذا ظهرت Benchmarks مستقلة تؤكد أن هذه البنية تحافظ على جودة القرار مع تقليل الكلفة والـLatency، فقد تصبح System One Models طبقة مهمة في بناء الأتمتة والـAgents. وإذا لم يحدث ذلك، فستظل الفكرة مفيدة كتجربة هندسية توضح أن مستقبل الذكاء الاصطناعي داخل البرمجيات قد لا يكون «LLM أكبر لكل شيء».
الخلاصة
Jev يقترح تغيير السؤال من: «كيف نجعل النموذج يكتب إجابة أفضل؟» إلى: «كيف نجعل الذكاء الاصطناعي يعيد قرارًا يمكن للكود أن يعتمد عليه مباشرة؟».
هذه ليست نهاية الـLLM، بل ربما بداية تقسيم العمل بين أنواع مختلفة من النماذج: بعضها يتحدث ويفكر ويكتب، وبعضها يعمل بصمت داخل البرامج ليصنف ويقيّم ويوجه ويتحقق بسرعة كبيرة.
المصادر
- TypeSafe AI — Introducing System One Models and Jev
- Diogo Almeida (@completeskeptic) — منشور الإطلاق على X
هذه المقالة شرح عربي وتحليل عملي مبني على إعلان TypeSafe ومصادر الإطلاق الأصلية، وليست ترجمة حرفية للمصدر. أرقام الأداء والتكلفة المذكورة منسوبة إلى TypeSafe وتحتاج إلى تقييم مستقل مع اتساع الاستخدام.