سرمایه‌گذاری ۸۷۰ میلیون دلاری در TypeSafe برای جایگزینی چت‌بات‌ها با مدل‌های

تصور کنید به جای اینکه از یک هوش مصنوعی بخواهید یک پاراگراف متن بنویسد و سپس برنامه‌نویس مجبور باشد آن را به کد تبدیل کند، مدل مستقیماً یک «بله» یا «خیر» با درصد اطمینان دقیق برگرداند. این دقیقاً همان شرطی است که یک پژوهشگر سابق OpenAI برای جذب ۸۷۰ میلیون دلار سرمایه روی آن شرط‌بندی کرده است. «بیشتر نرم‌افزارها به یک چت‌بات نیاز ندارند، بلکه به یک سوئیچ قابل اعتماد نیاز دارند.»

طبق اعلام شرکت TypeSafe AI در ۹ اکتبر ۲۰۲۶، این استارتاپ مستقر در سان‌فرانسیسکو دور سرمایه‌گذاری سری A خود را به رهبری Andreessen Horowitz به پایان رساند که ارزش این شرکت را به ۷.۵ میلیارد دلار رساند.

این جهش قیمتی یکی از تندترین صعودهای تاریخ هوش مصنوعی است. این شرکت در ۱۵ سپتامبر ۲۰۲۶ با یک دور بذری ۴۰ میلیون دلاری و ارزش ۲۰۰ میلیون دلاری از حالت مخفیانه خارج شد؛ اما در کمتر از یک ماه، اشتهای سرمایه‌گذاران این رقم را ۳۶۵۰٪ افزایش داد. در این دور جدید، Sequoia Capital و سرمایه‌گذار قبلی یعنی DCVC نیز مشارکت داشتند.

بیشتر سیستم‌های فعلی از مدل‌های زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — برای دسته‌بندی داده‌ها یا مسیریابی وظایف استفاده می‌کنند. به گزارش TypeSafe، این فرآیند کند و گران است و تبدیل متن به کد قابل استفاده، پیچیدگی‌های زیادی دارد. آن‌ها معتقدند رویکرد «اول چت» (chat-first) برای اتوماسیون‌های صنعتی هدف اصلی اشتباهی است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی هزینه‌های استنتاج اشاره کردیم، صنعت اکنون به دنبال جایگزین‌هایی برای مدل‌های غول‌پیکر در کارهای ساده است.

سازوکار مدل Jev

برخلاف مدل‌های پیشرو، Jev یک مدل زبانی نیست و نمی‌تواند متن آزاد تولید کند. این مدل در واقع یک موتور تصمیم‌گیر است که بر پایه معماری ترنسفورمر (Transformer) — شبکه‌ای از سلول‌های کوچک، شبیه نقشهٔ مترو، که سیگنال را از ورودی به جواب می‌رساند — ساخته شده است. توسعه‌دهنده یک وضعیت (متن یا JSON) و یک طرح از پرسش‌های تایپ‌شده را به مدل می‌دهد و مدل در یک گذر موازی واحد، پاسخ‌ها را با احتمالات کالیبره‌شده برمی‌گرداند.

انواع پرسش‌های پشتیبانی‌شده عبارت‌اند از:

• Choice: انتخاب یک گزینه از بین گزینه‌های پیش‌فرض.
• Score: ارائه یک رتبه‌بندی عددی.
• Noul: احتمال بله/خیر.

TypeSafe از روش آموزشی خاصی به نام «یادگیری تقویتی برای تصمیمات کالیبره‌شده» (RLCD) استفاده می‌کند. این متد به‌جای تولید متونی که برای انسان جذاب باشد (که در مدل‌های RLHF رایج است)، روی تخمین دقیق احتمالات تمرکز دارد. این یک چرخش بزرگ در مسیر کاری مدیرعامل شرکت، دیوگو آلمیدا است؛ او که پیش‌تر در OpenAI روی InstructGPT و RLHF (یادگیری تقویتی با بازخورد انسانی) کار کرده بود و به قدرت گرفتن ChatGPT کمک کرد، حالا مسیر متفاوتی را برگزیده است.

عملکرد و پذیرش در بازار

به نقل از مستندات شرکت، Jev در وظایف تصمیم‌گیری محدود، به‌مراتب سریع‌تر و ارزان‌تر از مدل‌های عمومی است. تأخیر (Latency) سرتاسری این مدل بین ۷۰ تا ۵۰۰ میلی‌ثانیه گزارش شده است. قیمت‌گذاری نیز روی ۰.۰۴۲ دلار به‌ازای هر میلیون توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولون که مدل تکه‌تکه می‌خورد — تنظیم شده و خروجی‌ها به‌صورت رایگان ارائه می‌شوند.

پذیرش این ابزار از زمان دسترسی زودهنگام در ۱۵ سپتامبر بسیار سریع بوده است. TypeSafe ادعا می‌کند طی چند روز، به دلیل انتشار یک ویدیوی معرفی ویروسی، به یک میلیون کاربر رسیده است. در حالی که a16z گزارش می‌دهد حدود ۲۵٪ از شرکت‌های Fortune 500 از این ابزار استفاده می‌کنند، آمارهای خود شرکت TypeSafe این رقم را نزدیک به یک‌سوم می‌داند.

ریشه‌های شرکت و زمینه تاریخی

این شرکت در سال ۲۰۲۴ توسط دیوگو آلمیدا، ساشا شنگ (مهندس پژوهشی سابق متا) و اریک گافنی (مهندس نرم‌افزار) تأسیس شد. این سه نفر حدود دو سال در حالت مخفیانه (stealth) کار کردند تا محصول را در سپتامبر به بازار عرضه کنند.

با این سرمایه‌گذاری جدید، مارتین کاسادو از a16z به هیئت‌مدیره شرکت می‌پیوندد. شرکای دیگر a16z، از جمله جنیفر لی، سارا وانگ، مارک اندرسن و بن هوروویتز، Jev را مسیری جدید برای تعریف رابطه هوش مصنوعی و نرم‌افزار می‌دانند. آن‌ها استدلال می‌کنند که وقتی موانع هزینه و تأخیر از بین برود، «پایه‌های تصمیم‌گیر» (decision primitives) ارزان و بومی در همه جای کدهای نرم‌افزاری فراخوانده خواهند شد.

شکاف سازمانی و لایه عملیاتی

این تغییر هدف را روی «لایه عملیاتی» (action layer) هوش مصنوعی گذاشته است؛ یعنی بخش‌هایی از سیستم که درون عامل‌ها (Agent)، خطوط لوله داده و سیستم‌های پشتیبانی قرار دارند. این سیستم‌ها به بررسی‌های باینری یا تصمیمات مسیریابی نیاز دارند که کد برنامه بتواند فوراً و بدون نیاز به پردازش‌های متنی ثانویه (post-processing) از آن‌ها استفاده کند. این رویکرد یادآور تلاش‌های مشابه در صنعت است، مانند مدل Strands Decider 2B که با کاهش تأخیر در لایه‌های تصمیم‌گیر، قابلیت اطمینان عامل‌های هوشمند را افزایش داد.

با این حال، ارزش‌گذاری ۷.۵ میلیارد دلاری در حالی رخ داده که هیچ مقاله فنی عمومی یا وزن‌های باز (Open Weights) — یعنی انتشار «دستور پخت» مدل به‌جای غذای آماده — منتشر نشده است. شرکت جزئیاتی از داده‌های آموزشی خود به‌جز استفاده از داده‌های مصنوعی (Synthetic Data) افشا نکرده و آمارهای پذیرش آن نیز توسط شخص ثالث تأیید نشده است.

برای کل صنعت، این یک چرخش به سمت «پایه‌های تصمیم‌گیر» است. اگر ادعاهای Jev درباره سرعت و هزینه درست باشد، می‌تواند سربار تأخیری را که در حال حاضر دفعات فراخوانی هوش مصنوعی در مسیرهای نرم‌افزاری عادی را محدود می‌کند، از بین ببرد.

ریسک‌ها و اثرات بازار

پایداری این ارزش‌گذاری به نرخ حفظ مشتریان سازمانی بستگی دارد. بازار در حال حاضر بازدهی سرمایه‌گذاری در زیرساخت‌های عظیم هوش مصنوعی را زیر ذره‌بین دارد و TypeSafe باید ثابت کند که معماری محدودش، صرفه‌جویی قابل اندازه‌گیری نسبت به طبقه‌بندی‌های مبتنی بر LLM ایجاد می‌کند.

این جذب سرمایه نشان می‌دهد که سرمایه‌گذاران همچنان تشنه معماری‌های متفاوت هستند، حتی در حالی که آزمایشگاه‌های بزرگ تمام سرمایه خود را روی سیستم‌های عمومی‌تر و بزرگ‌تر متمرکز کرده‌اند. این موضوع نشان‌دهنده باور فزاینده‌ای است که بهینه‌سازی برای زبان انسانی، هدف ایده‌آل برای اکثر کارهای اتوماسیون نیست.

گام‌های بعدی و دسترسی

شرکت TypeSafe اعلام کرده است که عواید حاصل از دور ۸۷۰ میلیون دلاری، صرف توسعه مدل‌های بیشتر از خانواده System One و ویژگی‌های نامشخص سازمانی خواهد شد.

توسعه‌دهندگان در حال حاضر می‌توانند از طریق SDKهای پایتون و جاوااسکریپت در نقطه اتصال POST /v1/systemone به مدل دسترسی پیدا کنند. انتظار می‌رود دسترسی گسترده‌تر فراتر از گروه دسترسی زودهنگام فراهم شود، هرچند تاریخ دقیقی تعیین نشده است. در حال حاضر بنچمارک‌های مستقل برای مقایسه Jev با مدل‌های پیشرو در محیط‌های عملیاتی محدود است و نتایج این تست‌ها تعیین خواهد کرد که این رویکرد تا چه حد در صنعت پذیرفته می‌شود.

گام بعدی شما

• اگر توسعه‌دهنده هستید، از SDKهای پایتون و جاوااسکریپت در نقطه اتصال POST /v1/systemone برای تست جایگزینی طبقه‌بندی‌های متنی با تصمیمات تایپ‌شده استفاده کنید.
• روی کاهش تأخیر در لایه‌های تصمیم‌گیر عامل‌های خود تمرکز کنید تا تجربه کاربری سریع‌تری بسازید.
• منتظر انتشار بنچمارک‌های مستقل برای مقایسه Jev با مدل‌های پیشرو در محیط‌های عملیاتی باشید.

اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.