سرمایه‌گذاری ۸۷۰ میلیون دلاری در TypeSafe برای جایگزینی متن با تصمیمات

اگر امروز برای اجرای اتوماسیون‌های پیچیده نرم‌افزاری به مدل‌های زبانی متکی هستید، احتمالاً با تأخیرهای آزاردهنده و خطاهای پیش‌بینی‌نشده دست‌وپنجه نرم می‌کنید. اما مدل جدید Jev ادعا می‌کند که این بازی را با حذف کامل لایه متنی و تبدیل هوش مصنوعی به یک موتور تصمیم‌گیرنده تغییر می‌دهد.

طبق اعلام رسمی، در ۹ اکتبر ۲۰۲۶، شرکت TypeSafe AI موفق شد ۸۷۰ میلیون دلار سرمایه در دور Series A جذب کند تا ارزش شرکت به ۷.۵ میلیارد دلار برسد. این جذب سرمایه که توسط Andreessen Horowitz رهبری شد و شرکت‌های Sequoia Capital و سرمایه‌گذار قدیمی DCVC و همچنین تعدادی از سرمایه‌گذاران فرشته (Angel Investors) در آن حضور داشتند، هدفش مقیاس‌بندی نسل جدیدی از هوش مصنوعی است که به‌طور اختصاصی برای اتوماسیون نرم‌افزاری طراحی شده است. به عنوان بخشی از این قرارداد، مارتین کاسادو (Martin Casado)، شریک عمومی Andreessen Horowitz، به هیئت مدیره این شرکت می‌پیوندد.

زمینه سرمایه‌گذاری

این سرمایه‌گذاری در پستی تأیید شد که به نام مارک اندریسن، بن هوروویتز، سارا وانگ، جنیفر لی و مارتین کاسادو منتشر شده است. در این تیم، لی و کاسادو بر سرمایه‌گذاری در زیرساخت‌ها تمرکز دارند، در حالی که وانگ در تیم رشد فعالیت می‌کند. شرکت TypeSafe جزئیات مربوط به مبلغ دقیق سرمایه و ارزش‌گذاری شرکت را در پاورقیِ یک اطلاعیه کوتاه که خطاب به توسعه‌دهندگان، کسب‌وکارها و جذب نیروهای جدید منتشر شده بود، افشا کرد. این موج سرمایه‌گذاری‌های کلان در زیرساخت‌های تخصصی هوش مصنوعی، مشابه رشد سریع ارزش استارتاپ Profound است که پیش‌تر توجهات بازار را به مدل‌های بهینه‌شده جلب کرد.

بسیاری از مدل‌های فعلی مانند مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به صورت «سیستم ۲» عمل می‌کنند؛ یعنی کند، متفکر و مستعد خطاهای زبانی (Linguistic Drift) هستند. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، وابستگی به خروجی‌های متنی همواره ریسک توهم را بالا می‌برد. در حالی که یک LLM استاندارد پاراگرافی را می‌نویسد که توسعه‌دهنده باید آن را تجزیه و به کد تبدیل کند، مدل‌های TypeSafe مقادیر تایپ‌شده‌ی خام (Raw Typed Values) را برمی‌گردانند که نرم‌افزار می‌تواند فوراً آن‌ها را اجرا کند. TypeSafe روی «سیستم یک» شرط‌بندی کرده است؛ مفهومی از کتاب دانیل کانمن با عنوان تفکر، سریع و کند که به تصمیم‌گیری‌های سریع و شهودی اشاره دارد.

در مرکز این تحول، مدل Jev قرار دارد که در ۱۵ سپتامبر ۲۰۲۶ به‌صورت دسترسی زودهنگام منتشر شد. این مدل پس از دو سال فعالیت در حالت مخفی (Stealth Mode) عرضه شد. برخلاف هوش مصنوعی زاینده (Generative AI)، مدل Jev متن تولید نمی‌کند و نیازی به تجزیه متن ندارد. این مدل سؤالات تایپ‌شده را می‌گیرد، آن‌ها را با یک وضعیت (State) ارائه‌شده می‌سنجد و نتایج ساختاریافته‌ای را به صورت مقادیر تایپ‌شده همراه با توزیع‌های احتمالی برمی‌گرداند. این قابلیت اجازه می‌دهد تا کدها مستقیماً بر اساس نتایج، مسیرهای مختلف را طی کنند، داده‌ها را مرتب کنند یا آن‌ها را مسیریابی نمایند.

جزئیات فنی

به نقل از مستندات فنی TypeSafe، مدل Jev از سه ابزار پایه (Primitives) برای تعامل با وضعیت نرم‌افزار استفاده می‌کند:

• Choice (انتخاب): یک گزینه را از لیستی مشخص انتخاب کرده و یک مقدار اطمینان (Confidence Value) برمی‌گرداند.
• Score (امتیاز): وضعیت سیستم را بر اساس یک معیار (Rubric) خاص نمره می‌دهد و یک مقدار اطمینان برمی‌گرداند.
• Noul (نول): یک پاسخ صفر یا یک (باینری) برای این‌که آیا یک گزاره خاص درست است یا خیر، برمی‌گرداند.

این سه نوع پرسش می‌توانند در یک فراخوانی API ترکیب شوند، به‌طوری که هر کدام به‌طور مستقل و هم‌زمان در برابر همان وضعیت ارزیابی شوند. دیوگو آلمیدا (Diogo Almeida)، مؤسس شرکت و پژوهشگر سابق OpenAI که در توسعه روش‌های پیروی از دستورات (Instruction-following) در ChatGPT نقش داشت، این مدل را با یک استک سفارشی ساخته است. این استک شامل یک معماری مدل جدید، یک نمونه‌بردار موازی (Parallel Sampler) و یک روش آموزشی به نام «یادگیری تقویتی برای تصمیمات کالیبره شده» (RLCD) است. بر اساس گزارش‌های TypeSafe، این معماری اجازه می‌دهد Jev بین ۴۰ تا ۲۰۰ برابر سریع‌تر از مدل‌های پیشرو (Frontier Models) برای وظایف مشابه عمل کند و زمان پاسخ‌دهی سرتاسری (End-to-End) آن بین ۷۰ تا ۵۰۰ میلی‌ثانیه باشد.

بهینگی هزینه، محرک اصلی دیگر این مدل است. TypeSafe قیمت Jev را ۰.۰۴۲ دلار به ازای هر میلیون توکن ورودی تعیین کرده است و توکن‌های خروجی را به‌صورت رایگان ارائه می‌دهد. این شرکت ادعا می‌کند که در ارزیابی‌های گردش‌کار خاص، Jev می‌تواند تا ۴۴۴.۶ برابر ارزان‌تر و ۱۹۳.۶ برابر سریع‌تر از مدل‌های پیشرو فعلی باشد؛ هرچند هشدار می‌دهد که این ارقام نشان‌دهنده حداکثر دستاوردهای دنیای واقعی هستند و توسط تیم قابلیت‌های مدل خود شرکت تولید شده‌اند.

نفوذ این مدل در بازار سازمانی بسیار سریع بوده است. به گزارش Andreessen Horowitz، حدود ۲۵٪ از شرکت‌های Fortune 500 از Jev استفاده می‌کنند، هرچند خود شرکت TypeSafe این عدد را نزدیک به یک‌سوم می‌داند. در عرض سه روز اول پس از عرضه، این مدل یک تریلیون توکن تولید کرد و در هفته اول، هزاران مورد کاربردی از جمله در تحلیل داده‌ها، بازی‌های تعاملی و رابط‌های کاربری زاینده (Generative UI) شناسایی شد.

یک نمونه عینی از این کاربرد در شرکت Jack & Jill دیده می‌شود که یک بازارچه استعدادهاست. طبق گزارش منتشر شده در ۷ اکتبر ۲۰۲۶، این شرکت مدل Gemini 3.1 Flash Lite را برای ۱۰۰٪ فراخوانی‌ها در یک مرحله کلیدی از خط لوله تطبیق کاندیداها، ظرف ۱۰ روز پس از تست، با Jev جایگزین کرد. نتیجه این تغییر، کاهش ۸۸ درصدی هزینه‌های غربالگری کاندیداها — کاهش از ۰.۷۵۵ دلار به ۰.۰۹۲ دلار به ازای هر ۱۰۰۰ کاندیدا — و کاهش زمان میانگین بررسی از ۲۰.۳ ثانیه به ۱۰.۳ ثانیه بود.

داده‌های عملکردی در Jack & Jill نشان می‌دهد:

• کیفیت: Jev توانست ۹۴.۶٪ از کاندیداهای مورد نیاز مدیران را شناسایی کند (در مقابل ۹۳.۹٪ برای مدل قبلی)، که این تفاوت از نظر آماری معنادار نیست.
• دقت رتبه‌بندی: سطح زیر منحنی (AUC) برای Jev برابر با ۰.۹۳۳ و برای Gemini برابر با ۰.۹۲۴ بود.
• صرفه‌جویی: این تغییر منجر به ۲۶۵ هزار دلار سود سالانه شد و پیش‌بینی می‌شود در ۱۲ ماه آینده ۵۰۰ هزار دلار صرفه‌جویی ایجاد کند.
• تأخیر: زمان بررسی پروفایل‌ها از حدود ۳.۶ ثانیه به حدود ۰.۲ ثانیه رسید.

استفاده از Jev از آن زمان به بیش از ۱۵ گردش‌کار در این شرکت گسترش یافته است، از جمله در بخش نمایش نقش‌های تطبیق‌یافته به کاندیداها در هنگام ثبت‌نام.

این گذار نشان‌دهنده تغییری بنیادین در نگاه توسعه‌دهندگان است. با حذف لایه متنی، احتمال توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، مثل دوستی که خاطره‌ای را اشتباه تعریف می‌کند — در خروجی‌های ساختاریافته حذف می‌شود. شما دیگر به یک چت‌بات دستور نمی‌دهید که «دقیق باشد»، بلکه تابعی را فراخوانی می‌کنید که از نظر ریاضی محدود به یک نوع خروجی خاص است. این رویکرد اتوماسیون دقیق، شباهت زیادی به استراتژی شرکت Flow Engineering در خودکارسازی طراحی سخت‌افزار دارد که در آن دقت ریاضی بر تولید محتوای متنی اولویت دارد.

برای مدیران کسب‌وکار، این یعنی هوش مصنوعی از یک «دستیار خلاق» به یک «زیرساخت قابل‌اتکا» تبدیل می‌شود. وقتی مدل به‌جای جمله، توزیع احتمالی برمی‌گرداند، می‌توان آن را در معاملات سریع (High-frequency trading)، بازی‌های بلادرنگ یا لجستیک خودکار به کار برد، بدون اینکه یک خطای متنی یا یک فراخوانی API توهم‌زده باعث سقوط کل سیستم شود. نام این مدل، Jev، ارجاعی به ویلیام استنلی جِونز (William Stanley Jevons) است؛ شرکت انتظار دارد هوش مصنوعی مسیری مشابه زغال‌سنگ را طی کند، جایی که افزایش بهره‌وری منجر به افزایش تقاضا می‌شود.

شرکت TypeSafe اکنون قصد دارد کتابخانه مدل‌های بومی ماشین (Machine-native) خود را گسترش دهد، زیرساختی برای ساخت نرم‌افزارهای هوشمند فراهم کند و ویژگی‌های سازمانی درخواستی را اضافه نماید. این شرکت به‌طور فعال در حال جذب نیرو است تا عرضه این ابزارها را تسریع کند.

باید منتظر ماند و دید که سایر آزمایشگاه‌های پیشرو چگونه به رویکرد «سیستم یک» پاسخ می‌دهند. اگر تصمیم‌گیری ساختاریافته به استانداردی برای اتوماسیون تبدیل شود، ممکن است ارزش تولیدکننده‌های متنی عظیم و همه‌منظوره به نفع موتورهای تصمیم‌گیرنده تخصصی و کالیبره شده کاهش یابد.

گام بعدی شما

• اگر در حال توسعه ابزارهای اتوماسیون هستید، بررسی کنید که کدام بخش‌های گردش‌کار شما نیازی به تولید متن ندارند و می‌توانند به تصمیمات صفر و یک تبدیل شوند.
• مدل‌های «سیستم یک» را در مقابل مدل‌های استدلالی کندتر مقایسه کنید تا نقطه بهینه سرعت و دقت را بیابید.
• مستندات RLCD را برای درک نحوه کالیبره کردن تصمیمات مدل‌ها مطالعه کنید.

اما اثر این رویکرد بر ارزش مدل‌های زبانی عمومی چه خواهد بود؟ پاسخ این پرسش در تحلیل ما درباره‌ی آینده مدل‌های تخصصی در برابر مدل‌های همه‌کاره نهفته است.