لقد رأيت على الأرجح نموذج Jev مؤخرًا. ما هو؟
إنه لا يتحدث إطلاقًا. لا يمكنه الدردشة معك، أو كتابة المستندات، أو البرمجة.
لكن هذا الشيء الغريب قد انفجر في مجتمع الذكاء الاصطناعي خلال اليومين الماضيين، حيث جمع جولة تمويل أولية (Seed) بقيمة 40 مليون دولار، ويتوافد الناس لطلب الوصول إليه.
إذن، ما هو Jev؟
نشأة Jev
يأتي Jev من شركة سان فرانسيسكو تدعى TypeSafe AI، وقد تم إصداره في 15 سبتمبر 2026.
مؤسسها، ديوجو ألميدا، هو باحث سابق في OpenAI وأحد المخترعين المشاركين لطريقة RLHF (التعلم المعزز من التغذية الراجعة البشرية).
كانت هذه الطريقة هي التي حوّلت نماذج اللغة الباردة إلى ChatGPT اللبق والمتعاطف.
بمعنى آخر، كان أحد الأشخاص الذين علّموا الذكاء الاصطناعي كيف يتكلم.
والآن، الشخص الذي علّم الذكاء الاصطناعي الكلام، بنى ذكاءً اصطناعيًا يرفض الكلام.
دافعه بسيط.
قال إن سؤالاً كان يؤرقه لأربع سنوات:
النماذج تجاوزت البشر في الدردشة، فلماذا لا يزال هناك القليل جدًا من الأتمتة الحقيقية؟
استثمرنا تريليونات الدولارات، لكن الحياة اليومية لم تتغير كثيرًا، ومعظم البرامج ليست ذكية حقًا.
ما هو Jev؟
النماذج الشبيهة بـ ChatGPT تشبه الاستشاريين اللبقين.
يجيبون عن أي شيء تسأله، يقتبس المراجع، يدردش لساعات، يمتلك ذكاءً عاطفيًا عاليًا، ويتعامل مع أي موضوع.
Jev هو نوع مختلف تمامًا.
إنه يشبه مفتش جودة مركزًا على خط التجميع: تعطيّه المادة، وبدلاً من أن يشرح أو يلقي التحية أو يعلق، يعطيك حكمًا قاطعًا.
النماذج مثل Doubao التي نستخدمها يوميًا تتميز بتفكير بطيء ومتكلف، مثل حل المسائل الرياضية المعقدة.
Jev يتميز بالحكم الحدسي، مثل معرفة ما إذا كان شخص غاضبًا بمجرد النظر إلى وجهه.
ببساطة: "نظرة سريعة، تحصل على النتيجة."
لماذا روبوتات الدردشة الثرثارة هي العقبة الرئيسية
تخيل أنك تدير متجرًا إلكترونيًا يستقبل مئات رسائل خدمة العملاء يوميًا. تريد للذكاء الاصطناعي توجيهها تلقائيًا: الحسابات للحسابات، اللوجستيات للوجستيات، المشاكل التقنية للتقنية.
يبدو الأمر بسيطًا.
إذا استخدمت نموذج لغة كبير (LLM) قياسيًا، تبدو العملية كالتالي:
الخطوة 1: تكتب موجّهًا (Prompt) طويلاً ترجوه فيه، "من فضلك احكم على القسم الذي تنتمي إليه هذه الرسالة. ملاحظة، رد باسم القسم فقط، لا تقل شيئًا آخر."
الخطوة 2: أحيانًا يطيع ويرد بـ "الحسابات"، فتكون سعيدًا.
لكن أحيانًا لا يستطيع كبح نفسه، فيرد بفقرة مثل، "تبدو هذه الرسالة متعلقة بشكل أساسي بقضايا حسابية؛ أقترح عليك التحقق من سجلات الخصم أولاً، ثم..." إنه يحاول المساعدة بشدة ولا يستطيع التحكم في فمه.
الخطوة 3: يحتاج برنامجك إلى منطق إضافي لاستخراج الكلمة المفتاحية "الحسابات" من تلك الردود المطولة. هذه العملية فوضوية وعرضة للأخطاء.
الخطوة 4: المشكلة الأكثر حرجًا: إنه يهلوس أحيانًا.
تحدد ثلاثة أقسام، لكنه قد يعيد قسمًا رابعًا أو يخترع واحدًا غير موجود. هذا ما يُعرف بـ "الهلوسة".
السبب الجذري هو أن النص حر جدًا.
الحرية جيدة للدردشة.
لأنه يمكنه توليد أي نص، تستطيع نماذج LLM الدردشة، وكتابة الشعر، وسرد القصص.
لكن عندما تحتاج إلى أتمتة، تصبح هذه الحرية كابوسًا.
لا يمكنك أبدًا ضمان عدم انحرافه في المرة القادمة.
حتى لو كانت احتمالية الانحراف 1 من كل 10,000، لا تجرؤ على دمجه في نظام غير مراقب ليعمل بشكل مستقل.
إذا كان الذكاء الاصطناعي غير موثوق، وغير قابل للسيطرة، وغير متوقع، فلا يمكن الوثوق به أو دمجه في البرمجيات الحقيقية على نطاق واسع.
حل Jev: تحويل السؤال والإجابة إلى ملء استمارات
يغير Jev نموذج التفاعل بالكامل.
أنت لا تحاوره.
تعطيه استمارة ذات هيكل ثابت، وهو فقط يضع علامات في الحقول التي حددتها.
كل استدعاء يتطلب شيئين.
أولاً، "الحالة" (State): المادة المراد الحكم عليها.
يمكن أن تكون بسيطة كجملة، مثلاً، "تم خصم مبلغ مرتين من بطاقتي." أو معقدة، مثل سجل تذكرة كامل، محادثة خدمة عملاء، أو بيانات منظمة تحتوي على معلومات الطلب وسياسات الاسترداد.
تضع كل سياق الخلفية دفعة واحدة، مثل نشر الملفات على طاولة قبل طلب حكم الخبراء.
ثانيًا، "السؤال": ما تريد منه الحكم عليه.
يعيد دائمًا إجابة بتنسيق صارم.
برنامجك يستخدمها مباشرة دون الحاجة لتحليل، أو تنظيف، أو تخمين.
الأهم من ذلك، هناك ضمان قوي: من المستحيل رياضيًا أن يملأ التنسيق بشكل خاطئ أو يعطي إجابة خارج الجدول المحدد.
جميع الإجابات المحتملة مقفلة مسبقًا. يمكنه الاختيار فقط من بين الخيارات التي قدمتها ولا يمكنه الخروج عن النص.
لذا تحصل بالضبط على نوع الإجابة التي طلبتها، مما يوفر أساسًا لتشغيل مستقر.
ميزات Jev
1. اختيار من متعدد
تصل رسالة عميل: "حصلت على مقاس حذاء خاطئ، هل يمكنني الاستبدال بمقاس 10؟" تسأل، "أي فريق يجب أن تذهب إليه هذه الرسالة؟" الخيارات: المرتجعات، اللوجستيات، الحسابات.
يرد بوضوح بـ "المرتجعات". كما يوفر درجات ثقة لكل خيار. بما أن الرسالة واضحة، فهو متأكد بنسبة تقارب 100% أنها مرتجعات، ونسبة قريبة من الصفر للخيارات الأخرى.
إذا أصبحت الرسالة "مقاس الحذاء خاطئ، وبطاقة الائتمان الخاصة بي بها رسوم غريبة إضافية، ماذا ستفعلون؟" فهي أقل وضوحًا.
قد يقول: احتمال 60% مرتجعات، واحتمال 40% حسابات. Jev لا يدعي اليقين؛ بل يظهر تردده بصراحة.
2. مقياس التقييم
يصل تقرير خطأ برمجي (Bug Report). تقدم مقياسًا من ثلاث نقاط:
0: عيب تجميلي، لا يؤثر على الاستخدام؛
1: وظيفة مكسورة، ولكن يوجد حل بديل؛
2: عالقة تمامًا، غير قابلة للاستخدام.
قد يعيد "1.3".
1.3 يعني أن الخطأ يقع غالبًا في فئة "وظيفة مكسورة مع حل بديل" لكنه يميل قليلاً نحو "عالق تمامًا". هذا أكثر دقة من إجبار الاختيار الثنائي بين 1 و 2، وأقرب للواقع.
عند تعريف المقاييس، صف الحالات المحددة، وليس الدرجات العامة.
كتابة "وظيفة مكسورة ولكن يوجد حل بديل" تعمل جيدًا؛ لأنها تقارن هذا الوصف بالمادة.
لكن كتابة "شدة متوسطة" تفشل لأن "متوسط" غامض ولا توجد نقطة مرجعية.
وبالمثل، فإنه يتجاهل الأرقام 0، 1، 2 نفسها. يجب أن تحدد بوضوح ما يتضمنه كل مستوى عبر إجراءات التشغيل القياسية (SOPs).
3. حكم صح/خطأ
يجيب بنعم/لا مع درجة احتمال من 0 إلى 1.
اسأل، "هل يطلب هذا العميل استرداد أموال؟"
يعيد 0.99، مما يعني نعم بالتأكيد تقريبًا.
يمكنك طرح أسئلة متعددة بالتوازي في استدعاء واحد:
أي فريق (اختيار من متعدد)، مدى غضب العميل (تقييم)، هل هو طلب استرداد (صح/خطأ)، هل النبرة غاضبة (صح/خطأ)، هل الطلب لم يتم شحنه بعد (صح/خطأ).
يتم الإجابة على هذه الأسئلة بشكل متزامن ومستقل وتوازٍ.
إضافة المزيد من الأسئلة بالكاد تزيد وقت الاستجابة.
هذا يؤدي إلى عادة برمجية مضادة للبديهة: تشجع رسميًا على طرح أكبر عدد ممكن من الأسئلة.
اطرح جميع الأحكام المحتملة لتلك الرسالة دفعة واحدة. حتى لو لم يتم استخدام بعضها الآن، فإن التكلفة الإضافية في الوقت أو المال ضئيلة.
هذا عكس عقلية "توفير الرموز" (Tokens) مع نماذج LLM القياسية.
التقييم الذاتي
نماذج LLM القياسية لديها عيب: تجيب بثقة سواء كانت تعرف أم لا.
هذا قاتل للأتمتة.
مثال:
ذكاء اصطناعي يصيب 95% من الوقت يبدو مقبولاً. لكن إذا كنت لا تعرف لماذا يفشل في الـ 5% المتبقية، فلا يمكنك أتمتته.
Jev يرفق درجة "الثقة" بكل إجابة. تستخدم هذه الدرجة لقياس ما إذا كان النموذج يفهم فعليًا.
مع درجات الثقة، تصمم منطق معالجة يشبه البشر، عادةً في ثلاث طبقات:
ثقة عالية: معالجة تلقائية، لا حاجة لإنسان.
ثقة متوسطة: نهج حذر، ربما تأكيد بشري أو جمع مزيد من المعلومات.
ثقة منخفضة: لا تجبره. وجّهه للإنسان أو لنموذج استنتاج أقوى/أغلى. إنه يقول صراحة، "هذا فوق قدرتي، لا تضغط عليّ."
هذه الآلية—التصرف فقط عند اليقين، والاعتراف بعدم اليقين بخلاف ذلك—هي الشرط الأساسي للثقة في الأنظمة المؤتمتة.
ذكاء اصطناعي يقول "لا أعرف" أكثر موثوقية بكثير من واحد يكون دائمًا واثقًا.
الكفاءة في التكلفة
Jev أسرع بحوالي 200 مرة وأرخص بحوالي 400 مرة مقارنة بنماذج LLM المماثلة.
الاستجابة الواحدة تستغرق 70-500 مللي ثانية، أسرع من رمشة عين.
لماذا؟ لأن Jev لا يحتاج إلى الكلام.
هذا التسعير يفتح حالات استخدام كانت غير مفكرة سابقًا.
يمكنك تصفية قواعد بيانات ضخمة عنصرًا بعنصر، ووضع علامات على كل شيء. Doing this with LLMs was prohibitively expensive.
يمكنك دمجه في واجهات المستخدم للتفاعلات الفورية لأنه سريع بما يكفي بحيث لا يشعر المستخدم بأي تأخير.
كيفية استخدام Jev
تحديد المشكلة
لا تطرح أسئلة كبيرة وغامضة. قم بتفكيكها إلى أسئلة صغيرة ومحددة، ثم اجمع الإجابات برمجيًا.
مثال:
لكشف رسائل البريد الإلكتروني المزعجة (Spam)، الطريقة الكسولة هي السؤال، "هل هذا مزعج؟"
هذا سؤال كبير وغامض.
إنه يخفي أحكامًا متعددة خلف إجابة واحدة غامضة، مما يجعله غير شفاف وغير قابل للتعديل.
بدلاً من ذلك، فكك "هل هذا مزعج؟" إلى أحكام صغيرة وواضحة:
هل يطلب بيانات اعتماد الدخول؟
هل يدعي أنك ربحت جائزة لم تدخل فيها؟
هل يخلق إحساسًا بالإلحاح ("تصرف الآن أو تخسر")؟
هل المؤسسة التي يدعيها المرسل تطابق نطاق البريد الإلكتروني؟
هل وجهة الرابط تطابق النص المعروض؟
كل سؤال فرعي محدد للغاية، ويترك مجالاً قليلاً للغموض. ثم، قم بترجيح هذه الإجابات في كودك لحساب درجة مخاطر الرسائل المزعجة النهائية.
يهدف Jev ليكون لبنة بناء جديدة ذات حكم سليم، وليس صندوقًا أسود غير قابل للسيطرة.
تحديد السيناريوهات
حالات الاستخدام عملية، وغالبًا ما تحل محل الأعمال اليدوية المرهقة للمراجعة.
خدمة العملاء:
توجيه التذاكر تلقائيًا، كشف طلبات الاسترداد، تحديد العملاء الغاضبين الذين يحتاجون لعناية ذات أولوية، استخراج عناصر المتابعة من سجلات المكالمات.
الإشراف على المحتوى:
وضع علامات تلقائية على الرسائل المزعجة، الإساءة، الاحتيال، وتسربات الخصوصية. تقييم الشدة: تحذيرات خفيفة مقابل حظر. هذا العمل مرهق ومستهلك للطاقة الذهنية للبشر.
التوظيف والمبيعات:
تقييم السير الذاتية مقابل معايير صارمة، مطابقة خبرة المرشح مع الأدوار، أهلية عملاء المبيعات المحتملين.
ضمان الجودة (QA) للذكاء الاصطناعي الآخر:
استخدم Jev لفحص مخرجات نموذج LLM آخر: هل انحرف؟ هل تم اختراقه (Jailbroken)؟ هل الاقتباسات مختلقة؟ هل معاملات الأدوات صحيحة؟
بما أن Jev سريع ورخيص، فإن استخدامه لضمان الجودة يكلف سنتات قليلة مقارنة بالنموذج الرئيسي. إنه يضيف بوابة جودة للذكاء الاصطناعي المكلف.
تنظيف البيانات الضخمة:
وضع علامات وتصنيف وتصفية كميات هائلة من المستندات، التعليقات، والمحادثات بسرعة. فقط هيكل تكلفة Jev يجعل هذا النطاق مجديًا.
الخاتمة
إذا كنت لا تزال مشوشًا، تذكر هذا:
Jev رخيص، سريع، لا يدردش، لكنه يساعدك في اتخاذ الأحكام.
مع انخفاض تكلفة الذكاء بمقدار مرتبة عشرية، تنفجر حالات الاستخدام بشكل أسي. هذه فرص لك.
