منصة نواس

JEV: الذكاء الاصطناعي الذي لا يريد أن يتحدث معك معظم نماذج الذكاء الاصطناعي الحالية صُممت حول فكرة واحدة: اكتب نصًا، واحصل على نص. لكن ماذا لو لم يكن البرنامج بحاجة إلى نص أصلًا؟ ماذا لو كان يحتاج فقط إلى إجابة سريعة مثل: هل هذه الرسالة احتيالية؟
أي مسار يجب أن أسلك؟
هل هذا الطلب يحتاج إلى تدخل بشري؟
ما درجة خطورة هذه العملية؟ هنا تأتي فكرة Jev من شركة TypeSafe AI. أطلقت الشركة النموذج في 15 سبتمبر 2026 بوصفه أول نموذج من فئة تسميها System One Models؛ وهي نماذج مصممة لاتخاذ قرارات سريعة داخل البرمجيات، بدل إجراء محادثات مع البشر. المشكلة التي يحاول JEV حلها النماذج اللغوية الكبيرة ممتازة في الكتابة والاستدلال والمحادثة، لكنها ليست دائمًا الطريقة المثالية لجعل البرامج تتخذ ملايين القرارات الصغيرة. تخيّل نظامًا يحتاج إلى تصنيف مليون رسالة. مع نموذج لغوي تقليدي، قد تكون العملية: النص → توليد إجابة → تحليل الإجابة → تحويلها إلى JSON → التحقق منها → تنفيذ القرار. وهذا يعني وقتًا وتكلفة وتعقيدًا إضافيًا. Jev يقترح شيئًا مختلفًا: البيانات → القرار. بدل أن يولّد فقرة تشرح قراره، يعيد قيمة منظمة يمكن للبرنامج استخدامها مباشرة. 
 ⸻ 
 إذًا ما هو JEV بالضبط؟ يمكن تبسيطه إلى: ذكاء اصطناعي يعمل كدالة داخل برنامجك. تعطيه حالة أو سياقًا، ثم تحدد له السؤال والخيارات التي تريدها. مثلًا: السؤال: هل هذه الرسالة احتيالية؟ الخيارات: نعم / لا أو: اختر الإجراء: 1. تحويل إلى موظف 2. الرد تلقائيًا 3. إغلاق الطلب Jev لا يكتب لك مقالًا عن قراره. بل يعيد القرار واحتمالاته. ويدعم حاليًا ثلاثة أنواع أساسية من المخرجات: Choice: اختيار واحد من مجموعة خيارات. Score: إعطاء درجة على مقياس محدد. Noul: احتمال أن تكون إجابة نعم/لا صحيحة، بين 0 و1. 
 ⸻ 
 لماذا يسمى System One؟ الاسم مستوحى من مفهوم System 1 وSystem 2 في كتاب Thinking, Fast and Slow. الفكرة هنا ليست أن JEV يحل محل النماذج التي تحتاج إلى استدلال عميق. بل أن هناك عددًا هائلًا من القرارات داخل البرمجيات لا تحتاج أصلًا إلى كتابة إجابة طويلة أو تفكير مطول. تصنيف. فلترة. توجيه. تقييم. اختيار. قرار سريع. وهذه هي المساحة التي تريد TypeSafe أن يبني فيها JEV. 
 ⸻ 
 السر الحقيقي: لا يولّد النص هذه ربما أهم نقطة لفهم JEV. النموذج التقليدي يولّد النص Token بعد Token. أما JEV فمصمم لإخراج قرارات منظمة واحتمالات، وليس نصًا حرًا. وهذا يسمح له بالعمل بطريقة مختلفة جذريًا عن واجهة الـChat المعتادة. وتقول TypeSafe إن بنية النموذج والـsampler وطريقة التدريب صُممت من الأساس للأتمتة، مع استخدام تقنية تدريب تسميها: Reinforcement Learning for Calibrated Decisions — RLCD والهدف هو أن تكون احتمالات النموذج مرتبطة بدرجة موثوقية القرار، وليس فقط إنتاج إجابة تبدو مقنعة. 
 ⸻ 
 وماذا عن الهلوسة؟ هنا يجب التفريق بين شيئين. Jev لا يولّد نصًا حرًا يمكنه اختلاقه أو إنتاج JSON غير صالح. فإذا حددت له مجموعة خيارات، فالمخرج مقيد بهذه الخيارات. لكن هذا لا يعني أن القرار نفسه صحيح دائمًا. قد يختار النموذج الخيار الخطأ، حتى لو كان الناتج منظمًا تمامًا. وهذه نقطة مهمة جدًا: Type-safe لا تعني factually correct. الفرق أن البرنامج يعرف بالضبط شكل النتيجة ويمكنه التعامل مع درجة الثقة، بدل محاولة تفسير نص حر. 
 ⸻ 
 السرعة والتكلفة تقول TypeSafe إن JEV يصل إلى زمن استجابة يتراوح تقريبًا بين 70 و500 ميلي ثانية في استخدامات System One، وتعلن عن سعر 42 دولارًا لكل مليار Token من الإدخال، مع عدم احتساب تكلفة على مخرجات القرار. والفكرة الاقتصادية هنا أهم من الرقم نفسه: إذا أصبحت تكلفة القرار منخفضة جدًا، يمكن للبرامج أن تبدأ بإضافة الذكاء الاصطناعي إلى عدد هائل من العمليات الصغيرة التي لم يكن استخدام نموذج لغوي فيها منطقيًا من ناحية السرعة أو التكلفة. 
 ⸻ 
 أين يمكن استخدام JEV؟ هنا تبدأ الفكرة تصبح مثيرة فعلًا. مثلًا: خدمة العملاء كل رسالة تصل → هل تحتاج إلى موظف؟ → ما نوع الطلب؟ → ما الأولوية؟ الأمن هل العملية مشبوهة؟ → ما درجة الخطورة؟ → هل نوقفها أم نطلب تحققًا إضافيًا؟ المبيعات هل العميل المحتمل يستحق المتابعة؟ → ما درجة احتمالية التحويل؟ البرمجيات والـAgents هل المعلومات الحالية كافية؟
هل يجب تنفيذ الخطوة التالية؟
هل يجب سؤال المستخدم؟
أي أداة يجب استدعاؤها؟ المحتوى هل هذا المحتوى مخالف؟
ما تصنيفه؟
هل يحتاج إلى مراجعة بشرية؟ هذه ليست بالضرورة مهامًا تحتاج إلى نموذج يكتب 500 كلمة. أحيانًا تحتاج فقط إلى: “نعم — 0.94” وهذا بالضبط هو نوع القرار الذي يستهدفه JEV.