目前人工智能领域的讨论可谓纷繁复杂。每周都会涌现出新的术语和缩略语——智能体人工智能、推理逻辑层模型、氛围编码——随之而来的是新一轮的压力，各组织机构不得不制定人工智能战略或采用特定平台，而这一切都隐含着被时代抛弃的风险。使用 JMP 的科学家和工程师也无法置身事外。他们从领导层那里感受到了这种压力，并向我们询问，这对他们日常使用的工具意味着什么。
我们的答案很简单：JMP 的核心价值没有改变，也不会改变。改变的是我们如何让这一价值更容易获取、更容易发现、更易于扩展——而我们的人工智能基础设施正是实现这一目标的重要组成部分。但我们这样做是经过深思熟虑的，以您的需求为导向，而不是以我们自己的需求为导向。
为什么JMP的分析工作流程仍然不可替代
The JMP analytic workflowJMP 分析工作流程
在讨论人工智能的应用场景之前，有必要明确 JMP 能够做到哪些语言模型无法复制的事情。
JMP 从一开始就被设计成交互式的。用户只需将一列拖入图表构建器，即可立即查看数据——无需编写代码，无需语法，也无需任何提示。点击图表上的一个点，该点就会在数据表以及整个分析会话中的所有其他图表中高亮显示。但这种互联性并非一项功能，而是一种理念。简而言之，拥有领域专业知识和合适的分析环境的科学家或工程师，才是发现的引擎。
JMP 的分析工作流程从左到右展开。它始于用户和问题。JMP 将业务问题转化为分析问题，引导用户选择合适的方法，并提供一个交互式的可视化环境，使用户能够快速获得洞察。JMP Live则将这种价值扩展到整个组织——使工作可视化，分享行之有效的方法，并将分析从个人笔记本电脑扩展到企业范围内的协作。
大型语言模型并非此工作流程的核心。它们在特定环节发挥作用，加速部分流程。科学家或工程师仍然主导分析，仍然创造价值。
解释一切的曲线
JMP gets more valuable as problems get harder and rarer.随着问题变得越来越难、越来越罕见，JMP 的价值也越来越高。
有一种直观的方法可以解释为什么 JMP 和 LLM 不是竞争对手。想象一个图表，X 轴代表问题复杂度，左侧是常见且有据可查的问题，右侧是罕见但高价值的问题。
随着问题变得越来越复杂和罕见，LLM（学习学习模型）的训练数据量急剧下降，其有效性也随之降低。对于诸如如何编写基本的Python脚本或如何调试常见错误之类的常见问题，网上有成千上万个示例，LLM在处理这些问题时表现出色。但是，当你转向曲线的右侧，转向全新的实验设计、复杂的多变量分析以及业内无人解决的问题时，LLM的有效性就会急剧下降。因为对于尚未出现的结果，根本没有训练数据可供参考。
JMP 的效用则恰恰相反。问题越复杂、越罕见，JMP 的价值就越高。实验设计、探索性数据分析、未知领域的前沿发现——这些都是 JMP 的强项。关键在于：训练数据的丰富程度并不等同于商业价值。LLM模型是基于常见数据进行训练的。真正值得贵组织解决的问题，往往是那些缺乏足够训练数据的问题。
你不能要求一个法学硕士去“设计下一个重磅药物，而且不能出错”。JMP 用户的工作往往游走在未知领域的前沿，而这种工作流程仅靠人工智能是无法自动化的。
在JMP生态系统中，LLM真正能创造价值的地方在哪里？
LearnBot学习机器人
有了这样的基础，LLM 就能带来真正有意义的机会，加速 JMP 工作流程。
缩短新用户获取价值的时间。JMP的学习曲线虽然短，但难度较高。对于具备一定科学知识但对软件尚不熟悉的 初学者来说，可能在最初几个小时内就会遇到瓶颈。LearnBot（可在 JMP 应用商店获取）正是为了解决这一难题而开发的。LearnBot 将 JMP 丰富的学习内容、文档和 JSL 脚本索引加载到 LLM 增强的知识库中，使用户能够用自然语言提问，并获得基于准确、最新的 JMP 内容的解答。初步结果令人鼓舞。
弥合点击操作与自动化之间的鸿沟。JMP的脚本语言 JSL 功能极其强大，可以构建自定义应用程序、集成和组织专属工具。但遥测数据显示，绝大多数 JMP 用户从未编写过 JSL 脚本；即使是最基本的 JSL 操作——将脚本保存到数据表——也仅占 16% 的使用率。这种低利用率是一个显著的瓶颈。用户只需用简单的语言描述需求，即可获得可运行的 JSL 脚本；JSL 实现的自动化和自定义功能将惠及所有用户，而不再局限于组织通常依赖的一小部分专家。
让 JMP 的隐藏功能触手可及。三十多年来，世界各地的组织机构都信赖 JMP 的价值。但有时，JMP 的某些功能可能隐藏在红色三角菜单或平台选项之后，大多数用户根本找不到。自然语言界面让每个人都能使用这些工具。用户只需描述自己的需求，就能在 JMP 中找到相应的工具，即使他们从未在菜单中找到过。
在 JMP 工作流程中启用自由文本分析。LLM Prompt Runner扩展允许用户将数据表内容直接传递给 LLM，并将结构化结果（例如情感分析、根本原因提取或分类）返回到数据表中。用户无需离开 JMP 工作流程，即可利用 LLM 的强大功能处理他们真正擅长的任务。
我们正在建设的基础设施
JMP Scripting Index JMP脚本索引 JMP的设计目标是实现最大的灵活性，而不是押注于单一供应商。我们并不预设某个LLM供应商会胜出。我们的重点在于基础设施和接口，使客户能够将JMP连接到符合其标准和环境的模型和服务。
以下是具体过程：
首先是知识库。我们已在JSL.jmp.com上发布了超过 20,000 个 JSL 脚本片段，格式便于法学硕士 (LLM) 理解，另有 10,000 个片段正在制作中。因此，法学硕士在理解和编写 JSL 方面取得了显著进步，并且他们的水平还将持续提高。
其次是翻译层。我们使用检索增强生成（RAG）来最大限度地减少虚假信息，并确保当用户提出问题时，得到的回复基于准确、相关且最新的 JMP 内容。
第三，是底层架构。我们正在通过端点连接器简化 JMP 与您选择的 LLM 的连接，这样客户就不会被任何单一供应商锁定。这项功能将于 2027 年 3 月推出，如果您有兴趣提前体验，请加入JMP 早期采用者计划；我们非常期待您的反馈。
第四，工具。JMP持续构建高价值的AI和ML扩展库，为用户提供支持，改进工作流程，并减少编码需求。用户可以安装这些扩展，根据组织策略进行配置，并根据需要进行修改。
最后，我们来看看 JMP Marketplace。通过JMP市场 ，客户可以根据自身需求选择合适的 LLM 或 AI 扩展。JMP 通过 JMP Marketplace 提供这些扩展，而不是将其嵌入核心产品，从而确保 AI 功能是可选的，而非强制的。
安全、隐私和合规——一切由您掌控
我们深知数据隐私、安全和合规性至关重要，尤其是在人工智能领域。JMP 让您能够轻松找到安全和合规团队所需的答案。
我们的信任中心涵盖了 JMP 如何处理您的数据和提示、我们如何确保数据隐私、我们提供的安全保障以及我们如何满足欧盟合规性要求。JMP生成式 AI 条款详细说明了在使用 LLM 驱动的扩展程序时，您的提示信息将如何处理。每个扩展程序还包含一个模型信息表，其中标识了所使用的模型，并链接到模型提供商的文档。我们的JMP 负责任使用政策概述了我们对符合伦理的 AI 实践的承诺，并指导用户了解哪些使用场景是允许的，哪些是不可接受的。
所有这些资源都是公开的，您可以与您的安全和合规团队共享。
JMP 没有做什么
阐明 JMP没有做什么与解释我们正在做什么同样重要。
- 我们开发聊天机器人并非为了取代 JMP 的分析工作流程。JMP 是一款分析工具，而非对话产品。
- 我们不让 LLM 进行计算：JMP 进行计算，LLM 编写指令。
- 我们不进行基础模型的训练或微调，因为那是价值数十亿美元的 GPU 游戏，而不是桌面分析游戏。
- 我们并未生成合成数据。JMP 的品牌以统计严谨性著称，而这种严谨性绝不会因 LLM 捏造的数据而受到损害。
- 我们不会强迫用户使用他们不需要的AI功能。
战略即业务成果和工作流程。人工智能只是实现目标的工具之一。
底线
JMP拥有强大的基础架构和独特的分析工作流程。其分析工作流程（可视化探索、统计严谨的方法、可重复且可共享的分析）与在聊天框中输入提示信息截然不同。提示信息可以提供帮助，有时甚至能起到显著作用。但它无法取代JMP所支持的严谨性和端到端的工作流程。
我们正在构建的是基础设施：一个知识库，使 LLM 能够更好地理解 JMP；一个翻译层，使响应基于准确的内容；端点连接器，使客户能够灵活地选择他们的 AI 提供商；以及一个市场，可以根据您的要求选择性地提供 AI 功能。
JMP 用户创造新知识。他们研究从未解决过的问题，使用任何模型都未曾见过的数据。这种工作流程不会消失。恰恰相反，在人工智能时代，它变得更加重要，因为真正值得解决的问题，恰恰是那些 LLM 训练数据不足、JMP 优势得以展现的问题。
我们不追逐热点，我们着眼于长远发展，我们是为了你们而建设。
